CN114430581A - 基于蚁群策略的ac-olsr路由方法、设备及介质 - Google Patents

基于蚁群策略的ac-olsr路由方法、设备及介质 Download PDF

Info

Publication number
CN114430581A
CN114430581A CN202210087793.XA CN202210087793A CN114430581A CN 114430581 A CN114430581 A CN 114430581A CN 202210087793 A CN202210087793 A CN 202210087793A CN 114430581 A CN114430581 A CN 114430581A
Authority
CN
China
Prior art keywords
mpr
node
ant
message
hop
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.)
Granted
Application number
CN202210087793.XA
Other languages
English (en)
Other versions
CN114430581B (zh
Inventor
韩付荣
秦爽
李金喜
王嘉麟
冯钢
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.)
University of Electronic Science and Technology of China
China Aeronautical Radio Electronics Research Institute
Original Assignee
University of Electronic Science and Technology of China
China Aeronautical Radio Electronics Research Institute
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 University of Electronic Science and Technology of China, China Aeronautical Radio Electronics Research Institute filed Critical University of Electronic Science and Technology of China
Priority to CN202210087793.XA priority Critical patent/CN114430581B/zh
Publication of CN114430581A publication Critical patent/CN114430581A/zh
Application granted granted Critical
Publication of CN114430581B publication Critical patent/CN114430581B/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L45/122—Shortest path evaluation by minimising distances, e.g. by selecting a route with minimum of number of hops
    • 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
    • H04L45/14—Routing performance; Theoretical aspects
    • 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了基于蚁群策略的AC‑OLSR路由方法、设备及介质，包括：网络中各个节点周期性发送报文，接收邻居表中一跳邻居发来的报文；更新节点的一跳邻居表、二跳邻居表和MPR‑S表；采用基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择，得到MPR最优解将存储于节点的MPR表中；被设置为MPR节点的节点周期性发送拓扑控制报文，收到控制报文的节点根据控制报文中的信息建立拓扑表；更新节点拓扑表，根据拓扑表信息计算节点到网络中各个节点的路由路径，并存储于路由表中；根据路由表进行报文发送与中继转发。本发明克服传统方法计算MPR集时易于陷入局部最优的不足，显著减少网络中的MPR节点被选择数量。

Description

基于蚁群策略的AC-OLSR路由方法、设备及介质
技术领域
本发明涉及OLSR路由技术领域，具体涉及基于蚁群策略的AC-OLSR路由方法、设备及介质。
背景技术
优化链路状态路由(Optimized Link State Routing，OLSR)协议是一种常用于无线自组织网络中的先验式路由协议，其关键机制为多点中继(Muilti-Point Relay，MPR)机制。MPR集选择算法是OLSR路由协议中的关键算法，其核心思想是通过限制网络中能够生成与重复转发TC报文的节点，以减少网络中广播报文的数量。因此为了提高MPR多点中继机制减少网络广播信令负载，提高网络容量的能力，MPR选择算法需要能够给出使网络中MPR节点尽可能少的决策，同时要具有较低的计算复杂度。
在OLSR网络中，每个节点都会周期性更新自己的MPR集合，该集合为节点自身一跳邻居集的子集。MPR节点选择问题可以描述为：给定某节点的一跳邻居集合N1与二跳邻居集合N2，所求的MPR节点集合M应当保证其为N1的子集，且M的覆盖集与N2一致，而选择算法的目标为使得|M|尽可能地小，即MPR集的选择标准定义如下：
(1)源节点的二跳邻居节点集合应为MPR集中各个节点的邻接节点集的并的子集；
(2)MPR集中的节点数应当尽可能的小。
MPR集选择算法需要在满足(1)中约束的前提下，尽可能找到最小的MPR集合。
MPR选择问题被证明是一个NP完全问题，传统的贪心算法难以保证能够在短时间内取得较好的结果。
传统OLSR路由方法中的MPR选择方法基于贪心算法，所求解易于陷入局部最优；而对于MPR求解问题，为准确求取全局最优的方法则会导致过高的复杂度与计算量。
发明内容
针对以上背景技术中传统OLSR路由方法的弊端，本发明目的在于提供基于蚁群策略的AC-OLSR路由方法、设备及介质，本发明方法基于蚁群算法对传统OLSR路由方法进行改进，克服了传统方法计算MPR集时易于陷入局部最优的不足。通过实验证明，本发明方法可以在满足正常路由功能的前提下，相较于传统OLSR路由方法，显著减少网络中的MPR节点被选择数量，从而有效减少网络中的冗余信令数量与拓扑控制报文长度，提高节点运行效率与网络通信质量，从而提高无线自组织网络的通信性能。
本发明通过下述技术方案实现：
第一方面，本发明提供了基于蚁群策略的AC-OLSR路由方法，该方法包括：
网络中各个节点周期性发送报文，进行邻居感知；并接收邻居表中一跳邻居发来的报文；所述报文中包含自身一跳邻居表信息，用于让收到报文的节点进行二跳邻居表的建立；
根据接收的邻居表中一跳邻居发来的报文，更新节点的一跳邻居表、二跳邻居表和MPR-S表；
采用基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择，得到MPR最优解将存储于节点的MPR表中；
被设置为MPR节点的节点周期性发送拓扑控制报文(即TC报文)，其中包含了自身的MPR-S表信息，用于向全网络节点通知自身的可达节点；
收到控制报文(即TC报文)的节点根据控制报文(即TC报文)中的信息建立拓扑表；
更新节点拓扑表，根据所述拓扑表信息基于最小跳数方法计算节点到网络中各个节点的路由路径，并将路径的下一跳节点存储于路由表中；并根据路由表进行报文发送与中继转发。
其中，以上AC-OLSR路由方法的基本流程中各条之间没有明确时间联系。
本发明方法基于蚁群算法对传统OLSR路由方法进行改进，克服了传统方法计算MPR集时易于陷入局部最优的不足。本发明方法基于蚁群优化策略，一种基于自然界中蚂蚁觅食的机理而演化而来的群体智能优化算法，通过设置大量的蚂蚁智能体，通过随机搜索的方式不断地寻找最优解，并在每次搜索后将本次搜索的情况以更新信息素的方式记录在环境中，为下一次搜索提供参考。蚁群算法的全局搜索性能够在一定程度上克服传统贪心算法陷入局部最优解的问题，改善MPR集合大小，从而进一步减少网络中的冗余报文数量，提高节点运行效率与网络通信质量。
通过实验证明，本发明方法可以在满足正常路由功能的前提下，相较于传统OLSR路由方法，显著减少网络中的MPR节点被选择数量，从而有效减少网络中的冗余信令数量与拓扑控制报文长度，提高节点运行效率与网络通信质量，从而提高无线自组织网络的通信性能。
进一步地，所述的根据基于蚁群算法优化的MPR选择方法进行MPR节点集的计算之后，还包括：将MPR集包含在所述报文中发送；
所述的将MPR集包含在所述报文中发送，用于让接收到报文的节点进行自身是否为MPR节点的判断，以及MPR-S表的建立；其中，所述MPR-S表中记录了将自己设为MPR节点的邻居节点的信息。
进一步地，所述拓扑表中包含两种链路，第一种链路是自身的直接可达一跳邻居链路，第二种链路是收到的控制报文(即TC报文)中的源节点到达对应MPR-S节点的链路。
进一步地，所述基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择的具体步骤为：
步骤1，初始化：设置蚁群规模m，信息挥发因子p，信息启发式因子a，期望启发式因子b，最大迭代次数Imax，精英选择数量u；令迭代次数λ＝0；依据一跳邻居集N1构造二叉树拓扑，初始化各边信息素为ph0；
步骤2，设置终止条件flag＝0；
步骤3，蚁群探索：按照以下步骤循环m次：
将一只蚂蚁个体置于根节点出发，根据两侧信息素计算选择概率，并根据选择概率随机选择分支进行移动，逐步移动直至到达二叉树的叶子结点处；将蚂蚁经过的路径存储于
Figure BDA0003488520290000031
计算路径对应MPR集的适应度为
Figure BDA0003488520290000032
步骤4，更新信息素：从m只蚂蚁中取出适应度最高的u只蚂蚁，根据其适应度遍历其路径，对路径上的信息素进行更新；
步骤5，记录m只蚂蚁中的最高适应度
Figure BDA0003488520290000033
并记录其对应路径
Figure BDA0003488520290000034
并在下一次蚁群探索步骤中，使第一只蚂蚁按照该路径进行探索；
步骤6，λ＝λ+1，若
Figure BDA0003488520290000035
大于ηbest，则
Figure BDA0003488520290000036
并使flag＝0，若
Figure BDA0003488520290000037
等于ηbest，则令flag＝flag+1；
步骤7，若λ<Imax并且flag<3，返回步骤4，否则进入步骤8；
步骤8，输出最优解Abest作为MPR最优解。
进一步地，所述适应度走到终点后对之前走的路径根据适应函数得到；所述适应函数的表达式为：
Figure BDA0003488520290000038
式中，k为在蚁群算法过程中一条完整路线中选择向左移动的次数，即所对应的MPR集中节点数目；适应函数的返回值越大，说明得到的解越好。
进一步地，所述选择概率的表达式为：
Figure BDA0003488520290000039
式中，pi(t)为在t时刻时蚂蚁在第i层选择向左移动的概率，τi left(t)与τi right(t)分别表示t时刻时该处向左与向右方向上的信息量，Vi表示t时刻中i节点所覆盖的二跳节点数目，
Figure BDA00034885202900000310
为所有一跳邻居的平均二跳节点覆盖数目，Vmax为一跳邻居最大覆盖二跳节点数目，Q为给定常数。
进一步地，所述更新信息素的步骤为：
步骤A：迭代结束后，检查蚂蚁走过的路径，若MPR解不符合约束，则将蚂蚁信息删除继续遍历，否则进入步骤B；
步骤B：在蚂蚁走过的路径上的信息素τi d按下式更新；
τi d＝(1-ρ)·τi d+ρ·Δτ
Figure BDA0003488520290000041
式中，i表示深度，d为蚂蚁移动方向；Δτ为本蚂蚁产生的信息素增量；Q与M为常数，Ik表示第k次向左移动时的节点所对应网络地址，N为网络中的节点数目，F(k)为适应函数所计算的本蚂蚁所经过的该条路径的适应度。
进一步地，所述邻居表中存储节点的一跳邻居N1、二跳邻居N2以及一跳邻居N1与二跳邻居N2中节点的邻接关系等信息；
所述MPR表中存储基于邻居表中信息计算得到的MPR集合选择结果，所对应的进行自身数据报文中继转发的节点；在产生HELLO报文时，节点需将自身一跳邻居表、与MPR表中的信息全部添加在报文数据中进行发送。
所述MPR-S表中存储基于接受报文后，节点所获知到的将自身设为MPR节点的节点。
第二方面，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于蚁群策略的AC-OLSR路由方法。
第三方面，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于蚁群策略的AC-OLSR路由方法。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于蚁群策略的AC-OLSR路由方法、设备及介质，本发明方法基于蚁群算法对传统OLSR路由方法进行改进，克服了传统方法计算MPR集时易于陷入局部最优的不足。通过实验证明，本发明方法可以在满足正常路由功能的前提下，相较于传统OLSR路由方法，显著减少网络中的MPR节点被选择数量，从而有效减少网络中的冗余信令数量与拓扑控制报文长度，提高节点运行效率与网络通信质量，从而提高无线自组织网络的通信性能。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1本发明基于蚁群策略的AC-OLSR路由方法所基于的系统模型的网络拓扑示例图。
图2为本发明基于蚁群策略的AC-OLSR路由方法的流程图。
图3为传统方法与本发明方法下不同网络密度中的MPR集平均大小比较示意图。
图4为传统方法与本发明方法下不同网络密度中控制信令的发送频度仿真示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
在介绍本发明的技术方案前首先需要对本发明所基于的系统模型进行具体的介绍：
1、网络拓扑
网络拓扑如图1所示，共包含k个节点，在一定的区域中有数个可以进行无线报文通信以及中继转发的AdHoc网络节点，通过虚线所表示的无线链路组成了一个无线自组织多跳中继网络。可以将该网络拓扑模型抽象为一个无向图G(V，E)，其中V为拓扑的节点集合，E为拓扑中的边集合。节点具有最大传输范围R，定义相距距离小于R的两个节点间即可建立无线通信链路。对网络中的一个节点i定义其一跳邻居集合，即与其存在直接相连的无线通信链路的节点集合为N1；定义其二跳邻居集合，即与其一跳邻居之间存在直接相连的无线通信链路，且不属于N1的节点集合为N2。网络中的每个节点不仅仅是对网络通信存在业务需求的用户，同时也是发送感知报文、承担数据中继转发的功能节点。假设节点发送报文的信道申请、天线发射功率等都已经可以正常完成，实现正常的业务转发需求。
2、模型假设
此处假设网络系统基于TDMA(Time division multiple access,时分多址接入)建立，以时隙为单位进行报文的传输，时隙长度为t，每一帧中包含N个时隙，一帧内包含2k个控制时隙用于信令报文的传输，其余设为数据时隙用于数据报文的传输。组网过程假设已经完成，节点每经过Thello时间发送一次HELLO信令报文，MPR节点每经过Ttc时间发送一次TC信令报文，同时被选为MPR节点的节点会在发现自身MPR-S节点集发生变化时在一定时间内立即产生TC信令报文。
以上便是对无线自组织网络通信系统的基础说明，在此基础之上，本发明的基于蚁群策略的AC-OLSR路由方法的具体运行过程如下：
如图2所示，本发明基于蚁群策略的AC-OLSR路由方法，该方法包括：
网络中各个节点周期性发送HELLO报文，进行邻居感知；并接收邻居表中一跳邻居发来的HELLO报文；所述HELLO报文中包含自身一跳邻居表信息，用于让收到HELLO报文的节点进行二跳邻居表的建立；
根据接收的邻居表中一跳邻居发来的HELLO报文，更新节点的一跳邻居表、二跳邻居表和MPR-S表；
采用基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择，得到MPR最优解将存储于节点的MPR表中；
被设置为MPR节点的节点周期性发送拓扑控制报文(即TC报文)，其中包含了自身的MPR-S表信息，用于向全网络节点通知自身的可达节点；
收到控制报文(即TC报文)的节点根据控制报文(即TC报文)中的信息建立拓扑表；
更新节点拓扑表，根据所述拓扑表信息基于最小跳数方法计算节点到网络中各个节点的路由路径，并将路径的下一跳节点存储于路由表中；并根据路由表进行HELLO报文发送与中继转发。
其中，以上AC-OLSR路由方法的基本流程中各条之间没有明确时间联系，AC-OLSR路由方法的各个流程部分并非线性进行，因此此处基于路由协议中的数据流对路由协议工作流程进行阐述：如图2所示为AC-OLSR路由方法的基本计算运行中的数据流示意图，路由协议模块中主要维护五个信息表：邻居表、MPR表、MPR-S表、拓扑表以及路由表。
具体地，所述邻居表中存储节点的一跳邻居N1、二跳邻居N2以及一跳邻居N1与二跳邻居N2中节点的邻接关系等信息；基本格式如下表1：
表1邻居表
Figure BDA0003488520290000061
所述MPR表中存储基于邻居表中信息计算得到的MPR集合选择结果，所对应的进行自身数据报文中继转发的节点；在产生HELLO报文时，节点需将自身一跳邻居表、与MPR表中的信息全部添加在报文数据中进行发送。
所述MPR-S表中存储基于接受报文后，节点所获知到的将自身设为MPR节点的节点。
具体地，所述基于蚁群算法优化的MPR选择方法包括以下：
1、ACO模型设置：
设置蚂蚁数目为m，将mpr选择过程建立为完全二叉树模型，完全二叉树阶数为源节点所覆盖一跳节点个数n，任意一条从根节点到达叶子节点的路线则对应一种MPR选择策略，其中向左移动表示选择该层深度所对应节点为MPR节点，向右则表示不选择。
(1)适应函数
在蚁群算法过程中，定义一条完整路线中选择向左移动的次数为k，即所对应的MPR集中节点数目为k，因优化算法主要目标为尽可能减少MPR节点个数，因此给出算法适应函数的表达式为：
Figure BDA0003488520290000071
式中，k为在蚁群算法过程中一条完整路线中选择向左移动的次数，即所对应的MPR集中节点数目；适应函数的返回值越大，说明得到的解越好。
(2)选择概率
蚂蚁在移动过程中，每一次选路会面临向左与向右两种选择，蚁群算法与传统算法的决定性区别在于蚁群算法在路径选择上是基于概率随机进行的，基于全局搜索的蚁群算法能够克服传统算法的局部最优问题。选择下一路径方向的概率会基于路径上的信息素以及实际拓扑中的启发式因素等结合确定。选择概率的表达式为：
Figure BDA0003488520290000072
式中，pi(t)为在t时刻时蚂蚁在第i层选择向左移动的概率，τi left(t)与τi right(t)分别表示t时刻时该处向左与向右方向上的信息量，Vi表示t时刻中i节点所覆盖的二跳节点数目，
Figure BDA0003488520290000073
为所有一跳邻居的平均二跳节点覆盖数目，Vmax为一跳邻居最大覆盖二跳节点数目，Q为给定常数。
(3)信息素更新过程
每一次迭代后需要及时对每个节点上的信息素进行更新，目前基于可行解情况对二叉树中信息素进行更新，流程如下：
步骤A：迭代结束后，检查蚂蚁走过的路径，若MPR解不符合约束，则将蚂蚁信息删除继续遍历，否则进入步骤B；
步骤B：在蚂蚁走过的路径上的信息素τi d按下式更新；
τi d＝(1-ρ)·τi d+ρ·Δτ
Figure BDA0003488520290000074
式中，i表示深度，d为蚂蚁移动方向；Δτ为本蚂蚁产生的信息素增量；Q与M为常数，Ik表示第k次向左移动时的节点所对应网络地址，N为网络中的节点数目，F(k)为适应函数所计算的本蚂蚁所经过的该条路径的适应度。
Δτ等号右边的分母式中两项，前一项大小与本蚂蚁所选择的MPR解中的MPR节点个数成正比，而后项则与mpr节点所对应的id大小有关，此设计对应贪婪算法中，在同等情况下优先选择更大id的节点的规则，目的在于减小网络总体MPR节点的数目。常数M的设置应当保证无论mpr解中id的情况如何，F(k)更小的路径的信息素增量一般都大于F(k)更大的路径。
具体地，所述基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择，具体包括：
1)基于源节点的一跳邻居构建二叉树拓扑，使所有蚂蚁从根节点出发，探寻一条到达二叉树叶子节点的路径，并以达成最小次向左运动(即意味着选择当前点为MPR节点)和达成二跳邻居节点全覆盖作为目标。在每次分叉节点根据信息素和节点对应覆盖度算出各路径的选择概率。
2)在一次迭代里所有的蚂蚁完成了行动后，基于精英选择方法，提取所有蚂蚁中前m个最好的路径，产生对应的后向探索蚂蚁。将这些路径上的信息素根据信息素更新公式进行局部更新，并将当前最好的蚂蚁走过的路径加入到下一次迭代中，避免当前最佳路径的流失，以加快收敛速率。
3)算法中设置最大迭代次数Imax，当算法迭代次数超过Imax或者连续三次迭代都没有更优路径出现时，算法结束迭代，此时蚁群Q中最优的路径即为算法的输出最优解。
具体地，所述基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择的具体步骤为：
步骤1，初始化：设置蚁群规模m，信息挥发因子p，信息启发式因子a，期望启发式因子b，最大迭代次数Imax，精英选择数量u；令迭代次数λ＝0；依据一跳邻居集N1构造二叉树拓扑，初始化各边信息素为ph0；
步骤2，设置终止条件flag＝0；
步骤3，蚁群探索：按照以下步骤循环m次：
将一只蚂蚁个体置于根节点出发，根据两侧信息素计算选择概率，并根据选择概率随机选择分支进行移动，逐步移动直至到达二叉树的叶子结点处；将蚂蚁经过的路径存储于
Figure BDA0003488520290000081
计算路径对应MPR集的适应度为
Figure BDA0003488520290000082
步骤4，更新信息素：从m只蚂蚁中取出适应度最高的u只蚂蚁，根据其适应度遍历其路径，对路径上的信息素进行更新；
步骤5，记录m只蚂蚁中的最高适应度
Figure BDA0003488520290000091
并记录其对应路径
Figure BDA0003488520290000092
并在下一次蚁群探索步骤中，使第一只蚂蚁按照该路径进行探索；
步骤6，λ＝λ+1，若
Figure BDA0003488520290000093
大于ηbest，则
Figure BDA0003488520290000094
并使flag＝0，若
Figure BDA0003488520290000095
等于ηbest，则令flag＝flag+1；
步骤7，若λ<Imax并且flag<3，返回步骤4，否则进入步骤8；
步骤8，输出最优解Abest作为MPR最优解。
其中，所述适应度走到终点后对之前走的路径根据适应函数得到。
具体地，所述的根据基于蚁群算法优化的MPR选择方法进行MPR节点集的计算之后，还包括：将MPR集包含在所述HELLO报文中发送；
所述的将MPR集包含在所述HELLO报文中发送，用于让接收到HELLO报文的节点进行自身是否为MPR节点的判断，以及MPR-S表的建立；其中，所述MPR-S表中记录了将自己设为MPR节点的邻居节点的信息。
具体地，所述拓扑表中包含两种链路，第一种链路是自身的直接可达一跳邻居链路，第二种链路是收到的控制报文(即TC报文)中的源节点到达对应MPR-S节点的链路。
另外，蚁群算法中包含许多的启发式因子与参数，不同的模型设置会对算法性能带来较大影响，具有较强的经验性，可以通过利用深度学习等方法对优化算法迭代中的数据进行训练，得到更优的参数设置，以进一步提升启发式算法的求解能力与收敛速度。
经过仿真试验对比分析，如图3和图4所示。图3为传统方法与本发明方法下不同网络密度中的MPR集平均大小比较示意图。图4为传统方法与本发明方法下不同网络密度中控制信令的发送频度仿真示意图。
由仿真试验结果可见AC-OLSR路由方法中，网络中的控制信令发送频度有显著的降低，相较传统OLSR显著改善了冗余信令问题，提升了网络性能。
工作原理是：本发明方法基于蚁群算法对传统OLSR路由方法进行改进，克服了传统方法计算MPR集时易于陷入局部最优的不足。本发明方法基于蚁群优化策略，一种基于自然界中蚂蚁觅食的机理而演化而来的群体智能优化算法，通过设置大量的蚂蚁智能体，通过随机搜索的方式不断地寻找最优解，并在每次搜索后将本次搜索的情况以更新信息素的方式记录在环境中，为下一次搜索提供参考。蚁群算法的全局搜索性能够在一定程度上克服传统贪心算法陷入局部最优解的问题，改善MPR集合大小，从而进一步减少网络中的冗余报文数量，提高节点运行效率与网络通信质量。通过实验证明，本发明方法可以在满足正常路由功能的前提下，相较于传统OLSR路由方法，显著减少网络中的MPR节点被选择数量，从而有效减少网络中的冗余信令数量与拓扑控制报文长度，提高节点运行效率与网络通信质量，从而提高无线自组织网络的通信性能。
同时，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于蚁群策略的AC-OLSR路由方法。
同时，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于蚁群策略的AC-OLSR路由方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于蚁群策略的AC-OLSR路由方法，其特征在于，该方法包括：
网络中各个节点周期性发送报文，进行邻居感知；并接收邻居表中一跳邻居发来的报文；所述报文中包含自身一跳邻居表信息，用于让收到报文的节点进行二跳邻居表的建立；
根据接收的邻居表中一跳邻居发来的报文，更新节点的一跳邻居表、二跳邻居表和MPR-S表；
采用基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择，得到MPR最优解将存储于节点的MPR表中；
被设置为MPR节点的节点周期性发送拓扑控制报文，其中包含了自身的MPR-S表信息，用于向全网络节点通知自身的可达节点；
收到控制报文的节点根据控制报文中的信息建立拓扑表；
更新节点拓扑表，根据所述拓扑表信息基于最小跳数方法计算节点到网络中各个节点的路由路径，并将路径的下一跳节点存储于路由表中；并根据路由表进行报文发送与中继转发。
2.根据权利要求1所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述的根据基于蚁群算法优化的MPR选择方法进行MPR节点集的计算之后，还包括：将MPR集包含在所述报文中发送；
所述的将MPR集包含在所述报文中发送，用于让接收到报文的节点进行自身是否为MPR节点的判断，以及MPR-S表的建立。
3.根据权利要求1所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述拓扑表中包含两种链路，第一种链路是自身的直接可达一跳邻居链路，第二种链路是收到的控制报文中的源节点到达对应MPR-S节点的链路。
4.根据权利要求1所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述基于蚁群算法优化的MPR选择方法进行MPR节点集的计算与选择的具体步骤为：
步骤1，初始化：设置蚁群规模m，信息挥发因子p，信息启发式因子a，期望启发式因子b，最大迭代次数Imax，精英选择数量u；令迭代次数λ＝0；依据一跳邻居集N1构造二叉树拓扑，初始化各边信息素为ph0；
步骤2，设置终止条件flag＝0；
步骤3，蚁群探索：按照以下步骤循环m次：
将一只蚂蚁个体置于根节点出发，根据两侧信息素计算选择概率，并根据选择概率随机选择分支进行移动，逐步移动直至到达二叉树的叶子结点处；将蚂蚁经过的路径存储于
Figure FDA0003488520280000011
计算路径对应MPR集的适应度为
Figure FDA0003488520280000012
步骤4，更新信息素：从m只蚂蚁中取出适应度最高的u只蚂蚁，根据其适应度遍历其路径，对路径上的信息素进行更新；
步骤5，记录m只蚂蚁中的最高适应度
Figure FDA0003488520280000021
并记录其对应路径
Figure FDA0003488520280000022
并在下一次蚁群探索步骤中，使第一只蚂蚁按照该路径进行探索；
步骤6，λ＝λ+1，若
Figure FDA0003488520280000023
大于ηbest，则
Figure FDA0003488520280000024
并使flag＝0，若
Figure FDA0003488520280000025
等于ηbest，则令flag＝flag+1；
步骤7，若λ<Imax并且flag<3，返回步骤4，否则进入步骤8；
步骤8，输出最优解Abest作为MPR最优解。
5.根据权利要求4所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述适应度走到终点后对之前走的路径根据适应函数得到；所述适应函数的表达式为：
Figure FDA0003488520280000026
式中，k为在蚁群算法过程中一条完整路线中选择向左移动的次数，即所对应的MPR集中节点数目；适应函数的返回值越大，说明得到的解越好。
6.根据权利要求4所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述选择概率的表达式为：
Figure FDA0003488520280000027
式中，pi(t)为在t时刻时蚂蚁在第i层选择向左移动的概率，τileft(t)与τiright(t)分别表示t时刻时该处向左与向右方向上的信息量，Vi表示t时刻中i节点所覆盖的二跳节点数目，
Figure FDA0003488520280000028
为所有一跳邻居的平均二跳节点覆盖数目，Vmax为一跳邻居最大覆盖二跳节点数目，Q为给定常数。
7.根据权利要求4所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述更新信息素的步骤为：
步骤A：迭代结束后，检查蚂蚁走过的路径，若MPR解不符合约束，则将蚂蚁信息删除继续遍历，否则进入步骤B；
步骤B：在蚂蚁走过的路径上的信息素τid按下式更新；
τid＝(1-ρ)·τid+ρ·Δτ
Figure FDA0003488520280000029
式中，i表示深度，d为蚂蚁移动方向；Δτ为本蚂蚁产生的信息素增量；Q与M为常数，Ik表示第k次向左移动时的节点所对应网络地址，N为网络中的节点数目，F(k)为适应函数所计算的本蚂蚁所经过的该条路径的适应度。
8.根据权利要求1所述的基于蚁群策略的AC-OLSR路由方法，其特征在于，所述邻居表中存储节点的一跳邻居N1、二跳邻居N2以及一跳邻居N1与二跳邻居N2中节点的邻接关系信息；
所述MPR表中存储基于邻居表中信息计算得到的MPR集合选择结果，所对应的进行自身数据报文中继转发的节点；
所述MPR-S表中存储基于接受报文后，节点所获知到的将自身设为MPR节点的节点。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于蚁群策略的AC-OLSR路由方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于蚁群策略的AC-OLSR路由方法。
CN202210087793.XA 2022-01-25 2022-01-25 基于蚁群策略的ac-olsr路由方法、设备及介质 Active CN114430581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210087793.XA CN114430581B (zh) 2022-01-25 2022-01-25 基于蚁群策略的ac-olsr路由方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210087793.XA CN114430581B (zh) 2022-01-25 2022-01-25 基于蚁群策略的ac-olsr路由方法、设备及介质

Publications (2)

Publication Number Publication Date
CN114430581A true CN114430581A (zh) 2022-05-03
CN114430581B CN114430581B (zh) 2023-04-07

Family

ID=81313308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210087793.XA Active CN114430581B (zh) 2022-01-25 2022-01-25 基于蚁群策略的ac-olsr路由方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114430581B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865775A (zh) * 2022-11-29 2023-03-28 南京航空航天大学 一种基于olsr的无人机网络快速路由恢复方法
CN116016328A (zh) * 2022-12-02 2023-04-25 南京航空航天大学 一种基于多无线电的快速路由恢复方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN105007570A (zh) * 2015-06-19 2015-10-28 北京理工大学 一种基于olsr协议的移动自组织网络拥塞控制方法
CN106413021A (zh) * 2016-09-18 2017-02-15 扬州大学 基于蚁群算法的无线传感网络路由方法
WO2018187954A1 (zh) * 2017-04-12 2018-10-18 邹霞 基于蚁群优化的传感器网络路由方法
CN113891399A (zh) * 2021-10-13 2022-01-04 北京慧清科技有限公司 一种面向负载均衡的多径加权调度olsr路由方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN105007570A (zh) * 2015-06-19 2015-10-28 北京理工大学 一种基于olsr协议的移动自组织网络拥塞控制方法
CN106413021A (zh) * 2016-09-18 2017-02-15 扬州大学 基于蚁群算法的无线传感网络路由方法
WO2018187954A1 (zh) * 2017-04-12 2018-10-18 邹霞 基于蚁群优化的传感器网络路由方法
CN113891399A (zh) * 2021-10-13 2022-01-04 北京慧清科技有限公司 一种面向负载均衡的多径加权调度olsr路由方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANMING ZHAO; HUAZHU SONG; HONGXIA XIA; LUO ZHONG: "Using Ant Colony Algorithm for Solving Minimum MPR Set and OPNET Simulation" *
张禾良: "蚁群优化在移动自组网MPR节点选择问题中的应用研究" *
赵启超; 杨余旺; 谢勇盛; 汤小芳; 李操: "密集MANET下MPR的改进蚁群优化算法研究" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865775A (zh) * 2022-11-29 2023-03-28 南京航空航天大学 一种基于olsr的无人机网络快速路由恢复方法
CN115865775B (zh) * 2022-11-29 2024-01-05 南京航空航天大学 一种基于olsr的无人机网络快速路由恢复方法
CN116016328A (zh) * 2022-12-02 2023-04-25 南京航空航天大学 一种基于多无线电的快速路由恢复方法
CN116016328B (zh) * 2022-12-02 2024-01-05 南京航空航天大学 一种基于多无线电的快速路由恢复方法

Also Published As

Publication number Publication date
CN114430581B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN114430581B (zh) 基于蚁群策略的ac-olsr路由方法、设备及介质
Kout et al. AODVCS, a new bio-inspired routing protocol based on cuckoo search algorithm for mobile ad hoc networks
CN111049743B (zh) 一种联合优化的水声多跳协作通信网络路由选择方法
CN103781146A (zh) 基于蚁群算法的无线传感器网络最优路由路径构建方法
CN109474973A (zh) 基于蚁群算法的自组网路径确定方法、装置、设备及介质
CN117412350A (zh) 一种基于强化学习的无线传感器网络树路由方法及系统
CN108632785B (zh) 一种基于链路质量的蚁群自适应车联网路由选择方法
Ortiz et al. Intelligent route discovery for ZigBee mesh networks
Ghanbarzadeh et al. Reducing message overhead of AODV routing protocol in urban area by using link availability prediction
Long et al. Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing
Chavan et al. Event Based Clustering Localized Energy Efficient Ant Colony Optimization for Performance Enhancement of Wireless Sensor Network.
CN108934053B (zh) 一种不对称通信链路条件下的网络自组织方法
Harrag et al. Bio-inspired OLSR Routing protocol
Riva et al. Pheromone-based in-network processing for wireless sensor network monitoring systems
Jansen et al. Proactive distance-vector multipath routing for wireless ad hoc networks
Loutfi et al. Enhancing performance OLSR in MANET
Ahila Devi et al. WSO‐T2FSM: War strategy optimization‐based type‐2 fuzzy‐based starling murmuration for addressing the routing problem in mobile ad hoc network
Bhatia et al. Genetically optimized ACO inspired PSO algorithm for DTNs
Amirshahi et al. Modeling geographical anycasting routing in vehicular networks
Ilyas et al. A novel proactive routing method for mobile ad hoc networks
Douros et al. Channel access competition in linear multihop device-to-device networks
Yirga et al. Research Article An Optimized and Energy-Efficient Ad-Hoc On-Demand Distance Vector Routing Protocol Based on Dynamic Forwarding Probability (AODVI)
CN117135712A (zh) 一种基于改进蚁群算法的Kmeans-AODV路由方法
Liang Multipoint Relay and Connected Dominating Set Based Broadcast Algorithms for Wireless Ad Hoc Networks
Swetha et al. Trust-Aware and Energy-Optimized Enhanced Coverage Routing Protocol for 6G Networks

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