CN111836327B - 一种水下传感器网络路由数据传输方法及水下传感器网络 - Google Patents

一种水下传感器网络路由数据传输方法及水下传感器网络 Download PDF

Info

Publication number
CN111836327B
CN111836327B CN202010630938.7A CN202010630938A CN111836327B CN 111836327 B CN111836327 B CN 111836327B CN 202010630938 A CN202010630938 A CN 202010630938A CN 111836327 B CN111836327 B CN 111836327B
Authority
CN
China
Prior art keywords
node
sensor network
underwater sensor
value
routing data
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.)
Active
Application number
CN202010630938.7A
Other languages
English (en)
Other versions
CN111836327A (zh
Inventor
蔡晓军
刘忠洋
蔡文浩
靳文科
董广顺
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202010630938.7A priority Critical patent/CN111836327B/zh
Publication of CN111836327A publication Critical patent/CN111836327A/zh
Application granted granted Critical
Publication of CN111836327B publication Critical patent/CN111836327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2468—Fuzzy queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • H04L45/124—Shortest path evaluation using a combination of metrics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明属于水下传感器网络领域，提供了一种水下传感器网络路由数据传输方法及水下传感器网络。其中，水下传感器网络路由数据传输方法包括获取水下传感器网络拓扑结构相关数据，查询水下传感器网络中的当前节点的所有邻居节点；将每个邻居节点的传输距离、传输角度、剩余能量和累积奖赏作为模糊器的输入，根据模糊规则库推理，去模糊化得到每个邻居节点的Q值，选择Q值最大的邻居节点作为转发节点，同时按照预设学习效率以及最大Q值来更新当前节点的累积奖赏；水下传感器网络中所有节点的累积奖赏初始值均为0。

Description

一种水下传感器网络路由数据传输方法及水下传感器网络
技术领域
本发明属于水下传感器网络领域，尤其涉及一种水下传感器网络路由数据传输方法及水下传感器网络。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
水下传感器网络(UWSNs)由随机分布的节点通过自组织的方式构成。节点包括传感器、数据处理单元和通信模块。UWSNs在科学勘探、商业开发和海岸线保护等领域有着非常重要的应用。尽管水下传感器网络与陆地传感器网络有一些共同的特性，如节点数量多、能量有限，但UWSN在低带宽、高延迟、节点漂浮移动性(导致高网络动态性)、高差错率和三维空间等方面与陆地传感器网络有很大的不同。这些新特性给UWSN的协议设计带来了诸多挑战。
针对水下无线传感器网络中的这些问题，一种基于模糊逻辑决策系统的路由协议被提出。该协议通过考虑三个因素来选择下一跳节点。首先，传输距离D是路由路径选择的重要影响因素，传输距离会影响数据传输的稳定性，因为带宽随着传输距离的增加而减小。其次是传输角度θ，角度越小代表传输方向跟源节点与目标节点连线的夹角越小。源节点最后是邻居节点的剩余能量，尽量可能选择剩余能量多的邻居节点，平衡节点能量消耗，提高网络的生命周期。模糊逻辑推理系统是一种类似于人类推理的推理方法，由模糊化模块、知识库、推理机制和去模糊化模块组成。将上述三个要素作为模糊逻辑决策系统的输入，根据输出结果确定合适的传感器进行报文转发。重复该过程，直到将数据包传输水面上的数据中心。该路由协议在报文投递率、能耗和平均端到端时延等方面均取得了较好的性能。但是该协议存在一些不足，虽然每一次转发都可以选择最优的下一跳节点，但是这种局部最优并不能保证全局最优。如图1所示，源节点s1收集到的数据以多跳的方式传输到汇聚节点sink。汇聚节点sink位于海面之上，之后通过无线电波同样以多跳的方式将数据传输到数据中心。海平面上的传输过程不在本发明讨论之内。从图1可以看到在源节点s1通信范围内有两个邻居节点n1,n2。通过考虑距离、角度、剩余能量因素，发现节点n1比节点n2更适合作为转发节点。但是从全局来看，如果选择n1作为转发节点，会沿着路径A转发报文，经过七次转发才到达汇聚节点sink。而如果一开始选择n2作为转发节点，只需五次转发就能到达sink节点。因此，基于贪心思想每次选择最优的转发节点转发并不能达到全局最优。
综上所述，目前的水下传感器网络路由数据传输路径并不能达到全局最优。
发明内容
为了解决上述问题，本发明的第一个方面提供一种水下传感器网络路由数据传输方法，其在转发节点确定阶段，除了考虑传输距离、传输角度、邻居节点的剩余能量外，将邻居节点的累积奖赏作为模糊逻辑的一个新输入，从而确定更合理的转发节点，全局优化水下传感器网络路由数据传输路径。
为了实现上述目的，本发明采用如下技术方案：
一种水下传感器网络路由数据传输方法，包括：
获取水下传感器网络拓扑结构相关数据，查询水下传感器网络中当前节点的所有邻居节点；
将每个邻居节点的传输距离、传输角度、剩余能量和累积奖赏作为模糊器的输入，根据模糊规则库推理，去模糊化得到每个邻居节点的Q值，选择Q值最大的邻居节点作为转发节点，同时按照预设学习效率以及最大Q值来更新当前节点的累积奖赏；水下传感器网络中所有节点的累积奖赏初始值均为0。
为了解决上述问题，本发明的第二个方面提供一种水下传感器网络，其中的水下传感器网络路由数据传输路径能达到全局最优。
为了实现上述目的，本发明采用如下技术方案：
一种水下传感器网络，其采用如上述所述的水下传感器网络路由数据传输方法进行数据传输。
本发明的有益效果是：
本发明的水下传感器网络路由数据传输方法，适用于所有节点均存在邻居节点的水下传感器网络；该水下传感器网络路由数据传输方法将每个邻居节点的传输距离、传输角度、剩余能量和累积奖赏作为模糊器的输入，减少了网络整体的能量传输消耗、降低了网络延迟、均衡了节点的能量消耗，提高了网络整体的生命周期；
而且当前节点确定转发节点后，会根据转发节点的模糊逻辑输出，以一定的学习速率更新自身的累积奖赏，从而使得水下传感器网络路由数据传输路径能达到全局最优。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的水下传感器节点示意图；
图2是本发明实施例的水下传感器网络路由数据传输方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
在水下传感器网络中，固定的底部安装的节点在部署时具有位置信息，而移动节点，例如自主水下机器人(AUV)，则配备了内部导航系统，因此网络中的传感器节点能确定自己的位置。此外，源节点还知道其期望的最终目的sink节点的位置，但不知道其他节点的位置。由于漂移，每个节点的位置可能会随时间改变。
在强化学习中函数V(x)表示从状态x出发得到的累积奖赏，称为“状态值函数”。在水下无线传感器网络中引入V(x)函数概念，每个传感器节点维持一个V(i)值，表示从当前i节点出发到达sink节点的路径的最大累积奖赏，该值为负值，路径上节点数越多，V(i)就会越小。V(i)值会根据确定的下一跳节点的反馈来更新。在节点i上通过模糊逻辑系统确定报文的转发节点时，将邻居节点的V(i+1)值作为模糊逻辑系统的一个输入，这样模糊逻辑系统在推理确定转发节点时不仅考虑传输距离、传输角度、剩余能量三个因素，还会考虑由V(i+1)传达的全局信息。节点定期与邻居节点交换信息，维护邻居节点的距离、角度、能量剩余和累积奖赏V信息。
结合附图2所示，本实施例的水下传感器网络路由数据传输方法，包括：
步骤1：获取水下传感器网络拓扑结构相关数据，查询水下传感器网络中当前节点的所有邻居节点；
步骤2：将每个邻居节点的传输距离、传输角度、剩余能量和累积奖赏作为模糊器的输入，根据模糊规则库推理，去模糊化得到每个邻居节点的Q值，选择Q值最大的邻居节点作为转发节点，同时按照预设学习效率以及最大Q值来更新当前节点的累积奖赏；水下传感器网络中所有节点的累积奖赏初始值均为0。
在具体实施中，模糊器执行隶属函数，该隶属函数将四个输入转换为推理机所需的合适的语言值。
模糊器的四个输入分别是传输距离D、传输角度θ、剩余能量E、累积奖赏V。传输距离表示当前节点与邻居节点的距离；剩余能量表示邻居节点的剩余能量。
传输角度表示第一连线与第二连线之间的夹角，第一连线为当前节点与邻居节点的连线，第二连线为当前节点与sink节点的连线；如图1所示，θ1表示邻居节点n1的角度，θ2表示邻居节点n2的角度。
当前i节点的累积奖赏V(i)表示从当前i节点出发到达sink节点这条路径的累积奖赏，值的大小反映出该路径的优劣，累积奖赏的初始化为0。
在第i个传感器处建立的模糊逻辑推理系统的输入输出映射可以表示为：
P＝fli(D,θ,R,V) (1)
模糊器采用三角形或梯形的隶属函数。用“短”、“中”和“长”三个语言术语集表示传输距离D，用“小”、“中”和“大”表示角度θ，用“低”和“高”表示剩余能量R，用“小”、“中”和“大”表示累积奖赏V。用推理机的输出参数是指传感器作为向目的地转发数据包的中间节点的适当性。输出范围介于-100和0之间。
模糊器采用三角形或梯形的隶属函数，降低了计算复杂度。传输距离、传输角度、累积奖赏的隶属函数定义为：
Figure BDA0002568646560000071
Figure BDA0002568646560000072
Figure BDA0002568646560000073
其中，fS(x)表示传输距离短的隶属于度函数，也表示传输角度小的隶属于度函数，也表示累积奖赏少的隶属于度函数。
fM(x)表示传输距离中的隶属于度函数，也表示传输角度中的隶属于度函数，也表示累积奖赏中的隶属于度函数。
fB/L(x)表示传输距离长的隶属于度函数，也表示传输角度大的隶属于度函数，也表示累积奖赏多的隶属于度函数。
剩余能量的隶属度函数定义为：
Figure BDA0002568646560000081
Figure BDA0002568646560000082
fL(x)表示剩余能量低的隶属度函数；
fH(x)表示剩余能量高的隶属度函数。
模糊规则库：模糊规则库由一组语言控制规则和相应的控制目标组成。
模糊规则库设计如下：
表1.推理引擎使用的规则库
Figure BDA0002568646560000083
Figure BDA0002568646560000091
模糊规则库如表1所示，距离、角度、剩余能量、节点累积奖赏的模糊集大小分别为3、3、2、3。所以共有54个规则。由于篇幅限制，只列出部分规则。
模糊推理机制根据模糊控制规则和相关的输入语言参数模拟人的决策。
模糊逻辑推理包括模糊逻辑运算和模糊规则库中的规则来重新组合。将输入通过模糊化模块分解出各个隶属度后，按照某种法则进行运算。比如“最小隶属度法”、“最大隶属度法”等等。最小隶属度法就是选择隶属度最小的值作为运算结果。
模糊规则库如表1所示，例如表中第五行所示，剩余能量为高,传输距离为“长”，传输角度为“小”，累积奖赏为“中”，输出的适当性为“中”。模糊规则库的设计体现出如下思想：当传输距离、传输角度、剩余能量情况都很好时，应该增大累积奖赏V对确定转发节点的影响。相反当传输距离、传输角度、剩余能量情况很糟糕时，应该减少累积奖赏V对确定转发节点的影响。
去模糊器从推断的模糊控制动作中获取聚合语言值，并生成表示候选传感器的非模糊控制输出。
通过最小隶属度法得到和模糊规则得到若干个Fire Strength(FS)。例如FS(“中”)＝-0.6。但是得到的若干FS值不能直接用来解决实际问题。我们需要输出一个确定的数值，依据该数值确定下一跳转发节点。去模糊化采用加权平均判决法，公式如下：
Figure BDA0002568646560000101
其中，i表示节点i，OW表示权重，设置为“适当性”集合的中间值。例如，在传输距离中，
Figure BDA0002568646560000102
Figure BDA0002568646560000103
计算每个邻居节点的Q值，选择Q值最大的邻居节点作为转发节点。同时，通过公式(8)更新累积奖赏。
V′(i)＝V(i)+α[max{Qi}-V(i)] (8)
其中V′(i)表示更新后的累积奖赏；α表示学习效率。
本实施例提出的路由协议在模糊逻辑系统的基础上引入了强化学习的思想，在转发节点确定阶段，除了考虑传输距离、传输角度、邻居节点的剩余能量外，将邻居节点的累积奖赏作为模糊逻辑的一个新输入，从而确定更合理的转发节点。当前节点确定转发节点后，会根据转发节点的模糊逻辑输出，以一定的学习速率更新自身的累积奖赏，从而使得水下传感器网络路由数据传输路径能达到全局最优。
本实施例还提供了一种水下传感器网络，其采用如上述所述的水下传感器网络路由数据传输方法进行数据传输。
该水下传感器网络的路由数据传输路径能达到全局最优。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种水下传感器网络路由数据传输方法，其特征在于，包括：
获取水下传感器网络拓扑结构相关数据，查询水下传感器网络中当前节点的所有邻居节点；
将每个邻居节点的传输距离、传输角度、剩余能量和累积奖赏作为模糊器的输入，根据模糊规则库推理，去模糊化得到每个邻居节点的Q值，选择Q值最大的邻居节点作为转发节点，同时按照预设学习效率以及最大Q值来更新当前节点的累积奖赏；水下传感器网络中所有节点的累积奖赏初始值均为0。
2.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，采用加权平均判决法去模糊化得到每个邻居节点的Q值。
3.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，当前节点更新后的累积奖赏等于Q值最大值与当前节点的当前累积奖赏差值与学习效率相乘后再累加当前节点的当前累积奖赏。
4.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，模糊规则库的设计规则为：
当传输距离为“短”、传输角度为“小”和剩余能量为“高”时，增大累积奖赏对确定转发节点的影响；相反当传输距离为“长”、传输角度为“大”、剩余能量为“低”时，减少累积奖赏对确定转发节点的影响。
5.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，模糊器采用三角形的隶属函数。
6.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，模糊器采用梯形的隶属函数。
7.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，传输距离表示当前节点与邻居节点的距离。
8.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，传输角度表示第一连线与第二连线之间的夹角，第一连线为当前节点与邻居节点的连线，第二连线为当前节点与sink节点的连线。
9.如权利要求1所述的一种水下传感器网络路由数据传输方法，其特征在于，当前节点的累积奖赏表示从当前节点出发到达sink节点这条路径的累积奖赏，值的大小反映出该路径的优劣，累积奖赏的初始化为0。
CN202010630938.7A 2020-07-03 2020-07-03 一种水下传感器网络路由数据传输方法及水下传感器网络 Active CN111836327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010630938.7A CN111836327B (zh) 2020-07-03 2020-07-03 一种水下传感器网络路由数据传输方法及水下传感器网络

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010630938.7A CN111836327B (zh) 2020-07-03 2020-07-03 一种水下传感器网络路由数据传输方法及水下传感器网络

Publications (2)

Publication Number Publication Date
CN111836327A CN111836327A (zh) 2020-10-27
CN111836327B true CN111836327B (zh) 2022-05-17

Family

ID=72899674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010630938.7A Active CN111836327B (zh) 2020-07-03 2020-07-03 一种水下传感器网络路由数据传输方法及水下传感器网络

Country Status (1)

Country Link
CN (1) CN111836327B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112954769B (zh) * 2021-01-25 2022-06-21 哈尔滨工程大学 基于强化学习的水下无线传感器网络路由方法
CN114598946B (zh) * 2022-01-24 2023-02-10 西安电子科技大学 一种基于模糊逻辑的片上光网络自适应路由规划方法
CN114710817A (zh) * 2022-02-23 2022-07-05 广东技术师范大学 水下网络数据传输路径确定方法、传输方法、装置及设备
CN115665765B (zh) * 2022-09-08 2023-09-12 中原工学院 基于模糊推理的多无人机传感器网络多信道时延优化方法
CN115843083B (zh) * 2023-02-24 2023-05-12 青岛科技大学 基于多智能体强化学习的水下无线传感器网络路由方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106658641A (zh) * 2016-12-28 2017-05-10 上海海事大学 一种分布式无线传感网络分簇路由方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902349B2 (en) * 2016-06-21 2021-01-26 Sri International Systems and methods for machine learning using a trusted model
US10762424B2 (en) * 2017-09-11 2020-09-01 Sas Institute Inc. Methods and systems for reinforcement learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106658641A (zh) * 2016-12-28 2017-05-10 上海海事大学 一种分布式无线传感网络分簇路由方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
传感网络中基于Agent的数据汇集多径路由策略;孙艳峰等;《计算机与信息技术》;20071220(第12期);全文 *

Also Published As

Publication number Publication date
CN111836327A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111836327B (zh) 一种水下传感器网络路由数据传输方法及水下传感器网络
Peng et al. Interval type-2 fuzzy logic based transmission power allocation strategy for lifetime maximization of WSNs
Chettibi et al. Dynamic fuzzy logic and reinforcement learning for adaptive energy efficient routing in mobile ad-hoc networks
CN111698705B (zh) 一种基于能量优化的无线传感器网络非均匀分簇路由方法
CN108075975B (zh) 一种物联网环境中的路由传输路径的确定方法及确定系统
CN112954769B (zh) 基于强化学习的水下无线传感器网络路由方法
Rahmani et al. OLSR+: A new routing method based on fuzzy logic in flying ad-hoc networks (FANETs)
CN111510956B (zh) 一种基于分簇和增强学习的混合路由方法、海洋通信系统
CN110740487B (zh) 一种能量有效且避障的水下路由方法
Khan et al. Intelligent cluster routing scheme for flying ad hoc networks
CN111818553B (zh) 基于模糊逻辑的无线传感器网络改进多跳leach协议的数据传输方法
Fanian et al. Fuzzy multi-hop clustering protocol: Selection fuzzy input parameters and rule tuning for WSNs
CN113163466B (zh) 基于模糊决策树的自适应鱼群寻路包路由方法
Zhu et al. A reinforcement-learning-based opportunistic routing protocol for energy-efficient and Void-Avoided UASNs
Limouchi et al. BEFLAB: Bandwidth efficient fuzzy logic-assisted broadcast for VANET
CN114339936A (zh) 基于q学习的飞行器自组织网络优化链路状态路由机制
CN109348518B (zh) 水声协作通信网络中运用人工鱼群算法寻找路由的方法
CN114501576A (zh) 一种基于强化学习的sdwsn最优路径计算方法
Bozorgi et al. A smart optimizer approach for clustering protocol in UAV-assisted IoT wireless networks
Chaudhary et al. Internet of underwater things: challenges, routing protocols, and ML algorithms
Hosseinzadeh et al. A greedy perimeter stateless routing method based on a position prediction mechanism for flying ad hoc networks
CN104853365A (zh) 一种基于有损链路状态预测的无线传感网拓扑构建方法
CN114641049A (zh) 一种基于模糊逻辑的无人机自组网分层路由方法
CN110458293B (zh) 一种优化网络延迟的分布式admm机器学习方法
Mahalakshmi et al. An adaptive routing in flying Ad-hoc networks using FMCC protocol

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
GR01 Patent grant
GR01 Patent grant