基于机会物联和节点协作的路由算法研究

来源 :北京交通大学 | 被引量 : 0次 | 上传用户:ccw629
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着物联网技术和产业的飞速发展,催生了许多新兴的物联网应用场景,例如水下环境的信息监测、野生动物信息采集、山区道路危险预警等。现有的无线通信网络在缺少基础设施的场景下很难有效运行,而机会网络利用网络节点之间的相遇机会进行数据传输,无需基础设施,可以更好的适应这些新兴应用场景。由于无线网络节点之间搭建的临时通信网络是高度动态且部分连通的,节点之间可能不存在完整的连接路径。机会网络采用“存储-携带-转发”的路由模式来解决这种间歇式连接的问题,然而在这种模式下,传统的路由算法不再适用,机会网络路由算法的设计面临巨大挑战。如何利用节点属性信息改善网络数据传输性能是最近几年的研究热点,也是本文研究的重点内容。本文首先对现有机会网络路由算法进行了详尽的梳理和分析,总结了影响路由算法性能的主要问题,如网络社区划分不精确、网络负载不均衡、节点信息利用有限及冗余消息过多等。然后以此为基础,有针对性的提出了两种创新型路由算法,具体研究工作如下:(1)本文提出了一种基于节点属性和缓存管理的路由算法。针对节点信息利用不充分的问题,该算法综合考虑节点类型、电量、缓存和相遇概率等信息对消息转发的下一跳进行决策,可以避免消息向资源不足和通信能力弱的节点传输。针对冗余消息过多的问题,该算法采用基于优先级调度的缓存管理机制,使得节点可以按照不同的优先级发送消息或清除缓存,并且可以及时删除网络中的冗余消息副本。(2)本文提出了一种基于动态社区和目的节点集中度的路由算法,针对网络社区划分不精确的问题,该算法结合复杂网络中社区划分的思想,利用节点连接信息构建加权的机会网络,然后根据连接权值和节点社会属性信息动态划分网络社区,提高了社区划分的准确度。针对网络负载不均衡的问题,该算法执行基于目的节点集中度的转发策略,为消息指明了到达目的节点的传输方向,降低了中心节点的负载,使得整个网络的负载更加均衡。(3)本文利用机会网络仿真工具The ONE设计了基于城市交通网络环境的传输模型,以及网络负载均衡的评价模块,并对经典算法和本文所提算法进行仿真对比。仿真结果表明,本文所提算法可以有效提高消息投递率,并降低网络负载。
其他文献
随着跨境贸易的快速发展,商品的协调制度(Harmonization System,HS)编码分类作为企业进出口贸易的重要海关程序,其准确性和高效性越来越受到相关部门的重视。如果能够自动、准确、高效地进行商品HS编码分类,将有助于海关部门通关查验、关税计算等工作的顺利进行,同时也可以帮助企业提高通关效率,降低通关成本。商品HS编码分类任务可以看作是一个文本分类任务,即给定商品的一段描述信息,目标是确
人脸活体检测作为人脸识别系统的重要安全保障环节,近几年在生物识别技术领域中飞速发展,广泛应用于移动支付、门禁系统和金融认证等场景。然而,人脸识别系统容易受到来自打印图像、数码图像以及回放视频等不同方式的攻击,使得人脸识别系统的安全性受到严重的威胁,所以,人脸活体检测在人脸识别系统中起着至关重要的作用,具有重要的研究价值。人脸活体检测在生物识别技术领域中是备受关注的研究方向,但目前仍存在以下几个问题
信号调制方式识别是指在未知调制信息的情况下对接收到信号的调制类型做出正确判断。通信信号调制识别不仅在民用领域意义重大,在军事及国家安全方面也都发挥着至关重要的作用,在电子战中,快速准确地判断出未知信号的调制方式是制胜的关键。在人工智能浪潮下,将机器学习算法与调制识别技术结合已经成为了发展趋势。本论文“基于机器学习的数字信号调制识别及FPGA设计与实现”主要研究基于机器学习的调制识别算法和神经网络的
开放车间调度问题是一种典型的组合优化问题,在制造业、交通和物流等领域被广泛研究。这类问题具有复杂的约束和巨大的解空间,因此求取最优解十分困难。目前,传统算法大都基于特定规则或局部搜索的策略来获得次优解,只适用于解决特定分布的问题,具有较大的局限性。近年来,深度强化学习在解决各类复杂决策问题中展现出较强的适用性和可扩展性,因此,本文基于深度强化学习求解开放车间调度问题。论文的主要工作如下:本文设计并
市政排水管道在城市建设中的应用逐渐增大,但由于地下空间不断开发,管道破损沉降,容易发生管道塌方、地面塌陷等严重情况。为了保障排水管道正常工作,市政工作井然有序,对排水管道进行应急检测具有重要意义。由于排水管道管径大小不一以及管内存在大量易燃易爆的有毒气体,人工下井作业十分困难,因此采用机器人下井完成管道应急检测是十分重要的。目前已有的管道检测机器人大多数只适用于新管道验收,很难适应排水管道这种恶劣
图像描述(Image Captioning)是指计算机对给定图像自动生成简洁的自然语言描述。计算机图像描述能够将图像信息转化为文本信息,从而实现信息不同模态之间的转换,在图像索引、智能教育、(盲人)视觉辅助等各方面具有广阔的应用前景。图像描述是一个多模态学习问题,不仅需要准确地识别对象、属性并捕捉到它们之间的关系,还需要考虑语法的准确性和语义的多样性,因此图像描述的实现需要结合计算机视觉、自然语言
在传统多标记学习算法中,用于训练的数据集中的每个样本被精确标注了多个相关标记,但由于近年来数据量急剧增长,精确数据集在现实情况中很难获取。现有的多标记学习算法对于不精确数据集的考虑通常是针对标记缺失的情况,然而在很多情况下数据集中的一个样本只是被大致分配了一组标记,该组标记中除相关标记以外还有一些不相关的噪声标记。为了解决多标记学习中的标记冗余问题,近年来提出了一个新的学习框架,即偏多标记学习框架
多模光纤内部不同模式的干涉会在光纤端面处形成具有复杂亮斑分布的光斑图样。由于光斑的形成与多模光纤的结构以及所处环境等具有密切联系,因此可以利用光斑的检测和处理对光纤所处状态进行传感。随着光斑图样检测技术与图像处理技术的日益发展,基于光斑的光纤传感器已经在多个领域表现出其独特的优越性,具有很高的研究价值。本文对多模光纤在不同弯曲半径下的输出光斑进行了仿真及实验研究,基于深度学习的方法,通过对多模光纤
多能谱CT(Computer Tomograph,CT)利用光子计数探测器直接将光信号转化成为数字信号,能够获得不同能量段的成像。多能谱CT可以利用K-边成像降低辐射或造影剂剂量,还可以利用多能谱特性提高软组织对比度。然而多能谱CT图像在物质浓度较低时,物质与背景很难被区分开来;当两种原子序数很接近的物质距离很近时,在成像图中会混在一起而难以区分。超分辨率图像重建旨在提高图像分辨率的同时解决物质与
相比传统的直流电机,永磁同步电机(PMSM)简化了结构,降低了成本,提高了控制性能,在高精度伺服控制领域得到了广泛应用。摩擦力矩干扰是影响永磁同步电机伺服系统精度和鲁棒性的重要因素之一。利用现代干扰补偿控制理论,设计非线性摩擦干扰控制器,补偿永磁同步电机伺服系统的非线性摩擦力矩干扰,提高伺服系统的位置和速度跟踪性能,具有重要意义。针对永磁同步电机位置伺服系统中存在的摩擦力矩干扰,本文结合分数阶控制