CN111683351A - 基于分组接收概率的三维车载自组织网络路由选择方法 - Google Patents

基于分组接收概率的三维车载自组织网络路由选择方法 Download PDF

Info

Publication number
CN111683351A
CN111683351A CN202010515953.7A CN202010515953A CN111683351A CN 111683351 A CN111683351 A CN 111683351A CN 202010515953 A CN202010515953 A CN 202010515953A CN 111683351 A CN111683351 A CN 111683351A
Authority
CN
China
Prior art keywords
vehicle
probability
link
model
routing
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
Application number
CN202010515953.7A
Other languages
English (en)
Inventor
徐川
刘恩慧
韩珍珍
熊郑英
赵国锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010515953.7A priority Critical patent/CN111683351A/zh
Publication of CN111683351A publication Critical patent/CN111683351A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/40Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/48Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/026Route selection considering the moving speed of individual devices
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及无线通信领域,特别涉及一种基于分组接收概率的三维车载自组织网络路由选择方法,包括:利用全球定位系统获取当前车辆的位置信息并获取当前车辆的邻居车辆集合;若邻居车辆集合中有目的车辆则直接转发;否则根据SINR模型、链路可用性模型、缓冲区队列模型,构建分组接受概率模型,将路由选择问题转换为链路可靠性问题;采用基于多目标决策的粒子群算法求解链路可靠性问题,选择链路可靠性最高的链路车辆作为下一中继车辆;本发明联合考虑车辆的动态性与三维车联网场景的网络特性,提高了路由过程的分组传输率和吞吐量,降低端到端时延。

Description

基于分组接收概率的三维车载自组织网络路由选择方法
技术领域
本发明涉及无线通信领域,特别涉及一种基于分组接收概率的三维车载自组织网络(VANET)路由选择方法。
背景技术
智能交通系统中的车辆协作通信用于交换路况以及车辆信息以提高道路交通系统的安全性和效率。车载自组织网络是移动自组织网络的变体,是智能交通系统的核心组件。智能交通系统的优越性能主要归功于车载自组织网络中高效路由选择方法的设计。车辆的高动态性,节点的复杂分布以及路径损耗使得信息路由的中断概率增加,导致网络吞吐量和分组递送率急剧恶化,开发高效的路由协议刻不容缓。
近年来,由于各种高架桥、隧道和立交桥等结构的实施,许多现实中的VANET出现了三维特性。越来越多的工作也开始致力于研究三维VANET场景带来的挑战,但是针对三维VANET场景的路由方法研究仍然较少。在三维场景中,高动态的车辆、复杂的节点分布和严重的阴影衰落造成高度脆弱的无线链路和极其复杂的网络环境,这使得三维VANET中路由方法的设计比一般VANET场景更具挑战性。并且,最近的研究表明三维场景中跨层通信的车辆通信范围比同层通信的车辆通信范围小,一般VANET中的路由方法不能直接应用于三维场景。因此,设计一种适用于三维场景的VANET高效和可靠的路由方法以提高路由性能具有重要意义。
目前针对三维场景的VANET路由方法有:通过简单室外传输实验和利用数学随机分析地理路由方法在三维场景下存在跳数增大、数据包传送率降低、连通性计算出错等问题,并提出面向三维场景的贪婪机会路由方法,考虑三维场景特征估计车辆节点间连通性概率,以用于辅助交叉路口方向的选择,然后设计贪婪机会转发方法提升同层邻居节点的转发概率,以此来应对三维直行道路上的分组转发造成的跳数增大和分组传送率降低问题。一种基于空间分布的连通性感知路由方法被提出以解决三维场景中节点连通性问题。该方法将街道分为多个路段,并利用控制包来收集每个路段的网络特征,再基于每个路段收集到的车辆数量和位置分布计算路段的连通性,最后根据计算得到的连通性来确定转发路径,改进路由性能。
然而,现有的三维VANET的路由方法存在以下问题:现有路由方法主要基于贪婪转发策略,不适用于高动态场景,当邻居车辆快速移动离开车辆通信范围时,导致链路中断,丢包率增大。现有路由方法仅仅根据车辆数量和位置来确定转发中继,没有考虑网络动态性对信道跳间和缓冲队列的影响,无法准确刻画车辆间链路性能,影响路由方法的有效性和自适应性。
发明内容
针对三维车载自组织网络中,由于三维场景中节点的复杂性高以及严重的路径损耗造成的链路中断的问题,本发明提出一种基于分组接收概率的三维车载自组织网络路由选择方法,如图1,具体包括以下步骤:
S1、利用全球定位系统获取当前车辆的位置信息并通过发送hello数据包获取当前车辆的邻居车辆集合;
S2、若临近车辆中包含目标车辆,直接发送数据包到目标车辆,否则执行S3;
S3、选择SINR、链路可用性和缓冲队列作为无线链路性能的评估属性,并构建SINR模型、链路可用性模型、缓冲区队列模型;
S4、根据SINR模型、链路可用性模型、缓冲区队列模型,构建分组接受概率模型,将路由选择问题转换为链路可靠性问题;
S5、采用基于多目标决策的粒子群算法求解链路可靠性问题,选择链路可靠性最高的链路车辆作为下一中继车辆。
进一步的,分组接受概率模型表示为:
Figure BDA0002530104170000031
Figure BDA0002530104170000032
Figure BDA0002530104170000033
Figure BDA0002530104170000034
Figure BDA0002530104170000035
其中,
Figure BDA0002530104170000036
为车辆j处SINR大于接收阈值γ0的概率;
Figure BDA0002530104170000037
为链路可用性;
Figure BDA0002530104170000038
为接收车辆缓冲队列长度小于最大可用值的概率;
Figure BDA0002530104170000039
表示车辆i的邻居中继的数量,
Figure BDA00025301041700000319
表示车辆i与车辆j的关联关系;M为车辆i在t时刻的邻居车辆集;N为车辆i在t时刻的中继车辆集;dj,des表示车辆j到目的节点的距离。
进一步的,车辆j处SINR大于接收阈值γ0的概率
Figure BDA00025301041700000310
表示为:
Figure BDA00025301041700000311
其中,
Figure BDA00025301041700000312
表示传播损耗;Pt表示车辆的发射功率;
Figure BDA00025301041700000313
表示△t后的路径损耗。
进一步的,传播损耗
Figure BDA00025301041700000314
表示为:
Figure BDA00025301041700000315
其中,βi∈{0,1}表示相邻车辆的属性,βi=0表示层内相邻,βi=1表示层间相邻;θ>0,为传播参数;2<α<4是路径损耗指数;ρ表示阴影衰落因子。
进一步的,链路可用性
Figure BDA00025301041700000316
表示为:
Figure BDA00025301041700000317
其中,Tp表示两节点间链路的可用持续时间,取决于两节点之间的当前位置和相对速度,f(T)为持续时间服从高斯分布的概率密度函数。
进一步的,接收车辆缓冲队列长度小于最大可用值的概率
Figure BDA00025301041700000318
表示为:
Figure BDA0002530104170000041
其中,a为剩余可用缓冲队列长度;b为接收车辆当前缓冲区队列长度,x,y表示接收车辆j在△t期间接收x分组并发送y个分组,fx,fy为泊松分布函数和二项分布函数。
进一步的,采用基于多目标决策的粒子群算法求解链路可靠性问题包括:
S41、输入最大迭代次数maxgen、群落大小pop、惯性因子ω、以及两个学习因子C1,C2
S42、初始化粒子群,包括群体规模N={n1,n2,...,npop}T,车辆的位置P={x1,x2,...,xpop}T和速度V={v1,v2,...,vpop}T
S43、初始化个体极值P={pbest1,pbest2,...,pbestpop}T,全局极值Gbest={gbest1,gbest2,...,gbestpop}T
S44、计算每个粒子的适应度值,即计算分组接收概率;
S45、对每个车辆粒子,用它的适应度值和个体极值比较,若适应度值大于个体极值,则用适应度值替换个体极值;
S46、对每个车辆粒子,用它的适应度值和全局极值比较,若适应度值大于全局极值,则用适应度值代替全局极值;
S47、利用当前时刻速度信息与位置信息更新下一时刻粒子速度信息和位置信息;
S48、若当前迭代的误差小于设置的误差阈值或者达到最大迭代次数,则结束迭代,输出路由路径,否则返回步骤S44。
进一步的,利用当前时刻速度信息与位置信息更新下一时刻粒子速度信息和位置信息包括:
vi(t+1)=ωvi(t)+r1C1[pbesti(t)-xi(t)]+r2C2[gbesti(t)-xi(t)],r1,r2∈{0,1};
Figure BDA0002530104170000051
其中,vi(t+1)为t+1时刻的速度信息;xi(t+1)为t+1时刻的位置信息。
本发明对数据包的分组接收概率进行分析并建模,将数据包的路径选择问题转化为分组接受概率的最优问题,利用粒子群算法对模型进行求解,缩短了端到端时延,提升了网络性能,提高了数据包的投递率以及吞吐量。
附图说明
图1为本发明一种基于分组接收概率的三维车载自组织网络路由选择方法流程示意图;
图2为本发明三维车载场景示意图;
图3为本发明一种基于分组接收概率的三维车载自组织网络路由选择方法优选实施例流程示意图;
图4为本发明一种基于分组接收概率的三维车载自组织网络路由选择方法中采用的粒子群算法流程示意图。
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。
本发明提出一种基于分组接收概率的三维车载自组织网络路由选择方法,如图1,包括以下步骤:
S1、利用全球定位系统获取当前车辆的位置信息并通过发送hello数据包获取当前车辆的邻居车辆集合;
S2、若临近车辆中包含目标车辆,直接发送数据包到目标车辆,否则执行S3;
S3、选择SINR、链路可用性和缓冲队列作为无线链路性能的评估属性,并构建SINR模型、链路可用性模型、缓冲区队列模型;
S4、根据SINR模型、链路可用性模型、缓冲区队列模型,构建分组接受概率模型,将路由选择问题转换为链路可靠性问题;
S5、采用基于多目标决策的粒子群算法求解链路可靠性问题,选择链路可靠性最高的链路车辆作为下一中继车辆。
三维场景的车辆间通信分为层间通信和同层通信,当发送方和接收方都处于同一层街道时为同层通信,不在同一层街道则为层间通信。如图2,同层车辆传输半径为R1,层间通信的传输范围为R2,R1>R2,图中虚线表示两辆车之间可以进行通信的线路,当目的车辆在源车辆的通信范围内时,源车辆与目的车辆直接进行通信,源车辆直接将数据发送给目的车辆;否则,源车辆通过本发明的方法选择中继车辆,通过中继车辆转发数据,源车辆通过中继车辆与目的车辆进行通信。
如图3,在本实施例中,主要包括步骤201~210,其中步骤201~204主要是获取车辆信息并判断当前车辆的邻居车辆集合中是否有目的车辆,具体包括以下步骤:
201、根据全球定位系统获取车辆信息,并根据当前车辆移动状态确定车辆移动模型;
202、根据车辆移动状态确定邻居车辆集合;
203、判断邻居车辆集合中是否有目的车辆;
204、若邻居车辆集合中有目的车辆,则将数据转发到目的车辆,完成的数据转发。
若邻居车辆集合中没有目的车辆,则需要选择一个中集车辆进行转发,该转发过程包括步骤205~210,具体包括:
205、整合网络特性,以及进行网络参数选择;
206、确定SINR、链路可用性和缓冲区队列模型;
SINR模型的建立包括:选择SINR作为无线链路性能的评估属性,整合三维VANET中车辆移动性、节点分层性和阴影衰落特点,建立SINR模型,推导随着车辆移动,SINR大于阈值的概率。若接收车辆能成功接收数据包,则接收车辆SINR大于阈值,考虑车辆动态性,阴影损耗等因素,在时间△t后车辆i向车辆j发送数据时,车辆j处SINR大于接收阈值γ0的概率可以建模为
Figure BDA0002530104170000071
表示为:
Figure BDA0002530104170000072
其中,
Figure BDA0002530104170000073
表示传播损耗;Pt表示车辆的发射功率;
Figure BDA0002530104170000074
表示△t后的路径损耗。
其中,Pt表示车辆的传输功率,
Figure BDA0002530104170000075
表示传播损耗,有
Figure BDA0002530104170000076
其中,βi∈{0,1}表示相邻车辆的属性βi=0表示层内相邻,βi=1表示层间相邻,θ>0是传播参数,取决于天性的特性,2<α<4是路径损耗指数,ρ表示阴影衰落因子,有:
ρ=exp(-σ2/2+σψi);
其中,σ(dB)表示对数正态阴影的对数标准偏差,ψi表示标准正态变量。
Figure BDA0002530104170000077
表示车辆j在t1时刻受到的干扰,有:
Figure BDA0002530104170000078
其中,N0表示加性高斯噪声,
Figure BDA0002530104170000079
表示干扰车辆的数量。
链路可用性模型:选择链路可用性作为无线链路性能评估属性,建立链路可用性模型,推导链路可用性随车辆移动的概率。链路可用性为△t后链路依然可用的概率,链路可用性可以建模为
Figure BDA00025301041700000710
即:
Figure BDA00025301041700000711
其中,Tp表示两节点间链路的可用持续时间,取决于两节点之间的当前位置和相对速度,f(T)为持续时间服从高斯分布的概率密度函数。
缓冲区队列模型:
选择缓冲区队列作为无线链路性能的评估属性,建立缓冲区队列模型,推导车辆的缓冲队列长度小于剩余缓冲队列长度a的概率。若接收车辆能成功接收发送车辆的数据包,则接受车辆必须具有足够的缓冲空间来存储发送过来的数据,因此,缓冲区队列可以建模为接收车辆缓冲队列长度小于最大可用值的概率
Figure BDA0002530104170000081
即:
Figure BDA0002530104170000082
其中,a为剩余可用缓冲队列长度。b为接收车辆当前缓冲区队列长度,x,y表示接收车辆j在△t期间接收x分组并发送y个分组,fx,fy为泊松分布函数和二项分布函数。
207、基于多目标决策确定链路集中每条链路的链路可靠性值;
联合SINR模型、链路可用性模型和缓冲队列模型三个评估属性模型,完成分组接受概率模型P的建立,即:
Figure BDA0002530104170000083
其中,
Figure BDA0002530104170000084
表示车辆i的邻居中继的数量,
Figure BDA0002530104170000086
表示车辆i与车辆j的关联关系。
根据分组接收概率模型将三维车载自组织网络中的路由决策问题描述为多目标优化问题包括:
Figure BDA0002530104170000085
其中,基于分组接收概率模型的路由选择方法的目标是最大化链路可靠性,信干噪比和缓冲区队列模型,获得具有最佳分组接收概率的最佳路径。三维车载自组织网络中的路由决策的多目标优化问题具有4个约束条件。有,
Figure BDA0002530104170000091
其中,
Figure BDA0002530104170000095
表示可行集。
Figure BDA0002530104170000092
Figure BDA0002530104170000093
其中,此约束条件确保车辆i只能跟一辆车关联。
Figure BDA0002530104170000094
其中,此约束条件确保数据包往目标节点发送。
208、根据链路可靠性采用利用粒子群算法确定最优中继;
如图4,采用粒子群算法解决多目标决策的路由路径选择问题包括:
S41、输入最大迭代次数maxgen、群落大小pop、惯性因子ω、以及两个学习因子C1,C2
S42、初始化粒子群,包括群体规模N={n1,n2,...,npop}T,车辆的位置P={x1,x2,...,xpop}T和速度V={v1,v2,...,vpop}T
S43、初始化个体极值P={pbest1,pbest2,...,pbestpop}T,全局极值Gbest={gbest1,gbest2,...,gbestpop}T
S44、计算每个粒子的适应度值,本发明每个粒子的适应度值即该粒子对应的分组接收概率;
S45、对每个车辆粒子,用它的适应度值和个体极值比较,若适应度值大于个体极值,则用适应度值替换个体极值;
S46、对每个车辆粒子,用它的适应度值和全局极值比较,若适应度值大于全局极值,则用适应度值代替全局极值;
S47、利用当前时刻速度信息与位置信息更新下一时刻粒子速度信息和位置信息;
S48、若当前迭代的误差小于设置的误差阈值或者达到最大迭代次数,则结束迭代,输出路由路径,否则返回步骤S44。
其中下一时刻粒子速度信息和位置信息包括:
vi(t+1)=ωvi(t)+r1C1[pbesti(t)-xi(t)]+r2C2[gbesti(t)-xi(t)],r1,r2∈{0,1};
Figure BDA0002530104170000101
其中,vi(t+1)为t+1时刻的速度信息;xi(t+1)为t+1时刻的位置信息;
210、将数据转发到209选出的下一跳中继车辆,完成转发。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,包括以下步骤:
S1、利用全球定位系统获取当前车辆的位置信息并获取当前车辆的邻居车辆集合;
S2、若临近车辆中包含目标车辆,直接发送数据包到目标车辆,否则执行S3;
S3、选择SINR、链路可用性和缓冲队列作为无线链路性能的评估属性,并构建SINR模型、链路可用性模型、缓冲区队列模型;
S4、根据SINR模型、链路可用性模型、缓冲区队列模型,构建分组接受概率模型,将路由选择问题转换为链路可靠性问题;
S5、采用基于多目标决策的粒子群算法求解链路可靠性问题,选择链路可靠性最高的链路车辆作为下一中继车辆。
2.根据权利要求1所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,分组接受概率模型表示为:
Figure FDA0002530104160000011
Figure FDA0002530104160000012
Figure FDA0002530104160000013
Figure FDA0002530104160000014
Figure FDA0002530104160000015
其中,
Figure FDA0002530104160000016
为车辆j处SINR大于接收阈值γ0的概率;
Figure FDA0002530104160000017
为链路可用性;
Figure FDA0002530104160000018
为接收车辆缓冲队列长度小于最大可用值的概率;
Figure FDA0002530104160000019
表示车辆i的邻居中继的数量,
Figure FDA00025301041600000110
表示车辆i与车辆j的关联关系;M为车辆i在t时刻的邻居车辆集;N为车辆i在t时刻的中继车辆集;dj,des表示车辆j到目的节点的距离。
3.根据权利要求2所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,车辆j处SINR大于接收阈值γ0的概率
Figure FDA0002530104160000021
表示为:
Figure FDA0002530104160000022
其中,
Figure FDA0002530104160000023
表示传播损耗;Pt表示车辆的发射功率;
Figure FDA0002530104160000024
表示△t后的路径损耗。
4.根据权利要求3所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,传播损耗
Figure FDA0002530104160000025
表示为:
Figure FDA0002530104160000026
其中,βi∈{0,1}表示相邻车辆的属性,βi=0表示层内相邻,βi=1表示层间相邻;θ>0,为传播参数;2<α<4是路径损耗指数;ρ表示阴影衰落因子。
5.根据权利要求2所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,链路可用性
Figure FDA0002530104160000027
表示为:
Figure FDA0002530104160000028
其中,Tp表示两节点间链路的可用持续时间,取决于两节点之间的当前位置和相对速度,f(T)为持续时间服从高斯分布的概率密度函数。
6.根据权利要求1所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,接收车辆缓冲队列长度小于最大可用值的概率
Figure FDA0002530104160000029
表示为:
Figure FDA00025301041600000210
其中,a为剩余可用缓冲队列长度;b为接收车辆当前缓冲区队列长度,x,y表示接收车辆j在△t期间接收x分组并发送y个分组,fx,fy为泊松分布函数和二项分布函数。
7.根据权利要求1所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,采用基于多目标决策的粒子群算法求解链路可靠性问题包括:
S41、输入最大迭代次数maxgen、群落大小pop、惯性因子ω、以及两个学习因子C1,C2
S42、初始化粒子群,包括群体规模N={n1,n2,...,npop}T,车辆的位置P={x1,x2,...,xpop}T和速度V={v1,v2,...,vpop}T
S43、初始化个体极值P={pbest1,pbest2,...,pbestpop}T,全局极值Gbest={gbest1,gbest2,...,gbestpop}T
S44、计算每个粒子的适应度值,即计算分组接收概率;
S45、对每个车辆粒子,用它的适应度值和个体极值比较,若适应度值大于个体极值,则用适应度值替换个体极值;
S46、对每个车辆粒子,用它的适应度值和全局极值比较,若适应度值大于全局极值,则用适应度值代替全局极值;
S47、利用当前时刻速度信息与位置信息更新下一时刻粒子速度信息和位置信息;
S48、若当前迭代的误差小于设置的误差阈值或者达到最大迭代次数,则结束迭代,输出路由路径,否则返回步骤S44。
8.根据权利要求7所述的一种基于分组接收概率的三维车载自组织网络路由选择方法,其特征在于,利用当前时刻速度信息与位置信息更新下一时刻粒子速度信息和位置信息包括:
vi(t+1)=ωvi(t)+r1C1[pbesti(t)-xi(t)]+r2C2[gbesti(t)-xi(t)],r1,r2∈{0,1};
Figure FDA0002530104160000031
其中,vi(t+1)为t+1时刻的速度信息;xi(t+1)为t+1时刻的位置信息。
CN202010515953.7A 2020-06-09 2020-06-09 基于分组接收概率的三维车载自组织网络路由选择方法 Pending CN111683351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010515953.7A CN111683351A (zh) 2020-06-09 2020-06-09 基于分组接收概率的三维车载自组织网络路由选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010515953.7A CN111683351A (zh) 2020-06-09 2020-06-09 基于分组接收概率的三维车载自组织网络路由选择方法

Publications (1)

Publication Number Publication Date
CN111683351A true CN111683351A (zh) 2020-09-18

Family

ID=72435717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010515953.7A Pending CN111683351A (zh) 2020-06-09 2020-06-09 基于分组接收概率的三维车载自组织网络路由选择方法

Country Status (1)

Country Link
CN (1) CN111683351A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113207124A (zh) * 2021-03-17 2021-08-03 北京邮电大学 一种车载自组网络数据包传送方法及装置
CN113891422A (zh) * 2021-11-09 2022-01-04 深圳职业技术学院 一种自组织车联网的数据感知路由方法、系统、存储介质及设备
CN114980185A (zh) * 2022-05-12 2022-08-30 重庆邮电大学 一种基于拓扑演化的车载自组织网络路由选择方法
CN115623449A (zh) * 2022-08-22 2023-01-17 长沙理工大学 应用于二维与三维场景的车联网中继节点切换机制
CN117579535A (zh) * 2024-01-15 2024-02-20 深圳市宇通联发科技有限公司 传输路径规划方法、装置、系统及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102754496A (zh) * 2010-02-12 2012-10-24 交互数字专利控股公司 用于增强小区边缘用户性能和通过下行链路协作分量载波信号发送无线电链路失败情况的方法和设备
CN105844370A (zh) * 2016-05-16 2016-08-10 西安电子科技大学 基于粒子群算法的城市道路车辆连通度优化方法
CN109640369A (zh) * 2018-11-29 2019-04-16 哈尔滨工程大学 一种基于自适应功率的车载网可靠通信方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102754496A (zh) * 2010-02-12 2012-10-24 交互数字专利控股公司 用于增强小区边缘用户性能和通过下行链路协作分量载波信号发送无线电链路失败情况的方法和设备
CN105844370A (zh) * 2016-05-16 2016-08-10 西安电子科技大学 基于粒子群算法的城市道路车辆连通度优化方法
CN109640369A (zh) * 2018-11-29 2019-04-16 哈尔滨工程大学 一种基于自适应功率的车载网可靠通信方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHUAN XU: "A Packet Reception Probability-Based Reliable Routing Protocol for 3D VANET", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113207124A (zh) * 2021-03-17 2021-08-03 北京邮电大学 一种车载自组网络数据包传送方法及装置
CN113207124B (zh) * 2021-03-17 2022-11-01 北京邮电大学 一种车载自组网络数据包传送方法及装置
CN113891422A (zh) * 2021-11-09 2022-01-04 深圳职业技术学院 一种自组织车联网的数据感知路由方法、系统、存储介质及设备
CN113891422B (zh) * 2021-11-09 2023-04-18 深圳职业技术学院 一种自组织车联网的数据感知路由方法、系统、存储介质及设备
CN114980185A (zh) * 2022-05-12 2022-08-30 重庆邮电大学 一种基于拓扑演化的车载自组织网络路由选择方法
CN115623449A (zh) * 2022-08-22 2023-01-17 长沙理工大学 应用于二维与三维场景的车联网中继节点切换机制
CN117579535A (zh) * 2024-01-15 2024-02-20 深圳市宇通联发科技有限公司 传输路径规划方法、装置、系统及介质
CN117579535B (zh) * 2024-01-15 2024-04-09 深圳市宇通联发科技有限公司 传输路径规划方法、装置、系统及介质

Similar Documents

Publication Publication Date Title
CN111683351A (zh) 基于分组接收概率的三维车载自组织网络路由选择方法
Li et al. Adaptive quality-of-service-based routing for vehicular ad hoc networks with ant colony optimization
Gao et al. V2VR: reliable hybrid-network-oriented V2V data transmission and routing considering RSUs and connectivity probability
CN105657777B (zh) 基于链路质量和节点转发能力的路由协议设计方法
Darwish et al. Reliable intersection-based traffic aware routing protocol for urban areas vehicular ad hoc networks
CN108464032B (zh) 以自适应和接合的方式管理水下网络中的节点的路由策略和重传策略的方法及其实现装置
CN105554839B (zh) 一种位置竞争的车载自组织网络多跳广播方法
CN106535280B (zh) 一种基于地理位置的车联网机会路由方法
Zemouri et al. A fast, reliable and lightweight distributed dissemination protocol for safety messages in urban vehicular networks
CN105722176A (zh) 城市场景中有基础设施的车联网大规模异构网络的连通性方法
CN111343608B (zh) 一种基于位置信息的车联网强化学习路由方法
CN111356199B (zh) 一种三维场景中车载自组织网络路由选择方法
CN103987103A (zh) 一种基于博弈论的车辆自组织网络路由选择方法
CN109640369B (zh) 一种基于自适应功率的车载网可靠通信方法
Xu et al. A packet reception probability-based reliable routing protocol for 3D VANET
CN109275154B (zh) 基于双层拓扑路由算法的动态自适应路由路径规划方法
Bauza et al. Power-aware link quality estimation for vehicular communication networks
Xu et al. Link reliability-based adaptive routing for multilevel vehicular networks
CN110932969B (zh) 一种智能电网高级量测系统ami网络抗干扰攻击路由算法
Su et al. Transmission Protocol of Emergency Messages in VANET Based on the Trust Level of Nodes
CN107105388B (zh) 一种基于链路传输能力的跨层车载网路由方法
CN112367378A (zh) 一种基于无人机辅助的车联网信息传输方法
CN109862537A (zh) 车联网社区内通达性方法
CN115209373A (zh) 一种基于二分图匹配策略的车联网任务卸载方法
CN114867081A (zh) 基于中继无人机节点的移动自组网多源传输路由方法

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: 20200918

RJ01 Rejection of invention patent application after publication