CN113163466B - 基于模糊决策树的自适应鱼群寻路包路由方法 - Google Patents

基于模糊决策树的自适应鱼群寻路包路由方法 Download PDF

Info

Publication number
CN113163466B
CN113163466B CN202110449658.0A CN202110449658A CN113163466B CN 113163466 B CN113163466 B CN 113163466B CN 202110449658 A CN202110449658 A CN 202110449658A CN 113163466 B CN113163466 B CN 113163466B
Authority
CN
China
Prior art keywords
node
decision tree
fuzzy
nodes
attribute
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
CN202110449658.0A
Other languages
English (en)
Other versions
CN113163466A (zh
Inventor
唐碧华
汤梦珍
方宏昊
渠宇霄
吕秀莎
邹新颖
曲宗正
张洪光
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts 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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110449658.0A priority Critical patent/CN113163466B/zh
Publication of CN113163466A publication Critical patent/CN113163466A/zh
Application granted granted Critical
Publication of CN113163466B publication Critical patent/CN113163466B/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
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/246—Connectivity information discovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公布了一种大规模应用场景下的基于模糊决策树的自适应鱼群寻路包路由方法。主要解决飞行自组网中的端到端时延问题。所述的方法包括：应用模糊决策树进行跳数预测，通过离线训练模糊决策树模型。属性模糊阶段采用三角模糊函数对输入属性进行语义划分，离线训练阶段采用ID3算法进行决策树建立。为了更新节点信息采用基于鱼群算法的自适应Hello包广播机制，从基站开始逐跳广播Hello包，达到节能和降低冲突的目的。为了保证较高的传输成功率，采用了指数加权平均移动法进行最优节点的预测，指数加权平均对过去历史信息做均值处理的时候加上指数相关的权重，离当前时间越近的历史信息数据权重越大，离当前时间越远的历史信息数据权重越小。

Description

基于模糊决策树的自适应鱼群寻路包路由方法
技术领域
本发明属于移动机器人自组网领域，特别涉及大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法。
背景技术
传统无人机网络通常由几个无人机组成集中式的网络结构，随着无人机技术的发展，无人机技术的研究从单一无人机应用转向了多无人机应用，网络规模不断扩大。大规模一方面意味着应用场景范围很大，例如一个大范围场景的监控应用，更多时候意味着无人机数量很多，因此大规模无人机网络要求路由协议具有良好的可扩展性，能够在加入更多新无人机时也能保证较高的网络性能。同时由于大规模网络路由跳数增多、传输冲突增大，因此还要求路由协议具有较低的开销、能耗均衡、减少传输冲突。大规模无人机系统的具体应用包括但不限于协同搜救，地形/空间探索、部署传感网络、无人机编队飞行。相比传统自组织网络，由无人机组成的飞行自组织网络通常要求无人机分为较小的群体完成任务，而在这个过程中普通的实体移动模型已经不再适用于描述节点的移动，群体移动模型更加适用。
模糊决策树是机器学习的一种，它是一种监督学习，所谓监督学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。
移动自组织网络具有移动性，节点的移动性受移动模型的影响，不同的移动模型具有不同的移动特征。无线传感器网络中的节点由于易携带性，一般尺寸都很小，所以节点的能量、存储空间和计算能力都十分有限。若现实网络中遇到意外状况，导致网络中节点因突发事件或能量耗尽而经历死亡，会对网络的拓扑结构造成一定的影响。在目标场景中为了提高网络的可靠性、减少区域的盲区，会部署大量的传感器节点来覆盖目标区域。在移动自组织网络中，节点一般采取分布式的算法，通过多跳自组织的形式构建路由。
随着无人机技术的发展，越来越多大规模无人机的应用需要保证无人机之间高质量的通信。然而，无人机网络的快速移动性和高度动态的拓扑结构给网络的可扩展性带来了挑战，从而限制了网络的性能和可靠性。因此研究人员针对无人机网络设计的路由协议通过包含无人机网络特有的功能和特点进行改进。由于无人机的高机动性、频繁的拓扑变化等特性，使得路由在FANETs中成为一项具有挑战性的任务。平面无人机群组网路由协议大致可以分为基于拓扑的路由协议，基于地理位置的路由协议和延迟容忍路由协议。随着无线自组网研究和多无人机协同作战的发展,无人机自组网已成为新的研究热点,复杂战场环境下节点高速移动性和网络拓扑结构高动态性对无人机自组网的通信组网技术提出了新的挑战。
发明内容
本发明实例提供大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法。该方法通过离线训练获取模糊决策树模型，在线使用模糊决策树模型预测跳数，通过选择最小跳数的邻居作为候选节点集来保证逐跳选择的邻居到基站具有最小的跳数，在选择候选节点集后通过指数加权移动平均的方法来预测候选节点集中传输成功率最优的节点作为最优下一跳。对于群体移动模型而言，分组移动的模式可能会使群组之间的距离频繁变化，当群组之间无法建立通信时，选取合适的成员节点充当中继，建立群组与群组的连接，从而提高网络的可靠性。
为了达到上述目的，本发明实例提供了大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法。模糊决策树和指数加权移动平均方法用于下一跳决策，鱼群算法用于自适应广播包转发，方法包括：
根据移动自组织网络进行模型建立，将网络模型、能耗模型及移动模型应用到移动自组织网络模型之中。
具体的，无人机群在区域中进行群体移动，基站是唯一的且在区域中自由移动。群内无人机均可互相通信，群间无人机间通信间歇性连接，因此网络具有机会网络的间歇性连接特性。无人机具有内存空间可以缓存数据包，当发现网络连接断开时将数据包放入缓存，当网络连通时传输数据。在网络模型中，节点和基站都是移动的，基站在区域中处于不断移动状态，节点可在固定区域内移动检测附近的环境信息。在该模型中，节点发送数据和接收数据都需要能量。发送端能量消耗与数据大小、传输距离以及功率放大器的能耗有关，接收端能量消耗与接收数据和传输距离有关。如果发射机和接收机之间的距离小于阈值d0，则使用自由空间模型。如果不是，则采用多径衰落信道模型。
Figure GDA0003835987660000031
Figure GDA0003835987660000032
其中k是数据包大小，单位为bit，d是两节点之间的距离，
Figure GDA0003835987660000033
和
Figure GDA0003835987660000034
是每个节点单独运行发射机和接收机电路的能量耗散。εfs是自由空间信道模型的信号放大因子，εmp是多径衰落信道模型的信号放大因子。d0是区分两种模型的边界条件阈值为：
Figure GDA0003835987660000041
在移动模型中，我们使用的群体移动模型是参考点组移动模型。参考点组移动模型中，网络分成多个组。对于每个组，组内存在一个目标，组内的节点根据其目标进行移动，并保持一定的约束。网络根据需要分为特定的几组，组内节点的速度控制在0至最大速度之间，节点的方向控制在0至2π之间。由于组内存在目标点，这使得组内节点保持受限的随机运动。参考点组移动模型中。每个组内都存在一个参考点，每当一个组成员的参考点移动到一个新的位置，这个组成员也移动到一个随机选择的位置，这个位置在其新的参考点位置周围半径为R的圆形邻域内。同时在每个小组覆盖区域的中心是一个逻辑引导点，它的运动定义了整个小组的运动，包括速度、方向和加速度。逻辑引导点基于特定的实体移动性模型。参考点跟在逻辑引导点周围，并与逻辑引导点保持恒定的距离和方向，每个逻辑引导点引导一个或多个参考点。节点的速度大小和方向更新公式如下：
v∈(vmin,vmax) (4)
θ∈(0,2π) (5)
假设基站的初始位置为(x0,y0)，t时刻后的坐标为：
Figure GDA0003835987660000042
应用模糊决策树模型进行跳数预测，可以利用分布式的信息进行端到端的跳数预测。
具体的模糊决策树是一个树结构，其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。模糊决策树将模糊理论引入到决策树算法中，以提高决策树的处理数值属性和不确定问题的能力。设数据集S＝{S1,S2,···Sn}是离散值域X上的集合，模糊属性集为A＝{A1,A2,···Am}，属性Aj的术语V(Aj)＝{Vj1,Vj2,···Vjk}，其中1≤j≤m。划分类为C＝{C1,C2,···Ck}。第i个实例C＝{C1,C2,···Ck}对于第j个属性的隶属度为Uij，表示定义在V(Aj)上的模糊子集。
通过分布式信息作为输入特征属性建立模糊决策树，具体考虑的属性如下。1、Hopupdat是邻居节点的跳数信息，由于节点的高移动性和规模大，维护的跳数在实际使用时可能已经发生了改变，但是跳数的改变也是有限的，因此维护的跳数将是预估跳数的重要决策属性。2、U_time是跳数更新时间间隔，是指更新跳数的时刻到现在的时间间隔。3、Direct是节点速度方向，邻居节点移动是靠近还是远离基站对跳数改变有重要的影响，直观来说，当邻居节点靠近基站移动时，更有机会和基站建立更短跳数的路由。4、Speed是节点移动速度，跳数的变化正是由于节点的移动造成的，因此节点的移动性是预估跳数的重要决策属性。5、LET是链路过期时间，通过移动节点之间的距离、移动节点的速度和移动方向来计算移动节点的LET。6、Prog是前向距离，前向距离是指节点到邻居节点的连线在节点到基站方向上连线的投影。7、Degree是邻居节点度，指的是邻居节点的个数，这个指标可以反映网络密度，在网络密度较大的场景中，邻居跳数的差值较小，在网络密度较小的场景中，邻居跳数的差值较大，所以邻居节点度也会影响跳数的变化。
模糊决策树的训练标签采用实际传输到基站的跳数，如果传输失败则把标签设置为跳数阈值HopThres＝10。采用式(7)～(9)处理属性数据，每个属性值属于第个属性术语的隶属度函数为：
Figure GDA0003835987660000061
Figure GDA0003835987660000062
Figure GDA0003835987660000063
其中，
Figure GDA0003835987660000064
表示三角模糊数中心。根据隶属度函数对本文的输入属性进行模糊语义定义，其中跳数属性本身是离散变量不进行模糊处理。
U_time(短、较短、中等、较长、长)，Direct(靠近基站、远离基站)，Speed(慢、中、快)，LET(短、中等、长)，Prog(三成进度，五成进度，七成进度，全进度)，Degree(稀疏、均匀、密集)。
采用ID3算法构造决策树，ID3算法的核心是以信息增益来度量属性的选择，选择信息增益最大的属性进行分裂，要计算每个模糊化属性的信息增益，需要计算数据集的熵和单个属性的熵，ID3算法生成决策树步骤如下。
Step1：计算所有模糊化属性的信息增益，要计算每个属性的信息增益，需要计算数据集的熵和单个属性的熵。数据集的熵E(s)计算公式如下：
Figure GDA0003835987660000071
目标分类是实际传输到基站的跳数Hopfact，C是划分类集合1～10跳，s是数据集，pi是数据集中每种分类的概率。
Step2：单个属性的熵EAi(s)计算公式如下：
Figure GDA0003835987660000072
其中Ai是模糊属性集A的第i种属性，v是属性Ai的取值集合，j是代表属性Ai的第j种取值，sj代表数据集中属性Ai的值为j的数据量。例如对于属性Speed(低速、中速、高速)，假设数据集数量为100条数据，其中低速有20条，其中有划分类为2跳的有5条，划分类为3跳的有15条，则E(sj)＝-(0.25)log20.25-(0.75)log20.75。
Step3：由此得到的属性Ai的信息增益公式如下所示：
Figure GDA0003835987660000073
对计算出的各属性值的信息增益，每次选取增益比例最大且又不低于所有属性平均值的属性作为树的节点。
Step4：若无更多属性或者数据集全部划分为一类，则该节点为叶节点，否则重复Step1～Step3。
模糊决策树训练的本质是从数据集中国归纳出一组分类规则，从根节点到叶节点代表一条分类规则，叶节点的数量等于分类规则的数量，叶节点的种类等于划分种类。
采用基站周期性逐跳广播Hello包(H_Pkt)的方式更新邻居表信息。H_Pkt中包含了广播包的ID、发送广播节点的ID、IP地址、节点速度、节点位置、广播发送时间、跳数信息以及加权指数平均窗口的当前更新值。当节点第一次收到H_Pkt时，首先提取包内H_ID信息，如果该节点第一次收到广播包ID为H_ID的广播包，则生成一个H_ID，其余内容为本节点信息的H_Pkt并广播，这样即可实现从BS发出并逐跳广播到全网连通节点的一次路由信息更新。节点收到H_Pkt之后通过信息素模型判断是否来自同一个鱼群，如果来自同一个鱼群则以小于1的概率转发该包，如果来自不同鱼群则以概率1转发该包。
由于节点的高移动性以及大规模网络端到端路由链路较长的特性，周期性更新的跳数信息随着时间的推移快速过时而不可用，如果使用了过时的跳数信息可能会导致数据包的路由选择经历了更多的跳数，这不仅会造成端到端时延性能下降而且更多的转发也带来了更高的丢包可能性。因此准确预测实时的跳数信息可以有效降低大规模网络端到端时延，因此本文采取模糊决策树来预测邻居节点到基站的跳数。遍历邻居节点，将预测的跳数信息保存在本地并从邻居节点中选择出预测跳数最小的邻居加入候选转发节点集。
在转发过程中采用指数加权平均移动的方法预测单跳转发成功率，单跳转发成功率与单跳时延和传输成功率相关。为了得到单跳时延，采用ACK反馈机制，每个成功接收的数据包都会由接收节点j反馈ACK包到发送节点i，ACK包中带有接收时间戳信息，因此发送节点i通过接收时间减去发送时间可以得到本次传输的单跳时延delayij。
转发成功率的定义应该要与传输单跳时延相关，这样保证了预测目标是在转发成功率高的同时保证了单跳时延较低，如下所示是本次传输转发成功率Rij的定义：
Figure GDA0003835987660000091
通过指数加权平均移动法进行转发成功率预测，指数加权平均移动公式定义如下：
Wij(n)＝(1-β)Wij(n-1)+βRij (14)
其中，β表示可调权重系数，Wij(n)表示第n次传输转发成功率的预测值，Rij表示上一次传输转发成功率的反馈值。
表示第n次传输转发成功率的预测值，Rij表示上一次传输转发成功率的反馈值。
通过模糊决策树可以得到通过每个邻居传递数据包的预期跳数，将具有当前最小预期跳数的节点加入候选转发节点集合，当集合中有多个节点时需要从中选择出一个最优的邻居来传输文采用指数加权移动平均以历史转发成功率作为度量，从预估跳数最小的邻居集合中选出预测传输成功率最高的节点作为最优转发决策。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实例提供的大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法的流程示意图；
图2为本发明实例提供整体框图；
图3为本发明实例提供的模糊决策树示意图；
图4为本发明实例提供的鱼群算法自适应广播Hello包示意图。
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。
依据附图，对本发明的技术方案具体说明。
所述的大规模应用场景下基于模糊决策树的自适应鱼群寻路包路由方法：
S101，根据移动自组织进行模型建立，将网络模型、能耗模型及移动模型应用到移动自组织网络模型之中。
网络模型定义了数据的传输过程，集群内的节点将收集到的信息传输给簇头，簇头间建立路由将收集到的信息传输到基站，还可以成员节点作为中继路由，以此来建立连接。能耗模型描述了数据传输过程中的能量消耗，如果发射机和接收机之间的距离小于阈值d0，则使用自由空间模型。如果不是，则采用多径衰落信道模型。移动模型描述了节点的不稳定运动，设置模拟边界。
S102，应用模糊决策树进行跳数预测。
决策树是一个树结构，其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。模糊决策树将模糊理论引入到决策树算法中，以提高决策树的处理数值属性和不确定问题的能力。
S103，应用三角模糊函数对输入属性进行模糊语义定义。
S104，使用ID3算法构造决策树。
ID3算法的核心是以信息增益来度量属性的选择，选择信息增益最大的属性进行分裂，要计算每个模糊化属性的信息增益，需要计算数据集的熵和单个属性的熵，具体见图3。
S105，基于鱼群算法自适应广播Hello包。具体见图4
具体的，采用基站周期性逐跳广播Hello包(H_Pkt)的方式更新邻居表信息。H_Pkt中包含了广播包的ID、发送广播节点的ID、IP地址、节点速度、节点位置、广播发送时间、跳数信息以及加权指数平均窗口的当前更新值。当节点第一次收到H_Pkt时，首先提取包内H_ID信息，如果该节点第一次收到广播包ID为H_ID的广播包，则生成一个H_ID，其余内容为本节点信息的H_Pkt并广播，这样即可实现从BS发出并逐跳广播到全网连通节点的一次路由信息更新。节点收到H_Pkt之后通过信息素模型判断是否来自同一个鱼群，如果来自同一个鱼群则以小于1的概率转发该包，如果来自不同鱼群则以概率1转发该包。
S106，基于指数加权平均移动法进行转发成功率预测。在转发过程中采用指数加权平均移动的方法预测单跳转发成功率，单跳转发成功率与单跳时延和传输成功率相关，为了得到单跳时延，采用ACK反馈机制。
S107，基于模糊决策树和指数加权移动平均得到最优转发节点决策。通过模糊决策树可以得到通过每个邻居传递数据包的预期跳数，将具有当前最小预期跳数的节点加入候选转发节点集合，当集合中有多个节点时需要从中选择出一个最优的邻居来传输文采用指数加权移动平均以历史转发成功率作为度量，从预估跳数最小的邻居集合中选出预测传输成功率最高的节点作为最优转发决策。
本发明假设节点按照组参考点群体移动模型随机分布，无人机群在区域中进行群体移动，基站是唯一的且在区域中自由移动。群内无人机均可互相通信，群间无人机间通信间歇性连接，因此网络具有机会网络的间歇性连接特性。无人机具有内存空间可以缓存数据包，当发现网络连接断开时将数据包放入缓存，当网络连通时传输数据。在现场部署传感器节点之后，节点可在固定的区域内移动检测附近的环境信息。本发明考虑群体移动场景下，如何保证数据的有效传输。考虑实际情况，做如下假设：
(1)节点具有相等的初始能量和计算能力，其地位对等；
(2)节点在区域内是随机部署的，符合群体移动模型初始化特征；
(3)网络中所有节点都是移动的，包括基站和其他节点；
(4)节点知道自己的属性(例如剩余能量、速度和方向等)；
(5)节点根据接收到的信号强度调整发射功率且节点之间通信链路是对称的。

Claims (7)

1.基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，包括以下步骤：
第一步，移动自组织网络具有移动性，节点的移动性受移动模型的影响，在移动自组织网络中，节点采取分布式的算法，通过多跳自组织的形式构建路由；根据移动自组织网络进行模型建立，将网络模型、能耗模型及移动模型应用到所述移动自组织网络的模型之中；
第二步，应用模糊决策树进行跳数预测，模糊决策树是一个树结构，其每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别，利用分布式的信息进行端到端的跳数预测；通过离线训练模糊决策树模型，设数据集S＝{S1,S2,···Sn}是离散值域X上的集合，模糊属性集为A＝{A1,A2,···Am}，属性Aj的术语V(Aj)＝{Vj1,Vj2,···Vjk}，其中1≤j≤m；划分类为C＝{C1,C2,···Ck}；第i个实例Si对于第j个属性的隶属度为Uij，表示定义在V(Aj)上的模糊子集；
第三步，应用三角模糊函数对输入属性进行模糊语义定义，每个属性值x(Ai)属于第j个属性术语的三角模糊函数为；
Figure FDA0003835987650000011
Figure FDA0003835987650000012
Figure FDA0003835987650000013
其中，
Figure FDA0003835987650000014
表示三角模糊函数参数；
第四步，使用ID3算法构造模糊决策树，计算每个模糊化属性的熵E(S)以及信息增益Gain(S,Ai)，采用信息增益来度量属性的选择，选择信息增益最大的属性进行分裂，对计算出的各属性值的信息增益，每次选取增益比例最大且又不低于所有属性平均值的属性作为模糊决策树的节点，若无更多属性或者数据集全部划分为一类，则模糊决策树的节点为叶节点；
Figure FDA0003835987650000021
Figure FDA0003835987650000022
c是划分类集合1～10跳，s是数据集，pi是数据集中每种分类的概率，
Figure FDA0003835987650000023
是模糊属性Ai的熵；
第五步，基于鱼群算法自适应广播Hello包，根据鱼群算法产生的信息素模型，属于同一鱼群的节点收到Hello包后以小于1的概率转发Hello包，不同鱼群的节点收到Hello包后以概率1转发；基于鱼群算法自适应广播Hello包，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，每个数据包都分泌信息素，通过信息素对节点进行鱼群分类，不同鱼群的节点完全转发Hello包，同一鱼群的节点概率转发Hello包；
第六步，基于指数加权平均移动法进行转发成功率预测；转发成功率的定义与传输单跳时延相关
Figure FDA0003835987650000024
Wij(n)＝(1-β)Wij(n-1)+βRij (7)
其中，β表示可调权重系数，Wij(n)表示第n次传输转发成功率的预测值，Rij表示上一次传输转发成功率的反馈值；
第七步，基于模糊决策树和指数加权平均移动得到最优转发节点决策，模糊决策树得到通过每个邻居传递数据包的预估跳数，将具有当前最小预估跳数的节点加入候选转发节点集合，当集合中有多个节点时需要从中选择出一个最优的邻居来传输采用指数加权平均移动以历史转发成功率作为度量，从预估跳数最小的邻居集合中选出预测传输成功率最高的节点作为最优转发决策。
2.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，所述移动自组织网络的模型建立；具体是，网络模型定义了节点和基站的移动状态，规定了节点传输数据的方式，确定了路由机制；
能耗模型定义了边界条件阈值d0；
Figure FDA0003835987650000025
εfs是自由空间信道模型的信号放大因子，εmp是多径衰落信道模型的信号放大因子；
如果发射机和接收机之间的距离小于阈值d0，则使用自由空间模型；如果不是，则采用多径衰落信道模型；
移动模型描述了节点的不稳定运动，节点随机选择行进的方向和速度，新的速度和方向在预定范围中选择；所选择的群体移动模型是参考点组移动模型；参考点组移动模型中，移动自组织网络中的节点分成多个组；对于每个组，组内存在一个目标，组内的节点根据其目标进行移动，并保持一定的约束；移动自组织网络根据需要分为特定的几组，组内节点的速度控制在0至最大速度之间，节点的方向控制在0至2π之间；由于组内存在目标点，这使得组内节点保持受限的随机运动；参考点组移动模型中随机速度和随机方向的选择如下：
v∈(vmin,vmax) (9)
θ∈(0,2π) (10)。
3.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，应用模糊决策树进行跳数预测，通过离线训练模糊决策树模型；将分布式信息作为输入特征属性建立模糊决策树，具体考虑的属性如下：
1)Hopupdat是邻居节点的跳数信息，由于节点的高移动性和规模大，维护的跳数在实际使用时已经发生了改变，但是跳数的改变也是有限的，因此维护的跳数将是预估跳数的重要决策属性；
2)U-time是跳数更新时间间隔，是指更新跳数的时刻到现在的时间间隔；
3)Direct是节点速度方向，邻居节点移动是靠近还是远离基站对跳数改变有重要的影响，直观来说，当邻居节点靠近基站移动时，更有机会和基站建立更短跳数的路由；
4)Speed是节点移动速度，跳数的变化正是由于节点的移动造成的，因此节点的移动性是预估跳数的重要决策属性；
5)LET是链路过期时间，通过移动节点之间的距离、移动节点的速度和移动方向来计算移动节点的LET；
6)Prog是前向距离，前向距离是指节点到邻居节点的连线在节点到基站方向上连线投影的距离；
7)Degree是邻居节点度，指的是邻居节点的个数，这个指标能够反映网络密度，在网络密度较大的场景中，邻居跳数的差值较小，在网络密度较小的场景中，邻居跳数的差值较大，所以邻居节点度也会影响跳数的变化；
模糊决策树的训练标签采用实际传输到基站的跳数，如果传输失败则把标签设置为跳数阈值HopThres＝10。
4.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，应用三角模糊函数对输入属性进行模糊语义定义；模糊逻辑算法模仿人脑的不确定性判断，通过模糊规则，将多个影响因子融合起来。
5.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，使用ID3算法构造模糊决策树，计算每个模糊化属性的熵E(S)以及信息增益Gain(S,Ai)；模糊决策树训练的本质是从数据集中归纳出一组分类规则，从根节点到叶节点代表一条分类规则，叶节点的数量等于分类规则的数量，叶节点的种类等于划分种类。
6.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，所述基于指数加权平均移动法进行转发成功率预测，指数加权平均移动通过采取历史信息来预测未来出现的情况，指数加权平均是过去历史信息做均值处理的时候加上指数相关的权重，这样能够得到随着时间增加而淡化历史信息样本的重要程度，离当前时间越近的历史信息数据权重越大，离当前时间越远的历史信息数据权重越小。
7.根据权利要求1所述的基于模糊决策树的自适应鱼群寻路包路由方法，其特征在于，基于模糊决策树和指数加权平均移动得到最优转发节点决策；网络实际应用场景中对端到端时延都有限制条件，超过端到端时延阈值的数据包被认为失去转发到目的地的意义，因此在转发过程中会被丢弃；通过从预估跳数最小的邻居集合中选出预测传输成功率最高的节点作为最优转发决策能够有效降低端到端时延。
CN202110449658.0A 2021-04-25 2021-04-25 基于模糊决策树的自适应鱼群寻路包路由方法 Active CN113163466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110449658.0A CN113163466B (zh) 2021-04-25 2021-04-25 基于模糊决策树的自适应鱼群寻路包路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110449658.0A CN113163466B (zh) 2021-04-25 2021-04-25 基于模糊决策树的自适应鱼群寻路包路由方法

Publications (2)

Publication Number Publication Date
CN113163466A CN113163466A (zh) 2021-07-23
CN113163466B true CN113163466B (zh) 2022-11-01

Family

ID=76870487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110449658.0A Active CN113163466B (zh) 2021-04-25 2021-04-25 基于模糊决策树的自适应鱼群寻路包路由方法

Country Status (1)

Country Link
CN (1) CN113163466B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265316B (zh) * 2021-12-27 2023-10-03 厦门大学 一种抗通信间歇的智能网联电动汽车队列鲁棒控制方法
CN114417638B (zh) * 2022-03-28 2022-06-17 湖南高至科技有限公司 一种图形化概念建模方法、装置及计算机设备
CN116976897A (zh) * 2023-09-20 2023-10-31 青岛华正信息技术股份有限公司 一种综合安全管理指标数字化执行系统及方法
CN117412267B (zh) * 2023-12-12 2024-03-01 杭州牧星科技有限公司 一种无人机集群组网的通信方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103634869A (zh) * 2013-12-20 2014-03-12 大连大学 针对多移动机器人通信网络的路由协议及运算方法
CN106572513A (zh) * 2016-10-17 2017-04-19 宁波深路信息科技有限公司 基于模糊多属性决策的无线传感器路由算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103634869A (zh) * 2013-12-20 2014-03-12 大连大学 针对多移动机器人通信网络的路由协议及运算方法
CN106572513A (zh) * 2016-10-17 2017-04-19 宁波深路信息科技有限公司 基于模糊多属性决策的无线传感器路由算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
传感器网络中基于模糊决策的多目标路由优化算法;米志超 等;《西安电子科技大学学报（自然科学版）》;20080831;第35卷(第04期);全文 *

Also Published As

Publication number Publication date
CN113163466A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113163466B (zh) 基于模糊决策树的自适应鱼群寻路包路由方法
Rahmani et al. OLSR+: A new routing method based on fuzzy logic in flying ad-hoc networks (FANETs)
Yu et al. Bio-Inspired Mobility Prediction Clustering Algorithm for Ad Hoc UAV Networks.
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
He et al. A fuzzy logic reinforcement learning-based routing algorithm for flying ad hoc networks
Toorchi et al. Skeleton-based swarm routing (SSR): Intelligent smooth routing for dynamic UAV networks
Hassan et al. Reinforcing communication on the internet of aerial vehicles
Aissa et al. EMASS: a novel energy, safety and mobility aware-based clustering algorithm for FANETs
Amiri et al. Retracted article: Improved AODV based on Topsis and fuzzy algorithms in vehicular ad-hoc networks
Lim et al. Q-learning based stepwise routing protocol for multi-uav networks
Qiu et al. QLGR: A Q-learning-based Geographic FANET Routing Algorithm Based on Multiagent Reinforcement Learning.
Sefati et al. Cluster selection for load balancing in flying ad hoc networks using an optimal low-energy adaptive clustering hierarchy based on optimization approach
CN113163332B (zh) 基于度量学习的路标图着色无人机节能续航数据收集方法
Kumbhar et al. Innovating multi-objective optimal message routing for unified high mobility networks
Singh et al. ABNT: Adaptive beaconing and neighbor timeout for geographical routing in UAV networks
Hosseinzadeh et al. A novel Q-learning-based routing scheme using an intelligent filtering algorithm for flying ad hoc networks (FANETs)
CN116528313A (zh) 一种面向任务协同的无人机低能耗快速路由方法
Say et al. Cooperative path selection framework for effective data gathering in UAV-aided wireless sensor networks
Chu et al. Fast or slow: An autonomous speed control approach for UAV-assisted IoT data collection networks
CN114641049A (zh) 一种基于模糊逻辑的无人机自组网分层路由方法
HaghighiFard et al. Hierarchical Federated Learning in Multi-hop Cluster-Based VANETs
Waqas et al. A Method to Reduce Route Discovery Cost of UAV Ad Hoc Network
Aruna et al. An adaptive-based predicted nodes behavior algorithm in flying ad hoc networks
Liu et al. PARouting: Prediction-supported adaptive routing protocol for FANETs with deep reinforcement learning
Nahar et al. AlcFier: Adaptive self-learning classifier for routing in vehicular ad-hoc network

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