为了进一步降低车联网中任务时延和能耗,提出基于NOMA(Non-orthogonal multiple access)和改进蚁群算法的车联网任务卸载策略。该策略使用NOMA进行节点间通信,以车辆在RSU(Roadside service unit)服务范围内驻留时间为主要约束条件,联...为了进一步降低车联网中任务时延和能耗,提出基于NOMA(Non-orthogonal multiple access)和改进蚁群算法的车联网任务卸载策略。该策略使用NOMA进行节点间通信,以车辆在RSU(Roadside service unit)服务范围内驻留时间为主要约束条件,联合延时和能耗建立系统损耗模型,结合ε约束处理技术和混合变量蚁群算法提出改进蚁群算法求解近似最小系统损耗。仿真结果表明,所提卸载策略较传统混合变量蚁群算法收敛更快,与其他卸载策略相比系统损耗更低,系统损耗下降幅度最高可达38.05%。展开更多
针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地...针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地图进行预处理,获得简化跳点;其次,通过简化跳点对栅格地图进行信息素初始化,以加强简化跳点的引导能力和减少前期盲目搜索;接着,设计蚂蚁死亡惩罚机制,以降低陷入死锁蚂蚁走过路径的信息素,减少死锁问题的发生;再者,通过重新设计启发式信息函数并引入分级式信息素因子改进状态转移概率函数,以提高收敛速度,缩短路径长度;最后,采用路径优化策略删减不必要路径节点,以进一步缩短路径长度、提升平滑度,提高路径质量。仿真结果表明,在简单环境中,JPOACO算法求得的路径长度较传统蚁群算法和另一种优化蚁群算法短约22.6%和2.0%,收敛迭代次数、收敛时间分别减少约77.0%、77.5%和49.3%、87.8%,零死亡迭代次数和零死亡时间较后者减少约19.5%和80.5%;在复杂菠萝种植环境中,JPOACO算法较传统蚁群算法和另一种优化蚁群算法求得的路径长度短16.6%和4.7%,收敛迭代次数、收敛时间分别减少约77.1%、17.4%和73.7%、47.4%,零死亡迭代次数和零死亡时间较后者减少约34.3%和58.2%,表明本文算法具有较高的适用性和可行性。展开更多
文摘为了进一步降低车联网中任务时延和能耗,提出基于NOMA(Non-orthogonal multiple access)和改进蚁群算法的车联网任务卸载策略。该策略使用NOMA进行节点间通信,以车辆在RSU(Roadside service unit)服务范围内驻留时间为主要约束条件,联合延时和能耗建立系统损耗模型,结合ε约束处理技术和混合变量蚁群算法提出改进蚁群算法求解近似最小系统损耗。仿真结果表明,所提卸载策略较传统混合变量蚁群算法收敛更快,与其他卸载策略相比系统损耗更低,系统损耗下降幅度最高可达38.05%。
文摘针对传统蚁群算法在农机导航路径规划中存在前期搜索盲目、死锁、收敛速度慢、收敛路径质量低的问题,本文提出基于跳点优化蚁群算法(Jump point optimized ant colony algorithm,JPOACO)的路径规划方法。首先,使用优化跳点搜索算法对地图进行预处理,获得简化跳点;其次,通过简化跳点对栅格地图进行信息素初始化,以加强简化跳点的引导能力和减少前期盲目搜索;接着,设计蚂蚁死亡惩罚机制,以降低陷入死锁蚂蚁走过路径的信息素,减少死锁问题的发生;再者,通过重新设计启发式信息函数并引入分级式信息素因子改进状态转移概率函数,以提高收敛速度,缩短路径长度;最后,采用路径优化策略删减不必要路径节点,以进一步缩短路径长度、提升平滑度,提高路径质量。仿真结果表明,在简单环境中,JPOACO算法求得的路径长度较传统蚁群算法和另一种优化蚁群算法短约22.6%和2.0%,收敛迭代次数、收敛时间分别减少约77.0%、77.5%和49.3%、87.8%,零死亡迭代次数和零死亡时间较后者减少约19.5%和80.5%;在复杂菠萝种植环境中,JPOACO算法较传统蚁群算法和另一种优化蚁群算法求得的路径长度短16.6%和4.7%,收敛迭代次数、收敛时间分别减少约77.1%、17.4%和73.7%、47.4%,零死亡迭代次数和零死亡时间较后者减少约34.3%和58.2%,表明本文算法具有较高的适用性和可行性。
