CN111526556A - 一种基于神经网络的dtn网络路由优化方法 - Google Patents
一种基于神经网络的dtn网络路由优化方法 Download PDFInfo
- Publication number
- CN111526556A CN111526556A CN202010370269.4A CN202010370269A CN111526556A CN 111526556 A CN111526556 A CN 111526556A CN 202010370269 A CN202010370269 A CN 202010370269A CN 111526556 A CN111526556 A CN 111526556A
- Authority
- CN
- China
- Prior art keywords
- dtn
- neural network
- fuzzy
- network
- optimization method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 4
- 230000002787 reinforcement Effects 0.000 abstract description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于改进型模糊神经网络的DTN网络路由优化方法,包括以下步骤:S1.利用多维分量来描述DTN网络中各节点间的连通特点,采集DTN网络中当前节点和目标节点的多维分量的动态信息;S2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中,获取当前节点到达目标节点每条路径的成功概率;S3.比较成功概率的大小,将成功概率大的路径选择为最优路由。本发明采用改进型模糊神经网络来实现路由决策的智能化,根据不同路径上当前节点与目标节点的转发成功概率来选择路径,有效提高了路由选择的效率,而且改进型模糊神经网络具有强化学习功能,使得该方法能够适应DTN的拓扑变化,具有极强的实用性。
Description
技术领域
本发明涉及DTN网络技术领域,更具体的说是涉及一种基于神经网络的DTN网络路由优化方法。
背景技术
DTN网络(容迟网络)是一种新型无线网络体系结构,它包含多种传统网络形态的综合概念,单纯一种路由算法很难有效解决网络在所有状态下的路由问题,现有技术中的路由算法均存在着分组转发策略效率低下的特点。
因此,提供一种基于神经网络的DTN网络路由优化方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于改进型模糊神经网络的DTN网络路由优化方法,目的在于解决现有技术中路由算法分组转发策略效率低下的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于改进型模糊神经网络的DTN网络路由优化方法,包括以下步骤:
S1.利用多维分量来描述DTN网络中各节点间的连通特点,采集DTN网络中当前节点和目标节点的多维分量的动态信息;
S2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中,获取当前节点到达目标节点每条路径的成功概率;
S3.比较成功概率的大小,将成功概率大的路径选择为最优路由。
优选的,改进型模糊神经网络依次包括:输入层、模糊条件层、归一化层、模糊决策层和去模糊层。
优选的,所述输入层,用于实现动态信息的输入;所述去模糊层,用于实现输出。
优选的,所述模糊条件层,每个神经元为一个模糊规则,用于实现输入变量的隶属度函数,且匹配模糊规则的前件,当需要增加或减少模糊控制规则时,在所述模糊条件层进行神经元数量的优化。
优选的,所述归一化层,用于对每个神经元的输出进行归一化计算。
优选的,所述模糊决策层,每个神经元为模糊规则的后件,用于计算每个模糊规则所对应的决策结果。
优选的,通过采用相应的启发式算法来实现模糊条件层神经元数量的优化。
优选的,改进型模糊神经网络训练过程为:采集多维分量的动态历史信息;将所采集到的动态历史信息依次输入改进型模糊神经网络中进行训练,计算各节点到网络中其他节点之间的单跳传输成功概率,获取多维分量的优先顺序以及在优化过程所产生的影响,并通过迭代得到各节点到网络中其他节点的多跳传输成功概率。
优选的,所述多维分量包括但不限于:存储分量和转发权重分量;
所述存储分量和所述转发权重分量分别用于描述DTN网络中节点存储能力和节点转发能力。
优选的,所述多维分量还包括但不限于:时延分量和距离分量;
所述时延分量和所述距离分量分别用于描述DTN网络中节点的平均传输时延和各节点之间的平均欧氏距离。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于改进型模糊神经网络的DTN网络路由优化方法,该方法采用改进型模糊神经网络来实现路由决策的智能化,根据不同路径上当前节点与目标节点的转发成功概率来选择路径,有效提高了路由选择的效率,而且改进型模糊神经网络具有强化学习功能,使得该方法能够适应DTN的拓扑变化,具有极强的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于改进型模糊神经网络的DTN网络路由优化方法,包括以下步骤:
S1.利用多维分量来描述DTN网络中各节点间的连通特点,采集DTN网络中当前节点和目标节点的多维分量的动态信息;
S2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中,获取当前节点到达目标节点每条路径的成功概率;
S3.比较成功概率的大小,将成功概率大的路径选择为最优路由。
进一步地,改进型模糊神经网络依次包括:输入层、模糊条件层、归一化层、模糊决策层和去模糊层。
进一步地,输入层,用于实现动态信息的输入;去模糊层,用于实现输出。
进一步地,模糊条件层,每个神经元为一个模糊规则,用于实现输入变量的隶属度函数,且匹配模糊规则的前件,当需要增加或减少模糊控制规则时,在模糊条件层进行神经元数量的优化。
进一步地,归一化层,用于对每个神经元的输出进行归一化计算。
进一步地,模糊决策层,每个神经元为模糊规则的后件,用于计算每个模糊规则所对应的决策结果。
进一步地,通过采用相应的启发式算法来实现模糊条件层神经元数量的优化。
进一步地,改进型模糊神经网络训练过程为:采集多维分量的动态历史信息;将所采集到的动态历史信息依次输入改进型模糊神经网络中进行训练,计算各节点到网络中其他节点之间的单跳传输成功概率,获取多维分量的优先顺序以及在优化过程所产生的影响,并通过迭代得到各节点到网络中其他节点的多跳传输成功概率。
进一步地,多维分量包括但不限于:存储分量和转发权重分量;
存储分量和转发权重分量分别用于描述DTN网络中节点存储能力和节点转发能力。
进一步地,多维分量还包括但不限于:时延分量和距离分量;
时延分量和距离分量分别用于描述DTN网络中节点的平均传输时延和各节点之间的平均欧氏距离。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,包括以下步骤:
S1.利用多维分量来描述DTN网络中各节点间的连通特点,采集DTN网络中当前节点和目标节点的多维分量的动态信息;
S2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中,获取当前节点到达目标节点每条路径的成功概率;
S3.比较成功概率的大小,将成功概率大的路径选择为最优路由。
2.根据权利要求1所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,改进型模糊神经网络依次包括:输入层、模糊条件层、归一化层、模糊决策层和去模糊层。
3.根据权利要求2所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,所述输入层,用于实现动态信息的输入;所述去模糊层,用于实现输出。
4.根据权利要求2所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,所述模糊条件层,每个神经元为一个模糊规则,用于实现输入变量的隶属度函数,且匹配模糊规则的前件,当需要增加或减少模糊控制规则时,在所述模糊条件层进行神经元数量的优化。
5.根据权利要求2所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,所述归一化层,用于对每个神经元的输出进行归一化计算。
6.根据权利要求2所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,所述模糊决策层,每个神经元为模糊规则的后件,用于计算每个模糊规则所对应的决策结果。
7.根据权利要求4所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,通过采用相应的启发式算法来实现模糊条件层神经元数量的优化。
8.根据权利要求1所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,改进型模糊神经网络训练过程为:采集多维分量的动态历史信息;将所采集到的动态历史信息依次输入改进型模糊神经网络中进行训练,计算各节点到网络中其他节点之间的单跳传输成功概率,获取多维分量的优先顺序以及在优化过程所产生的影响,并通过迭代得到各节点到网络中其他节点的多跳传输成功概率。
9.根据权利要求1所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,所述多维分量包括但不限于:存储分量和转发权重分量;
所述存储分量和所述转发权重分量分别用于描述DTN网络中节点存储能力和节点转发能力。
10.根据权利要求1所述的一种基于改进型模糊神经网络的DTN网络路由优化方法,其特征在于,所述多维分量还包括但不限于:时延分量和距离分量;
所述时延分量和所述距离分量分别用于描述DTN网络中节点的平均传输时延和各节点之间的平均欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370269.4A CN111526556A (zh) | 2020-04-29 | 2020-04-29 | 一种基于神经网络的dtn网络路由优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370269.4A CN111526556A (zh) | 2020-04-29 | 2020-04-29 | 一种基于神经网络的dtn网络路由优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111526556A true CN111526556A (zh) | 2020-08-11 |
Family
ID=71905386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010370269.4A Pending CN111526556A (zh) | 2020-04-29 | 2020-04-29 | 一种基于神经网络的dtn网络路由优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111526556A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1069737A1 (en) * | 1999-07-13 | 2001-01-17 | International Business Machines Corporation | Method and system for optimizing the network path of mobile programs |
CN103581974A (zh) * | 2012-12-26 | 2014-02-12 | 华平信息技术股份有限公司 | 链路质量评估方法及其系统 |
CN104010343A (zh) * | 2014-06-11 | 2014-08-27 | 沈阳中科博微自动化技术有限公司 | 智能抄表系统无线网络优化方法 |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
CN110161861A (zh) * | 2019-05-30 | 2019-08-23 | 上海航天测控通信研究所 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
CN110611619A (zh) * | 2019-09-12 | 2019-12-24 | 西安电子科技大学 | 一种基于ddpg强化学习算法的智能化路由决策方法 |
CN111010341A (zh) * | 2019-12-19 | 2020-04-14 | 南京大学 | 一种基于深度学习的覆盖网络路由决策方法 |
-
2020
- 2020-04-29 CN CN202010370269.4A patent/CN111526556A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1069737A1 (en) * | 1999-07-13 | 2001-01-17 | International Business Machines Corporation | Method and system for optimizing the network path of mobile programs |
CN103581974A (zh) * | 2012-12-26 | 2014-02-12 | 华平信息技术股份有限公司 | 链路质量评估方法及其系统 |
CN104010343A (zh) * | 2014-06-11 | 2014-08-27 | 沈阳中科博微自动化技术有限公司 | 智能抄表系统无线网络优化方法 |
CN108667734A (zh) * | 2018-05-18 | 2018-10-16 | 南京邮电大学 | 一种基于q学习和lstm神经网络的快速路由决策算法 |
CN110161861A (zh) * | 2019-05-30 | 2019-08-23 | 上海航天测控通信研究所 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
CN110611619A (zh) * | 2019-09-12 | 2019-12-24 | 西安电子科技大学 | 一种基于ddpg强化学习算法的智能化路由决策方法 |
CN111010341A (zh) * | 2019-12-19 | 2020-04-14 | 南京大学 | 一种基于深度学习的覆盖网络路由决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109951391B (zh) | 一种基于多QoS约束的网络路径快速计算方法 | |
Mukherjee et al. | Ant colony optimization technique applied in network routing problem | |
Fu et al. | Reinforcement learning-based algorithm for efficient and adaptive forwarding in named data networking | |
Manfredi et al. | Relational deep reinforcement learning for routing in wireless networks | |
CN111526556A (zh) | 一种基于神经网络的dtn网络路由优化方法 | |
Abou El Houda et al. | Cost-efficient federated reinforcement learning-based network routing for wireless networks | |
Noferesti et al. | A hybrid algorithm for solving steiner tree problem | |
Bueno et al. | A dynamic multiobjective evolutionary algorithm for multicast routing problem | |
Neri et al. | A memetic-neural approach to discover resources in P2P networks | |
Ibraheem et al. | A multi QoS genetic-based adaptive routing in wireless mesh networks with Pareto solutions | |
Klymash et al. | A meta-heuristic data routing algorithm for networks with dynamically variable structure | |
Budyal et al. | Intelligent agent based delay aware QoS unicast routing in mobile ad hoc networks | |
Thangadurai et al. | Fuzzy cost based multipath routing protocol for MANETS | |
KR102308799B1 (ko) | 사물 인터넷 네트워크 환경에서 mac 계층 충돌 학습을 기초로 전달 경로를 선택하는 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
Sayedahmed et al. | A proposed fuzzy stability model to improve multi-hop routing protocol | |
Khelifa et al. | Enhancing Energy Efficiency in Mobile Ad hoc Networks using Genetic Algorithms | |
Syarif et al. | Performance analysis of evolutionary multi-objective based approach for deployment of wireless sensor network with the presence of fixed obstacles | |
Abdullah et al. | Genetic-based routing algorithm with priority constraints | |
Nasar et al. | Computer Network Routing Using Fuzzy Neural Networks | |
Fang et al. | Exact and heuristic algorithm for multi-constrained optimal path problem | |
CN114938530B (zh) | 基于深度强化学习的无线自组网智能组网方法 | |
Hao et al. | Sensor networks routing via bayesian exploration | |
Zheng et al. | Packet Routing in Dynamic Network: Deep Reinforcement Learning-Based Approach | |
Yousif | Quality of Service Multicast Routing in Ad-Hoc Networks Based on Genetic Particle Swarm Optimization Algorithm | |
Solano et al. | Solving the GMM-model with a MOEA. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200811 |
|
RJ01 | Rejection of invention patent application after publication |