CN116647890A - 一种适用于移动AdHoc网络的多属性多度量路由决策方法 - Google Patents
一种适用于移动AdHoc网络的多属性多度量路由决策方法 Download PDFInfo
- Publication number
- CN116647890A CN116647890A CN202310573117.8A CN202310573117A CN116647890A CN 116647890 A CN116647890 A CN 116647890A CN 202310573117 A CN202310573117 A CN 202310573117A CN 116647890 A CN116647890 A CN 116647890A
- Authority
- CN
- China
- Prior art keywords
- matrix
- decision
- node
- index
- energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 137
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 41
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 94
- 238000010606 normalization Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241001354036 Castalia Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- H04L45/123—Evaluation of link metrics
-
- 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
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- 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
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- 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
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- 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
-
- 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
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种适用于移动AdHoc网络的多属性多度量路由决策方法,属于移动AdHoc网络路由决策领域。现有对基于能量优化的路由协议存在不足。本发明采用基于顶点聚类法的模型简化法对拓扑进行简化;基于AHP与熵值法进行多属性簇头选举;采用主观与客观组合赋权的方式进行决策,针对簇类协议的簇头选取阶段,利用AHP和熵值法进行多属性决策选举簇头;基于加权TOPSIS决策及多度量机制寻求最优路径;利用加权TOPSIS法,在进行优劣距离计算时,对其增设相应的参数权重,引入主观赋权得到的权重因子进行修正;对路由链路的选择和优化。本发明对传统网络拓扑复杂度,提示整体网络通信质量;链路控制开销更小、网络的生命周期更长。
Description
技术领域
本发明涉及一种适用于移动AdHoc网络的多属性多度量路由决策方法。
背景技术
在90年代末期,无线自组织网络(Ad Hoc网络)是无线网络领域研究中的一个热门话题,它是一种具有无线网络收发特性的移动节点组成的临时性的多跳自组织系统,所有节点分布式运行,网络拓扑可能随时改变。当前无线终端和智能电子产品的广泛普及,使无线网络的应用前景更加广阔,无人驾驶,车联网,物联网应用等的发展便是如此。WLAN(Wireless Local Area Network)的技术飞速发展,Ad Hoc网络在成为全世界各国通信与计算机行业的研究热点之一,对其的研究也在不断地完善和发展。
Ad Hoc网络相比较于传统的无线通信网络,其节点连接是动态性的,在工作中不需要像传统的基础通信设备,如基站、放大器等,并且去中心化,因此,没有了中心节点或基础设施的约束,其他节点的加入、离开会更加的自由灵活。同时,移动Ad Hoc网络在一些特殊场景,如灾难救助,战地通讯情况下,相比于传统通信模式,能更快且有效地建立起基础的通信网络。因此,Ad Hoc网络以其部署便捷,成本低廉,没有太大的空间地理限制等优点,在众多领域都有极大的扩展空间。
对于Ad Hoc网络而言,良好的路由算法是搭建Ad Hoc网络的首要问题,也是AdHoc主要的研究热点和难点。Ad hoc网络的路由按照有无拓扑可分为两类,基于拓扑结构的路由需要在路由建立后分配资源用于路由维护,而对于无拓扑情况,基于地理位置的信息的路由,便不需要路由的建立或维护。Ad Hoc网络中节点的移动性,拓扑的动态变化,节点携带的能量有限,链路不稳定及无线信道传输的不可靠等因素对路由算法提出了更高的设计要求。能否降低网路开销,提高性能直接反映出一个路由协议的设计是否合理。
移动Ad Hoc网络是一种不需要固定基础设施,节点自组织的新型无线网络。近年来,移动Ad Hoc网络凭借其强大的抗毁性、灵活快速的组网方式等诸多优势获得了人们越来越多的关注。由于移动Ad Hoc网络的节点通常以电池进行供电,导致网络能量有限,而节点能量的快速耗尽会严重影响网络的整体性能,因此对基于能量优化的路由协议的研究成为了移动Ad Hoc网络领域的一大研究热点。
针对网络节点能量及节能优化方面这一问题,领域内学者提出了各种解决策略。但经过研究对比发现,不同协议策略都各有优缺点,特别存在拓扑复杂度高、对拓扑的分析难度大的问题。另外,如何构建目标参数权重的分配,使其较好的适应于更优的链路选择中也是一个关键问题。最后,由于各个参数在不同的层,如节点剩余能量、信号强度都在物理层,而时延、拥塞度、包传递率都在网络层、数据链路层,因此,如何打通不同的层级,跨层获取参数信息从而进行数据处理和实验仿真也是一个待解决的关键问题。
发明内容
本发明的目的是为了解决现有对基于能量优化的路由协议存在不足的问题,而提出一种适用于移动AdHoc网络的多属性多度量路由决策方法。
上述目的通过以下的技术方案实现:
一种适用于移动AdHoc网络的多属性多度量路由决策方法,所述方法通过以下步骤实现:
步骤一、采用基于顶点聚类法的模型简化法对拓扑进行简化;
步骤二、基于AHP与熵值法进行多属性簇头选举;
采用主观与客观组合赋权的方式进行决策,针对簇类协议的簇头选取阶段,利用AHP和熵值法进行多属性决策选举簇头;其中,对簇头的选取进行改进和优化包括获取节点的参数、构建出原始矩阵、计算权重因子、对节点进行评价,根据评价选出高质量簇头;
步骤三、基于加权TOPSIS决策及多度量机制寻求最优路径;
本发明利用加权TOPSIS法,在进行优劣距离计算时,对其增设相应的参数权重,引入主观赋权得到的权重因子进行修正;
对路由链路的选择和优化,包括获取度量参数、参数评分、构建可信度函数、计算参数的权重系数、带入可信度函数中进行链路的可信度计算、选择满足要求的链路。
进一步地,步骤一所述的采用基于顶点聚类法的模型简化法对拓扑进行简化的过程,具体为:
步骤一一、在平面内存在若干的节点,设定边长为L的正方形子块,将其铺满节点所在的平面,边长L的设定,基于GAF的区域划分方法,对子块的边长L的要求满足:
L2+(2L)2≤R2 (1)
式中,R表示节点间的最大通信半径;
步骤一二、划分在同一个子块内的节点,若数量在两个及其以上,选择距离正方形子块中心最近的节点作为代表节点,其他的节点统一归并到该代表节点处,若存在多个节点距离一样,选择能量高的作为代表节点,若仍然存在多个满足要求的节点,则选择第一个作为代表节点。
进一步地,步骤二所述的基于AHP与熵值法进行多属性簇头选举的过程,具体为:
步骤二一、获取参数值:
选择相对距离因子和参数能耗速度作为参数;
步骤二二、构建决策体系:
(1)能量参数:
能量参数的计算如公式(2),它是一个处于0至1之间的百分比:
其中,EC为某时刻节点当前剩余能量,是动态变化的量,E0是初始节点的总能量,是常量,是一个小于1大于0的数;因此,该参数越大,决策评分越高;
(2)确定相对距离因子:
相对距离因子用来描述节点的位置距离中心的远近,用来制约边缘的节点被选为簇头的概率;若d为节点到中心位置的距离,参数Dd相对距离因子,计算方式如下:
Dd=e-d (3)
由公式可知,距离因子是一个处于范围0~1之间的数;
(3)能量速率:
其表达式如下:
式中,ΔEc表示在一段时间内的能量衰减值,ΔEc=Ecur-Epre;Ecur是当前剩余能量,Epre是前一时刻的能量,Δt是当前时刻和前一时刻的时间差;
步骤二三、构建原始矩阵并决策分析:
建立矩阵以求得上述三个参数的权重值,并得到最终的节点决策函数;
建立判断矩阵,采取一致矩阵法,先比较对目标的影响程度,确定在该层中相对于某一准则的重要程度比重;进行两两指标间的比较,假设进行比较的因素有n个,那么判断矩阵一定是一个n维的方阵,见公式5:
在上述矩阵中,元素aij表示第i个参数相对于第j个参数的重要程度,这里参考其他资料,得到下述定义的元素取值和其对应的含义的评分决策表1所示:
表1模糊评价矩阵元素aij的评分表
按照选择的3个参数得到一个3x3的一个判断矩阵,见公式6:
使用和积法来替代定义法对特征值和特征向量进行求解;和积法的步骤如下:
首先,将判断矩阵的每一列向量作归一化处理,见公式7:
之后,将归一化的矩阵按行累加,得到向量
之后,对进行归一化处理得到矩阵的近似特征向量,如公式9所示;
这里的wi的组合,即可近似认为是特征向量,形式如公式10所示:
w=(w1,w2,…,wn)T (10)
之后,特征值的计算方法为公式11所示:
之后,进行一致性检验,一致性检验的步骤如下:
第一步,计算一致性指标CI,其计算公式如下:
其次,查找平均随机一致性指标RI,利用1—15阶判断矩阵重复计算1000次的平均随机一致性指标;
第二步,计算一致性比例CR,CR由以下公式得到:
如果CR<0.1,则可认为判断矩阵的一致性可以接受;否则需要对判断矩阵进行修正;一致性检验通过后,层次单排序中计算出的权重可用,最后,带入参数权重构建出决策评分函数σ,如下式:
σ=αER+βDd+γVE (14)
最终以每个节点的σ值作为决策出簇头节点的依据之一;
加入客观赋权熵值法作为约束条件,首先,利用熵值法确定一次各个参数权重;
根据节点的三个属性指标ER、Dd、和VE确定决策矩阵X,引入正向指标和负向指标,正向指标值越大,对目标越有利,负向指标值越大,则相反;ER和VE是正向指标,Dd负向指标;
首先,对矩阵X的元素采取线性比例变换法进行标准化得到矩阵Y1,线性比例变换公式见下式:
若该列的指标为正向:
若该列的指标为负向:
采用熵值法求解权重,对矩阵Y1选用列归一化法进行归一化处理,得到归一化矩阵P,见式17:
根据归一化矩阵,利用公式18计算熵值e:
式中,n表示属性指标的数目;
计算差异系数g的,见公式19:
gi=1-ej (19)
根据式20计算出最终的权重系数:
利用主客观组合赋权,得到的综合权重Qj,其计算结果如下:
其中,αj为AHP得到的权重,βj为熵值法得到的权重。
进一步地,步骤三所述的基于加权TOPSIS决策及多度量机制寻求最优路径的过程为:
步骤三一、引入多度量标准对TOPSIS的结果进行加权,实现组合赋权:
利用AHP确定度量指标重要性权重系数w=(α1α2α3...αm),α1~αm表示m个度量指标的权重系数,首先,对节点能量(remaining energy,RE)进行评分,能量的计算方法如公式22所示:
其中,Elast为某时刻节点剩余的能量,是一个变量;Eall为初始时节点的总能量大小,是一个常量;
其次,对链路的拥塞度进行评分,如公式23所示:
其中,Lfree为空闲发送队列的大小,Lall为总发送队列的大小;
最后,利用所述的AHP的决策过程对剩余能量、拥塞度、跳数进行主观赋权;
步骤三二、建立加权TOPSIS决策模型;
采用向量归一化法对该原始数据矩阵进行去量纲标准化处理,即每一列数据由以下公式进行标准化:
n为进行决策评分元素的数量,于是得到标准化矩阵Y如下:
m是决策指标数目,标准化矩阵是一个n行m列的矩阵,对该标准化后的矩阵Y进行加权处理,得到加权标准化矩阵,这里加权的系数,由AHP分析法得出的主观权值,其求解过程如上;设AHP分析法得到的最终权值的向量为w=(α1α2α3...αm),将其转化为对角阵形式:
所以由Y′=Y*W,得到加权标准化矩阵Y′,见式25,之后从加权标准化矩阵中得到最优解情况V*和最劣解情况V-,
获得最优解V*和最差解V-取决于指标的值和属性,准则是:若指标对目标层的影响分为正向和负向,当然,在考虑最优解时,希望正向指标的值越大越好,负向指标的值越小越好,而同理,对于最劣解,则正向指标要求越小越好,负向指标越大越好;
步骤三三、决策出最优方案:
计算各个链路方案到最优解和最劣解的距离s*和s-,距离计算公式如下:
式中,和/>分别为最优解和最劣解中对应的指标值,最后,由公式30计算最终的贴进度C,C的值越接近1,表示该方案越优,根据各个方案C的值大小,可以看出各个方案的优劣情况;
本发明的有益效果为:
(1)本发明针对传统的路由协议,在有拓扑情况下,将复杂的平面拓扑,通过聚类的思想归一简化为简化拓扑,降低拓扑的复杂度。同时分析在各个拓扑下,不同协议的指标和性能,如丢包率、控制开销、端到端的平均时延等参数的情况,然后讨论拓扑分区简化化的合理性,即利用该种分区机制将复杂拓扑化简为简单拓扑,根据其化简前后的性能差异程度探究该做法的可行性。具体技术手段是:
使用分区的思想,将整个拓扑平面细分为分布紧密的子区域,对落在子区域内部的节点,利用到了顶点聚类的思想,将距离子区域中心更近且剩余能量更高的点选为代表节点,然后将同一子区域内的将复杂的拓扑简化,降低拓扑复杂度,然后对若干几种协议进行算法改进。
(2)利用AHP和熵值法组合赋权,通过多属性决策改进簇头选取机制,同时对簇间通信规则也利用分区进行链路的选择,该方法优化后的簇头更加合理,提升整体网络通信质量。具体技术手段是:
对于分簇类协议的簇头选举,簇间通信,不再单独考虑节点剩余能量,而是新引入能耗速度作为簇头节点的一个判定标准,同时考虑到对边缘节点的约束,引入距离因子也作为其中的一个属性指标,针对多因素权重分配困难的问题,通过结合AHP和熵值法组合赋权优化进行多属性决策,以提升簇头质量。
针对簇间通信采取划分区域进行评判决策,选择出一条最低开销且的路由,使新的改进算法能够在减少拥塞和延长网络生命周期两个性能指标上有所提升。
(3)通过加权TOPSIS对不同的链路进行决策评估,改变传统的路由协议的链路选择规则,通过多度量参数的权衡与评估,选择最接近最优策略的链路作为可选链路集合,不仅使链路控制开销更小、网络的生命周期更长,也避免了参数设定时主观性太强的影响,同时还能应对链路断裂的突发状况。具体技术手段是:
在例如AODV和DSDV协议非簇类基础上,通过引入节点剩余能量、拥塞度和跳数等多路由度量因素;对链路选择,应用组合赋权法加权TOPSIS进行链路决策,利用主观赋权AHP对客观赋权TOPSIS进行赋权,利用加权后的TOPSIS,通过多度量多属性决策机制寻找一条或多条满足约束条件的最优路径,在多条路径情况下优点是:当路径突发断裂情况时,可作为备用路径进行区域恢复。)实现资源的全局最佳使用。
附图说明
图1是本发明涉及的区域简化图;
图2是本发明涉及的分区简化流程图;
图3是本发明涉及的对簇头的选取进行改进和优化的步骤;
图4是本发明涉及的链路选择过程图示;
图5是本发明涉及的圆形子区域图示;
图6是本发明涉及的蜂窝状子区域图示;
图7是本发明涉及的正方形子区域图示;
图8是本发明涉及的区域简化结果图示;
图9是本发明涉及的层次结构模型;
图10是本发明涉及的元素标度值;
图11是本发明涉及的平均随机一致性指标;
图12是本发明涉及的确保一致性检验方法流程图;
图13是本发明方法的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
本发明优选的实施例:
请参阅图1-图13,本发明提供一种技术方案:
一种适用于移动AdHoc网络的多属性多度量路由决策方法,如图13所示,所述方法通过以下步骤实现:
步骤一、采用基于顶点聚类法的模型简化法对拓扑进行简化;
顶点聚类法原理为:对于给定的一个多边形表面,把模型所在空间划分成相邻的许多子空间,为每一个子空间选定一个代表顶点,而后把原始模型落在这个子空间内的顶点都合并到代表顶点上。
平面模型的分区选用正方形为子区域。区域简化图如图1所示。
简化过程的流程图如下:
步骤二、基于AHP与熵值法进行多属性簇头选举;
AHP作为一种决策过程,它提供了一种表示决策因素测度的基本方法。这种方法采用相对标度的形式,并充分利用了人的经验和判断力。Harker和Vargas曾经这样评价AHP:“AHP是一套复杂的评价系统,当进行多目标、多准则以及多评委的决策时,面对众多的可选方案,AHP可以用来解决各类量化和非量化、理性与非理性的决策问题。”AHP简单易用,其缜密的理论基础决定了它能解决各类实际问题。
如今的决策方法中,为了消除主观赋权带来的影响和客观赋权的不灵活问题,通常都采用主观与客观组合赋权的方式进行决策。因此,针对簇类协议的簇头选取阶段,利用AHP和熵值法进行多属性决策选举簇头;其中,对簇头的选取进行改进和优化主要包括获取节点的参数、构建出原始矩阵、计算权重因子、对节点进行评价,根据评价选出高质量簇头;其流程如下图3所示;
步骤三、基于加权TOPSIS决策及多度量机制寻求最优路径;
相较于AHP,TOPSIS是一种全新的赋权决策方式,TOPSIS能够根据现有的数据,对个体进行评价排序;OPSIS法和之前提过的AHP方法一样,都可以对一系列的个体进行评价,不过通常来说AHP的应用场景是在没有明确的量化指标的情况下,而TOPSIS是在有量化指标的情况下完成的。TOPSIS法的基本原理如同其优劣解距离法的中文名称,那么简单的理解就是,一个指标到该指标的最优解的距离越小说明越好。
本发明利用加权TOPSIS法,在进行优劣距离计算时,对其增设相应的参数权重,TOPSIS是一种客观赋权的方式,因此引入主观赋权得到的权重因子进行修正;
对路由链路的选择和优化,主要步骤包括获取度量参数、参数评分、构建可信度函数、计算参数的权重系数、带入可信度函数中进行链路的可信度计算、选择满足要求的链路,其流程如图4所示:
研究对比发现,不同协议策略都各有优缺点,同时针对有拓扑的情况,尤其复杂不典型的拓扑,利用聚类分区简化方法将其归一化等效为简单拓扑,减少了“节点”数目,降低了拓扑的复杂度,使得对拓扑的分析难度大大减小,到达到了优化的目的
步骤一所述的采用基于顶点聚类法的模型简化法对拓扑进行简化的过程,具体为:
步骤一一、首先针对拓扑的简化进行区域的划分,理论上子区域可以有三种形状的划分方案,包括正方形、圆形和蜂窝形区域。
对于圆形区域,这样等分的区域虽然相对均匀,但是在覆盖区域的面积上存在一定的不足之处,即当每个子块互不相交且刚好相切时,会存在未覆盖的空白区域,那么落在空白区域的节点就存在被忽略的可能,从而使拓扑简化的有效可准确性大大降低,即使可以通过重叠区域来解决空白问题,但重叠区域的重复计算会增加没有必要的开销,如下图5为圆形区域划分。
正六边形和正方形的子区域相较于圆形区域划分,不存在空白区域,能够使检测区域覆盖的更加完整,有利于提高可靠性。另外,针对正六边形这种区域,它不仅不会产生重叠区和空白区,而且比较适合自由空间的全向辐射模式,在面积相同时,采用正方形和蜂窝正六边形区域覆盖时,正六边形划分的区域数量也少于正方形,如图6为蜂窝状子区域覆盖情况。
正方形区域相较于圆形区域,也不存在空白区和重叠区,但是在布设方面,正方形考虑的边界条件却比正六边形要少,因此计算分析简单,正方形子区域的分布极为均匀,每个子块同一直线上,而正六边形是镶嵌分布的,就复杂一些,如图7为正方形分区子块。
在平面内存在若干的节点,设定边长为L的正方形子块,将其铺满节点所在的平面,边长L的设定,基于GAF的区域划分方法,对子块的边长L的要求满足:
L2+(2L)2≤R2 (1)
式中,R表示节点间的最大通信半径;
步骤一二、划分在同一个子块内的节点,若数量在两个及其以上,选择距离正方形子块中心最近的节点作为代表节点,其他的节点统一归并到该代表节点处,若存在多个节点距离一样,选择能量高的作为代表节点,若仍然存在多个满足要求的节点,则选择第一个作为代表节点。
分区简化效果如下图8所示,红色的节点离中心距离更远,都被划分到更近的哪个代表节点上。
这样以来,相当于是对其进行了一种基于成簇的简化,降低了拓扑复杂度。
步骤二所述的基于AHP与熵值法进行多属性簇头选举的过程,具体为:
步骤二一、获取参数值:
对于成簇类的协议,簇首的选举是一个及其重要的环节,能否决策出一个高质量的簇头,对网络的整体稳定性以及生命周期有着至关重要的作用。节点的一般来说,在不外接能源的情况下,能量都是有限的,而且处于繁忙工作状态的节点,能耗会持续不断进行。原始的簇类协议如LEACH、OLSR都是根据概率函数随机选举出簇头,这样选举出的簇头好坏情况不一,网络的通信质量不理想。单个节点的能量和整个网络的生命周期都有一定联系,因此考虑能量进来作为一个决策参数,是有必要的。
选择相对距离因子和参数能耗速度作为参数;其中,选择相对距离因子作为其中一个参数的原因是,避免处于拓扑边缘的节点被选中为簇头节点;选择参数能耗速度作为一个参数的原因是,处于繁忙地段的节点的工作状态时间持续长,单位时间能量损失速率高,因此将簇头节点选在繁忙位置上是比较合理的。
步骤二二、构建决策体系:
AHP决策分析,分为三个层级,目标层、准则层和方案层。目标层需要得到高质量的簇头,决策的准则就是上文提到的参数值,最终目标就是要将能量充足,处于靠近拓扑中心,能流速度高的节点作为簇头节点;
(1)能量参数:
能量参数的计算如公式(2),它是一个处于0至1之间的百分比:
其中,EC为某时刻节点当前剩余能量,是动态变化的量,E0是初始节点的总能量,是常量,是一个小于1大于0的数;因此,该参数越大,决策评分越高;
(2)确定相对距离因子:
相对距离因子用来描述节点的位置距离中心的远近,用来制约边缘的节点被选为簇头的概率;若d为节点到中心位置的距离,参数Dd相对距离因子,计算方式如下:
Dd=e-d (3)
由公式可知,距离因子是一个处于范围0~1之间的数。
(3)能量速率:
在一般情况下,能耗速率越大,反映出该节点必然处在频繁转发的路段,比如是处在一个交通十字路口,那么这个位置成为簇头的概率就越高,越能切合簇头的定义。其表达式如下:
式中,ΔEc表示在一段时间内的能量衰减值,ΔEc=Ecur-Epre;Ecur是当前剩余能量,Epre是前一时刻的能量,Δt是当前时刻和前一时刻的时间差;
步骤二三、构建原始矩阵并决策分析:
建立矩阵以求得上述三个参数的权重值,并得到最终的节点决策函数;首先根据评价准则,目标是为了决策出高质量的簇头节点,可选的方案集是拓扑内的所有节点,但是通过决策参数的约束,需要的到一个最优结果,因此构建原始矩阵,就是决策环节的第一步。创造原始矩阵属于模糊数学的问题,模糊数学方法将一个复杂的多目标决策问题视作一个系统,将目标分解为多个目标或准则,进而分解为多指标的若干层次,通过定型的指标模糊算法计算出层次的权数;
模糊数学方法会建立层次结构模型,并按他们之间的关系分为目标层,准则层和方案层。其中目标层是决策的目的和待解决的问题。通过分析决策系统中的各个参数之间的关系,建立出的决策评价体系层次结构如上图9所示。
确定层次因素之间的权重,需要建立判断矩阵,采取由Saaty等人提出一致矩阵法,先比较对目标的影响程度,确定在该层中相对于某一准则的重要程度比重;进行两两指标间的比较,假设进行比较的因素有n个,那么判断矩阵一定是一个n维的方阵,见公式5:
在上述矩阵中,元素aij表示第i个参数相对于第j个参数的重要程度,这里参考其他资料,得到下述定义的元素取值和其对应的含义的评分决策表1所示:
表1模糊评价矩阵元素aij的评分表
按照选择的3个参数,如下图10所示,得到一个3x3的一个判断矩阵,见公式6:
这里的标度值依赖决策者的主观经验判断,一般由熟练的专家进行评估,对于填写后的原始矩阵,本发明使用和积法来替代定义法对特征值和特征向量进行求解;和积法的步骤如下:
首先,将判断矩阵的每一列向量作归一化处理,见公式7:
之后,将归一化的矩阵按行累加,得到向量
之后,对进行归一化处理得到矩阵的近似特征向量,如公式9所示。
这里的wi的组合,即可近似认为是特征向量,形式如公式10所示:
w=(w1,w2,…,wn)T (10)
之后,特征值的计算方法为公式11所示:
之后,进行一致性检验,主要是为了防止判断矩阵中的数值出现矛盾,即数据不一致程度超出了一致性允许的范围。一致性检验的步骤如下:
第一步,计算一致性指标CI,其计算公式如下:
其次,查找平均随机一致性指标RI,利用龚木森、许树柏1986年得出的1—15阶判断矩阵重复计算1000次的平均随机一致性指标;如下图11:
第二步,计算一致性比例CR,CR由以下公式得到:
如果CR<0.1,则可认为判断矩阵的一致性可以接受;否则需要对判断矩阵进行修正;一致性检验通过后,层次单排序中计算出的权重可用,其层次结构模型如上图12。最后,带入参数权重构建出决策评分函数σ,如下式:
σ=αER+βDd+γVE (14)
最终以每个节点的σ值作为决策出簇头节点的依据之一;
本发明采取的是主观和客观组合赋权方式,主观赋权权重计算出后,为了消除由于主观因素引起的影响,加入客观赋权熵值法作为约束条件,首先,利用熵值法确定一次各个参数权重;
根据节点的三个属性指标ER、Dd、和VE确定该方案的决策矩阵X,这里,引入正向指标和负向指标,正向指标值越大,对目标越有利,负向指标值越大,则相反;ER和VE是正向指标,Dd负向指标;
首先,对矩阵X的元素采取线性比例变换法进行标准化得到矩阵Y1,线性比例变换公式见下式:
若该列的指标为正向:
若该列的指标为负向:
采用熵值法求解权重,对矩阵Y1选用列归一化法进行归一化处理,得到归一化矩阵P,这里的归一化可选用列归一化、极差归一化、和Z-core归一化三种任意一种,方便计算起见,见式17:
根据归一化矩阵,利用公式18计算熵值e:
式中,n表示属性指标的数目;
计算差异系数g的,见公式19:
gi=1-ej (19)
根据式20计算出最终的权重系数:
主观赋权法(AHP)在根据决策者意图确定权重方面比客观赋权法(熵权法)具有更大的优势,但客观性相对较差,主观性相对较强;而采用客观赋权法有着客观优势,但不能反映出参与决策者对不同指标重视程度,并且会有一定的权重和与实际指标相反的程度。针对主客观赋权方法的优缺点,还力求将主观随机性控制在一定范围内,实现主客观赋权中的中正。客观方面。指标赋权公正,实现了主客观内在统一,评价结果真实、科学、可信。因此,在对指标进行权重分配时,应考虑指标数据之间的内在统计规律和权威值。给出了合理的决策指标赋权方法,即采用主观赋权法(AHP)和客观赋权法(熵权法)相结合的组合赋权方法,以弥补单一赋权带来的不足。将两种赋权方法相结合的加权方法称为组合赋权法。
因此,最终利用主客观组合赋权,得到的综合权重Qj,其计算结果如下:
其中,αj为AHP得到的权重,βj为熵值法得到的权重。
步骤三所述的基于加权TOPSIS决策及多度量机制寻求最优路径的过程为:
步骤三一、引入多度量标准对TOPSIS的结果进行加权,实现组合赋权:
原始的自组织网络路由协议如AODV路由协议,仅仅将到达时间先后作为仅有的度量标准,但是这样的做法是存在缺陷的,首先,每个节点都是需要能量才能工作的,而大多数情况下,节点没有能够持续获得能量供给的情况,因此,随时间推移,节点的能量是不断递减的,因此,仅仅考虑到达时间这一因素,作为选路的标准,定然不太合适。每个节点的能量和整个网络的生命周期息息相关,所以将节点能量作为其中一个度量标准,另外拥塞度的高低也体现了通信质量的好坏,当拥塞都过高时,节点的吞吐率也大大会降低,因此也作为一个度量因素,最后,路由跳数作为其中的一个度量标准是因为跳数过多可能会引起时延的增加。所以,多度量决策避免了单一度量标准的不灵活问题。
利用AHP确定度量指标重要性权重系数w=(α1α2α3...αm),α1~ αm表示m个度量指标的权重系数,首先,对节点能量(remaining energy,RE)进行评分,节点剩余能量不仅能体现出节点的存活与否,更直接影响着整个网络的生存周期。此外网络中存活的节点较多,路由链路的选择也多,通信的质量也较好。能量的计算方法如公式22所示:
其中,Elast为某时刻节点剩余的能量,是一个变量;Eall为初始时节点的总能量大小,是一个常量;因此,计算出来的评分值一定会和拥塞度一样介于0和1中间。由于自组网节点通常为同一时刻大范围布置相同的传感器。因此剩余能量越多,评分越高。
其次,对链路的拥塞度进行评分,链路的拥塞度主要用于描述本节点与下一跳邻居节点的拥塞状态,取值为下一跳节点的空闲队列长度在总发送队列的占比,本方法认为此项评分越高,说明节点拥塞的程度越低,反之越高,如公式23所示:
其中,Lfree为空闲发送队列的大小,Lall为总发送队列的大小;具体的操作方法为在路由发现阶段修改路由请求RREQ和路由应答RREP,当RREQ报文到达节点时,节点不再是简单的只处理第一个到达的RREQ,而是记录该值并打分,并对此后到达的RREQ回复相同的RREP消息。同样的,在路由维护阶段,周期性的传输Hello报文中也增加这一条目,用来检测该节点和邻居节点之间的拥塞度,并加以动态的调整。
最后,对于跳数,在后续的TOPSIS中会进行标准归一化处理,至此参数的模型基本确定完毕,利用所述的AHP的决策过程对剩余能量、拥塞度、跳数进行主观赋权,为后对TOPSIS的结果进行加权,以达到组合赋权的目的;
步骤三二、建立加权TOPSIS决策模型;
通过获取不同链路的各个参数得到原始的数据后,采用向量归一化法对该原始数据矩阵进行去量纲标准化处理,即每一列数据由以下公式进行标准化:
n为进行决策评分元素的数量,于是得到标准化矩阵Y如下:
m是决策指标数目,标准化矩阵是一个n行m列的矩阵,对该标准化后的矩阵Y进行加权处理,得到加权标准化矩阵,这里加权的系数,由AHP分析法得出的主观权值,其求解过程如上;设AHP分析法得到的最终权值的向量为w=(α1α2α3...αm),将其转化为对角阵形式:
所以由Y′=Y*W,得到加权标准化矩阵Y′,见式25,之后从加权标准化矩阵中得到最优解情况V*和最劣解情况V-,它们是一个行向量。
获得最优解V*和最差解V-取决于指标的值和属性,准则是:若指标对目标层的影响分为正向和负向,当然,在考虑最优解时,希望正向指标的值越大越好,负向指标的值越小越好,而同理,对于最劣解,则正向指标要求越小越好,负向指标越大越好;
步骤三三、决策出最优方案:
计算各个链路方案到最优解和最劣解的距离s*和s-,距离计算公式如下:
式中,和/>分别为最优解和最劣解中对应的指标值,最后,由公式30计算最终的贴进度C,C的值越接近1,表示该方案越优,根据各个方案C的值大小,可以看出各个方案的优劣情况。
本发明方法仿真环境为:
系统环境为Linux64位的Ubuntu20.04LTS操作系统、OMNeT++仿真工具、INET网络框架、Castalia自组网仿真框架、matplotlib开源绘图工具,python中的re正则表达库等。
配备的硬件:搭载英特尔i7处理器、英伟达RTX2070显卡的仿真开发机。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (4)
1.一种适用于移动AdHoc网络的多属性多度量路由决策方法,其特征在于:所述方法通过以下步骤实现:
步骤一、采用基于顶点聚类法的模型简化法对拓扑进行简化;
步骤二、基于AHP与熵值法进行多属性簇头选举;
采用主观与客观组合赋权的方式进行决策,针对簇类协议的簇头选取阶段,利用AHP和熵值法进行多属性决策选举簇头;其中,对簇头的选取进行改进和优化包括获取节点的参数、构建出原始矩阵、计算权重因子、对节点进行评价,根据评价选出高质量簇头;
步骤三、基于加权TOPSIS决策及多度量机制寻求最优路径;
本发明利用加权TOPSIS法,在进行优劣距离计算时,对其增设相应的参数权重,引入主观赋权得到的权重因子进行修正;
对路由链路的选择和优化,包括获取度量参数、参数评分、构建可信度函数、计算参数的权重系数、带入可信度函数中进行链路的可信度计算、选择满足要求的链路。
2.根据权利要求1所述的一种适用于移动AdHoc网络的多属性多度量路由决策方法,其特征在于:步骤一所述的采用基于顶点聚类法的模型简化法对拓扑进行简化的过程,具体为:
步骤一一、在平面内存在若干的节点,设定边长为L的正方形子块,将其铺满节点所在的平面,边长L的设定,基于GAF的区域划分方法,对子块的边长L的要求满足:
L2+(2L)2≤R2 (1)
式中,R表示节点间的最大通信半径;
步骤一二、划分在同一个子块内的节点,若数量在两个及其以上,选择距离正方形子块中心最近的节点作为代表节点,其他的节点统一归并到该代表节点处,若存在多个节点距离一样,选择能量高的作为代表节点,若仍然存在多个满足要求的节点,则选择第一个作为代表节点。
3.根据权利要求2所述的一种适用于移动AdHoc网络的多属性多度量路由决策方法,其特征在于:步骤二所述的基于AHP与熵值法进行多属性簇头选举的过程,具体为:
步骤二一、获取参数值:
选择相对距离因子和参数能耗速度作为参数;
步骤二二、构建决策体系:
(1)能量参数:
能量参数的计算如公式(2),它是一个处于0至1之间的百分比:
其中,EC为某时刻节点当前剩余能量,是动态变化的量,E0是初始节点的总能量,是常量,是一个小于1大于0的数;因此,该参数越大,决策评分越高;
(2)确定相对距离因子:
相对距离因子用来描述节点的位置距离中心的远近,用来制约边缘的节点被选为簇头的概率;若d为节点到中心位置的距离,参数Dd相对距离因子,计算方式如下:
Dd=e-d (3)
由公式可知,距离因子是一个处于范围0~1之间的数;
(3)能量速率:
其表达式如下:
式中,ΔEc表示在一段时间内的能量衰减值,ΔEc=Ecur-Epre;Ecur是当前剩余能量,Epre是前一时刻的能量,Δt是当前时刻和前一时刻的时间差;
步骤二三、构建原始矩阵并决策分析:
建立矩阵以求得上述三个参数的权重值,并得到最终的节点决策函数;
建立判断矩阵,采取一致矩阵法,先比较对目标的影响程度,确定在该层中相对于某一准则的重要程度比重;进行两两指标间的比较,假设进行比较的因素有n个,那么判断矩阵一定是一个n维的方阵,见公式5:
在上述矩阵中,元素aij表示第i个参数相对于第j个参数的重要程度,这里参考其他资料,得到下述定义的元素取值和其对应的含义的评分决策表1所示:
表1模糊评价矩阵元素aij的评分表
按照选择的3个参数得到一个3x3的一个判断矩阵,见公式6:
使用和积法来替代定义法对特征值和特征向量进行求解;和积法的步骤如下:
首先,将判断矩阵的每一列向量作归一化处理,见公式7:
之后,将归一化的矩阵按行累加,得到向量
之后,对进行归一化处理得到矩阵的近似特征向量,如公式9所示;
这里的wi的组合,即可近似认为是特征向量,形式如公式10所示:
w=(w1,w2,…,wn)T (10)
之后,特征值的计算方法为公式11所示:
之后,进行一致性检验,一致性检验的步骤如下:
第一步,计算一致性指标CI,其计算公式如下:
其次,查找平均随机一致性指标RI,利用1—15阶判断矩阵重复计算1000次的平均随机一致性指标;
第二步,计算一致性比例CR,CR由以下公式得到:
如果CR<0.1,则可认为判断矩阵的一致性可以接受;否则需要对判断矩阵进行修正;一致性检验通过后,层次单排序中计算出的权重可用,最后,带入参数权重构建出决策评分函数σ,如下式:
σ=αER+βDd+γVE (14)
最终以每个节点的σ值作为决策出簇头节点的依据之一;
加入客观赋权熵值法作为约束条件,首先,利用熵值法确定一次各个参数权重;
根据节点的三个属性指标ER、Dd、和VE确定决策矩阵X,引入正向指标和负向指标,正向指标值越大,对目标越有利,负向指标值越大,则相反;ER和VE是正向指标,Dd负向指标;
首先,对矩阵X的元素采取线性比例变换法进行标准化得到矩阵Y1,线性比例变换公式见下式:
若该列的指标为正向:
若该列的指标为负向:
采用熵值法求解权重,对矩阵Y1选用列归一化法进行归一化处理,得到归一化矩阵P,见式17:
根据归一化矩阵,利用公式18计算熵值e:
式中,n表示属性指标的数目;
计算差异系数g的,见公式19:
gi=1-ej (19)
根据式20计算出最终的权重系数:
利用主客观组合赋权,得到的综合权重Qj,其计算结果如下:
其中,αj为AHP得到的权重,βj为熵值法得到的权重。
4.根据权利要求3所述的一种适用于移动AdHoc网络的多属性多度量路由决策方法,其特征在于:步骤三所述的基于加权TOPSIS决策及多度量机制寻求最优路径的过程为:
步骤三一、引入多度量标准对TOPSIS的结果进行加权,实现组合赋权:
利用AHP确定度量指标重要性权重系数w=(α1α2α3...αm),α1~αm表示m个度量指标的权重系数,首先,对节点能量(remaining energy,RE)进行评分,能量的计算方法如公式22所示:
其中,Elast为某时刻节点剩余的能量,是一个变量;Eall为初始时节点的总能量大小,是一个常量;
其次,对链路的拥塞度进行评分,如公式23所示:
其中,Lfree为空闲发送队列的大小,Lall为总发送队列的大小;
最后,利用所述的AHP的决策过程对剩余能量、拥塞度、跳数进行主观赋权;
步骤三二、建立加权TOPSIS决策模型;
采用向量归一化法对该原始数据矩阵进行去量纲标准化处理,即每一列数据由以下公式进行标准化:
n为进行决策评分元素的数量,于是得到标准化矩阵Y如下:
m是决策指标数目,标准化矩阵是一个n行m列的矩阵,对该标准化后的矩阵Y进行加权处理,得到加权标准化矩阵,这里加权的系数,由AHP分析法得出的主观权值,其求解过程如上;设AHP分析法得到的最终权值的向量为w=(α1α2α3...αm),将其转化为对角阵形式:
所以由Y′=Y*W,得到加权标准化矩阵Y′,见式25,之后从加权标准化矩阵中得到最优解情况V*和最劣解情况V-,
获得最优解V*和最差解V-取决于指标的值和属性,准则是:若指标对目标层的影响分为正向和负向,当然,在考虑最优解时,希望正向指标的值越大越好,负向指标的值越小越好,而同理,对于最劣解,则正向指标要求越小越好,负向指标越大越好;
步骤三三、决策出最优方案:
计算各个链路方案到最优解和最劣解的距离s*和s-,距离计算公式如下:
式中,和/>分别为最优解和最劣解中对应的指标值,最后,由公式30计算最终的贴进度C,C的值越接近1,表示该方案越优,根据各个方案C的值大小,可以看出各个方案的优劣情况;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573117.8A CN116647890A (zh) | 2023-05-22 | 2023-05-22 | 一种适用于移动AdHoc网络的多属性多度量路由决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573117.8A CN116647890A (zh) | 2023-05-22 | 2023-05-22 | 一种适用于移动AdHoc网络的多属性多度量路由决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116647890A true CN116647890A (zh) | 2023-08-25 |
Family
ID=87639213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310573117.8A Pending CN116647890A (zh) | 2023-05-22 | 2023-05-22 | 一种适用于移动AdHoc网络的多属性多度量路由决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116647890A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407572A (zh) * | 2023-12-15 | 2024-01-16 | 国网浙江省电力有限公司绍兴供电公司 | 用于配网应急一体化指挥的故障信息处理方法及系统 |
-
2023
- 2023-05-22 CN CN202310573117.8A patent/CN116647890A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407572A (zh) * | 2023-12-15 | 2024-01-16 | 国网浙江省电力有限公司绍兴供电公司 | 用于配网应急一体化指挥的故障信息处理方法及系统 |
CN117407572B (zh) * | 2023-12-15 | 2024-03-15 | 国网浙江省电力有限公司绍兴供电公司 | 用于配网应急一体化指挥的故障信息处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soro et al. | Cluster head election techniques for coverage preservation in wireless sensor networks | |
CN108712767B (zh) | 一种无线传感器网络中能耗均衡的簇间多跳路由控制方法 | |
Zhang et al. | A new method of fuzzy multicriteria routing in vehicle ad hoc network | |
Arafat et al. | Distributed energy-efficient clustering and routing for wearable IoT enabled wireless body area networks | |
Mohammadnezhad et al. | Hybrid routing scheme using imperialist competitive algorithm and RBF neural networks for VANETs | |
Wang et al. | A spectrum-aware clustering algorithm based on weighted clustering metric in cognitive radio sensor networks | |
Jardosh et al. | A survey: Topology control for wireless sensor networks | |
CN110149672B (zh) | 一种改进的i-leach路由通信方法 | |
CN108566658B (zh) | 一种无线传感器网络中能耗均衡的分簇算法 | |
CN116647890A (zh) | 一种适用于移动AdHoc网络的多属性多度量路由决策方法 | |
Cicioğlu | Multi-criteria handover management using entropy‐based SAW method for SDN-based 5G small cells | |
Xenakis et al. | Topology control with coverage and lifetime optimization of wireless sensor networks with unequal energy distribution | |
Yao et al. | Game theory and coverage optimization based Multihop routing protocol for network lifetime in wireless sensor networks | |
Liu et al. | Toward reliable dnn-based task partitioning and offloading in vehicular edge computing | |
Satyanarayana et al. | Implementation of enhanced energy aware clustering based Routing (EEACBR) algorithm to improve network lifetime in WSN’s | |
Tirumalasetti et al. | Automatic Dynamic User Allocation with opportunistic routing over vehicles network for Intelligent Transport System | |
Muthukkumar et al. | Enhanced cooperative spectrum sensing in CRAHNs using distributed dynamic load-balanced clustering scheme | |
Bensaid et al. | A combined cluster-chain based routing protocol for lifetime improvement in WSN | |
Santos et al. | CGR: Centrality-based green routing for Low-power and Lossy Networks | |
CN116567107A (zh) | 一种面向智慧城市的无线传感器网络节能数据传输方法 | |
auf der Heide et al. | Congestion, dilation, and energy in radio networks | |
CN107801227B (zh) | 一种面向无线传感器网层次化分析的路由调度方法 | |
CN107371166B (zh) | 无线网络中一种基于频谱聚合的跨层优化装置及方法 | |
Prakash et al. | Best cluster head selection and route optimization for cluster based sensor network using (M-pso) and Ga algorithms | |
Abolhasan et al. | Joint Mobile Node Participation and Multihop Routing for Emerging Open Radio-Based Intelligent Transportation System |
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 |