传统的AdHoc网络路由协议主要是基于"最短路径"来考虑,这样可能使网络中某些节点负载过重,还可能导致延迟、数据丢失等问题。利用非最短路径路由中那些保持连接时间较长,并且通信量较少的节点,将节点的连接时间和空闲度加权...传统的AdHoc网络路由协议主要是基于"最短路径"来考虑,这样可能使网络中某些节点负载过重,还可能导致延迟、数据丢失等问题。利用非最短路径路由中那些保持连接时间较长,并且通信量较少的节点,将节点的连接时间和空闲度加权和作为选择路径的依据,提出一种新的路由算法LLAODV(Link expiration time and Leisure degree AODV),实验结果表明,改进后的算法改善了网络性能。展开更多
在OLSR(optimized link state routing protocol)路由协议中,MPR(multi-point relays)节点的选择以连接度为参考标准。实际上,随着节点的增加和移动速度加剧,节点MAC层拥塞,应用层空闲度不够以及连接时间短暂等多维因素都会影响到MPR的...在OLSR(optimized link state routing protocol)路由协议中,MPR(multi-point relays)节点的选择以连接度为参考标准。实际上,随着节点的增加和移动速度加剧,节点MAC层拥塞,应用层空闲度不够以及连接时间短暂等多维因素都会影响到MPR的选择而造成路由开销增加。以连接时间为依据,参考节点MAC层拥塞度和应用层空闲度进行MPR选择算法研究。实验表明,改进后的MBOLSR(multidimensional balanced OLSR)路由协议在数据传输成功率,时延等方面都有显著提高。展开更多
针对无人机自组网等高动态飞行自组织网络中,网络拓扑的快速变化导致通信链路断裂和路由重建频繁的问题,研究一种基于Q-learning的QoS(quality of service)路由方法。该方法以Q-learning强化学习框架为基础,将邻居节点数量、链路持续时...针对无人机自组网等高动态飞行自组织网络中,网络拓扑的快速变化导致通信链路断裂和路由重建频繁的问题,研究一种基于Q-learning的QoS(quality of service)路由方法。该方法以Q-learning强化学习框架为基础,将邻居节点数量、链路持续时间和链路可用带宽作为路由度量信息,设计一种提供QoS保证的Q-learning奖励函数。网络节点通过广播Hello消息交互各自的本地路由度量信息,邻居节点接收到Hello分组或者数据分组,根据奖励函数计算并更新Q值,待转发数据分组的节点根据其维护的Q值表智能选择下一跳转发节点。EXata无线网络仿真环境中的仿真结果表明,该方法能为高动态飞行自组织网络中的数据传输提供稳定性好、服务质量高的通信链路。展开更多
文摘传统的AdHoc网络路由协议主要是基于"最短路径"来考虑,这样可能使网络中某些节点负载过重,还可能导致延迟、数据丢失等问题。利用非最短路径路由中那些保持连接时间较长,并且通信量较少的节点,将节点的连接时间和空闲度加权和作为选择路径的依据,提出一种新的路由算法LLAODV(Link expiration time and Leisure degree AODV),实验结果表明,改进后的算法改善了网络性能。
文摘在OLSR(optimized link state routing protocol)路由协议中,MPR(multi-point relays)节点的选择以连接度为参考标准。实际上,随着节点的增加和移动速度加剧,节点MAC层拥塞,应用层空闲度不够以及连接时间短暂等多维因素都会影响到MPR的选择而造成路由开销增加。以连接时间为依据,参考节点MAC层拥塞度和应用层空闲度进行MPR选择算法研究。实验表明,改进后的MBOLSR(multidimensional balanced OLSR)路由协议在数据传输成功率,时延等方面都有显著提高。
文摘针对无人机自组网等高动态飞行自组织网络中,网络拓扑的快速变化导致通信链路断裂和路由重建频繁的问题,研究一种基于Q-learning的QoS(quality of service)路由方法。该方法以Q-learning强化学习框架为基础,将邻居节点数量、链路持续时间和链路可用带宽作为路由度量信息,设计一种提供QoS保证的Q-learning奖励函数。网络节点通过广播Hello消息交互各自的本地路由度量信息,邻居节点接收到Hello分组或者数据分组,根据奖励函数计算并更新Q值,待转发数据分组的节点根据其维护的Q值表智能选择下一跳转发节点。EXata无线网络仿真环境中的仿真结果表明,该方法能为高动态飞行自组织网络中的数据传输提供稳定性好、服务质量高的通信链路。
