改进流向算法的无线传感器网络覆盖优化

针对标准流向算法易陷入局部最优和收敛精度低等问题,提出一种融合莱维(Levy)飞行和入侵杂草策略的改进流向算法.首先,该算法在选择水流流向时引入Levy飞行机制,使水流沿最优水流位置方向做Levy飞行运动,避免陷入局部最优;其次,利用入侵杂草策略,对每一代水流进行繁殖、空间扩散和竞争操作,增加水流的多样性,扩大搜索范围,提高全局寻优能力.最后,将改进流向算法应用于无线传感器网络覆盖优化中,并与标准流向算法及其他改进算法进行实验对比.仿真结果表明,相比标准流向算法及其他改进算法,所提改进流向算法的覆盖性能有大幅提升,覆盖率可达98.52%,可实现更均匀的节点分布和更低的部署成本.

使用编码的反向散射通信协议设计与性能分析

周围环境中不断增加的物联网设备带来了巨大的机遇,但也带来了挑战,包括有限的电池寿命、低计算能力和多址接入的可扩展性.反向散射通信使得无处不在的物联网设备能够以超低功耗的方式进行通信,然而,支持大规模并发通信也是反向散射通信需要研究的问题之一.针对大规模标签并发通信误码率(BER)较高、传输速率低等问题,设计基于编码的码分多址(CDMA)接入技术,以支持多标签反向散射并发可靠通信.首先,该系统利用沃尔什(Walsh)码等正交性较强的码片区分标签并结合纠错编码,以增强抗干扰能力;其次利用相关检测与译码联合解码以降低误码率,实现信道的可靠通信;最后,在此基础上,基于K均值聚类算法(K-means clustering algorithm)设计标签分组机制,充分利用时-码2维资源扩充容量.实验表明,该方案能够实现100+个标签的可靠通信,误码率约2%、吞吐量达到了39 Mbps.

无线网状网容量分析与优化理论研究

首先对网状网容量估计与优化理论的技术难点进行分析,总结了其中的研究意义.根据国内外的研究现状,对干扰模型和调度模型进行总结与归纳,并对典型的优化模型进行了介绍.对目前容量优化算法常用的数学模型——规划模型、信息论模型、组合优化和随机过程模型进行了总结,提出了算法评价准则,对现有模型进行了点评.最后对未来的发展趋势提出了自己的观点.

Ad Hoc网络先应式路由维护机制的优化模型研究

Ad Hoc网络先应式路由算法(Proactive Routing Algorithm)具有寻由时延小,拓扑维护及时的优点,适合在网络负载较大的环境下高效运行.本文针对路由维护机制,以减少协议开销和寻由错误报文为目标,提出了基于Ad Hoc网络的先应式路由维护机制优化模型.通过对优化模型的相关参数讨论,得出如下结论:1.先应式路由协议的最优更新时间周期具有“逆向稳定性”;2.节点数目n与更新系数h有比例关系n→h3/2.通过模型求解和仿真结果相比较,验证了模型的正确性.优化模型的研究为先应式路由算法更新机制和算法的可扩展性支持提供了理论依据.

基于流量与拓扑信息联合反馈的无线自组网路由算法

移动自组织网络(MANET)路由协议中,反应式路由协议如DSR具有开销小,拓扑变化敏感,寻由效率高的优点,但寻由信息在网络中以洪泛的方式传播,限制了协议的可扩展性。利用DSR协议的路由应答消息,所有收到消息的节点根据反馈信息设置信息素标识。当由于拓扑变化而重新寻由时,转发节点能够根据先前提供的转发信息决定是否转发路由请求信息,其他节点则由于没有反馈信息不在网络中转发请求消息,从而节约带宽,提高寻由效率。针对算法的基本设计思想,根据数据流量特征,对算法的有效性进行了分析。利用G lom oS im仿真平台对不同环境下的协议性能进行了比较。仿真结果表明,基于反馈机制的DSR算法能够有效减小网络开销,同时增强协议的可扩展性。

k-冗余结构无线自组网广播算法研究

针对k-冗余连接路由算法的特点,对最优广播树的生成算法进行了研究。首先根据最优广播树的数学模型,证明了它是一个NP难题(NP-Complete)。然后针对网络拓扑的特点提出了启发式广播树生成算法。针对算法的特点,分析了算法复杂度和算法的效率。结合GlomoSim仿真平台,在无线网络环境下对算法的效率进行了仿真,将协议的性能与简单广播算法进行了比较。仿真结果表明,启发式广播算法能够减小网络开销和节点的转发次数,提高网络的传输效率。

基于流量特征的混合式自组网协议可扩展性研究

根据MANET研究组所建议的路由协议可扩展性评价准则,对移动自组织网络的可扩展性进行了分析与讨论.通过建立数学模型,分别考查了域内路由算法FSR、域间路由算法DSR,并对协议主要性能指标的可扩展性因子进行了讨论.研究结果表明,混合式路由协议(DSR+FSR)的方式具有快速收敛、路由信息稳定可靠、网络环境适应性强的特点,适用于网络环境与参数变化复杂的网络环境.

具有灰色预测功能的ad hoc网络稳定路由算法

将灰色理论应用于自组织网络拓扑连接状态预测,提高反应式路由协议(DSR)的预应能力,避免路由信息震荡,减小不必要的网络开销,迅速发现失效链路,提高了路由信息的稳定性.仿真结果表明,改进后的基于灰色模型的稳定路由协议S-DSR具有更高的稳定性,组网效率更高.

无线传感网与因特网融合技术

"泛在协同"是无线传感网发展过程的一个重要理念,因此无线传感网与因特网的融合技术成为亟需解决的热点问题。文章从设计理念、约束条件和运用模式3个方面分析了融合技术所面临的挑战,指明了技术难点与关键点;围绕网关接入策略、覆盖技术和无线网状网体系等不同风格的体制,对技术产生背景、主要特点和技术差别进行了介绍和点评。以美国国家自然科学基金会(NSF)组织开展的GENI计划为背景,文章介绍了新体系下的传感网实验平台建设情况,以及GENI技术发展的新构想。根据接入(融合)技术的特点,提出了性能评价的6项准则,并对不同技术体制的优缺点进行了比较。文章还对传感网与互联网融合技术的未来发展方向进行了讨论。

基于弱多径覆盖的自组织网路由协议

为了提高无线自组织网路由协议的可扩展性,根据多路径路由协议的特点,建立了多径寻由策略的数学模型。针对节点分离(Node disjoint)和链路分离(Link disjoint)式两种多径拓扑组织结构的缺点,提出了基于弱多径覆盖的具有可扩展能力的路由协议。在此基础上对多径算法进行了分析和仿真实现。仿真结果验证了算法的正确性和有效性。基于弱多径覆盖的路由算法对网络拓扑要求不高,更容易得到可行解,同时有效地提高了网络的可扩展能力。

群智感知网络研究现状与发展

群智感知网络由于能很好地解决大规模感知网络中部署维护成本高这个关键难题,近年来成为物联网研究的热点。笔者主要对群智感知网络的最新研究现状进行综述。阐述了群智感知网络的基本定义、起源和架构,分析了其特点以及与传统感知网络的区别与联系;分别从环境感知、公共基础设施感知以及社会感知3方面对群智感知网络的研究现状进行总结;分析和指出了群智感知网络未来3个重要的研究方向和挑战,为深入研究提供参考和借鉴。

层次分析法在战术互联网效能评估中的应用

战术互联网作为战术级部队机动作战的信息基础设施,对其进行效能评估具有重要的意义。本文建立了战术互联网的系统层次模型,给出实例说明了利用层次分析法进行战术互联网效能评估的方法,最后的结果表明该方法是有效的。

面向价值的战场信息处理与分发优化算法

针对用户高质量决策和高效率行动对信息的需求,从战场信息链流程角度提出了面向价值的战场信息处理和分发网络框架,采用信息质量来表征用户信息需求,并通过用户信息需求满意度指数来表征通信系统所分发的信息对用户完成任务的价值。依据信息质量和用户信息需求来评估信息处理所得到信息的价值,设计面向价值的贪心调度算法进行信息分发,使网络中传输的数据是富有价值的信息流。最后通过战场目标跟踪应用场景进行仿真实验,验证了面向价值的信息分发相对于基于服务质量的分发方式,在资源利用率和用户满意度上的性能优势,尤其在带宽资源缺乏的情况下,性能优势更为显著。

基于低轮值不可靠无线传感器网络的数据收集加速机制研究

为了最大限度地延长无线传感器网络的工作时间,网络中的节点需工作在低轮值模式下.由于工作于低轮值模式的节点大部分时间都处于睡眠状态,为了发送数据,节点需要等待较长的睡眠延时.当网络规模变大后,数据递交延时将变得非常大.另外,无线通信链路的不可靠性又使得递交率降低的同时进一步增加了递交时延.针对不可靠低轮值无线传感器网络所具有的特性,综合考虑了不可靠链路和低轮值的影响,给出了纠删编码在多条路径上的分配策略,从而在保证能量效率和较高递交率的前提下极大地减少了递交时延.仿真分析表明提出的算法以递交率轻微降低的代价获取了递交时延的显著下降.

无线自组织网络动态拓扑特性的排队理论建模与分析

在定义网络动态特性链路断链率(link broken rate)的基础上,以链路断链的间隔时间期望度量链路断链率,并通过建立循环排队模型对链路动态特性进行了分析,得到了链路动态模型及其表达式。利用商用Qualnet平台进行仿真实验,验证了模型的正确性。进一步仿真实验结果表明,网络动态特性与网络链路断链率密切相关,通过链路变化率模型,能够有效地将运动速度,节点密度和传输距离结合起来,能够从本质上描述网络动态特性,为动态网络性能的分析与仿真提供理论依据。

改进蚁狮优化算法及其工程应用

针对蚁狮优化算法(ALO)在求解工程优化问题时易陷入局部最优及收敛速度慢等缺陷,提出一种基于Levy飞行和差分进化的改进蚁狮优化算法(LDALO)。改进算法对ALO中的蚂蚁进行差分进化操作,从而改善种群多样性,避免算法陷入局部最优并提高算法全局搜索能力。精英引导的Levy飞行被用于蚂蚁位置更新,以加快算法收敛速度。改进算法还在蚁狮捕食蚂蚁后对蚁狮进行差分变异,以提高算法的寻优精度。仿真实验基于10个基准函数进行,其结果显示LDALO较其他对比算法收敛速度更快,寻优精度更高。在无线传感器网络覆盖优化、压力容器设计、拉压弹簧设计等工程优化问题中的应用,验证了LDALO的适用性和有效性。

轮值无线传感器网络邻居发现算法

为了使工作于轮值周期下的无线传感器网络节点能以较大的概率发现邻居节点,提出了在轮值网络下基于同步和概率的邻居发现算法.将此邻居发现问题建模为餐券收集者问题,并求解了这一问题,给出了网络节点发现任意个数的邻居所需时间片数量的期望值.另外,证明了在轮值周期为1时,该理论结果退化为普通ALHOA网络的结论.仿真结果表明,在一般情况下,该理论分析结果与实际情况符合得很好,即使在极端情况下(每一时间片仅有2个节点进入活跃状态)该理论结果仍具有较好的预测能力.

基于时空多样性编码的低轮值无线传感器网络可靠传输算法

提出了适用于低轮值无线传感器网络的可靠传输算法,主要特点是发掘并利用低轮值无线传感器网络特有的时空相关性,结合编码机制以获得较高的能量效率和较低的传输时延。针对编码块在多条路径上的最优分配问题进行了建模。由于求解最优策略是NP难题,给出了近似算法,并通过仿真分析了不同参数对近似算法的影响。仿真结果表明,基于时空多样性编码的分配算法能够在较低的能量开销条件下,实现低时延的可靠传输。

基于深度强化学习的智联网汽车感知任务分配

随着智能/辅助/自动驾驶以及电动汽车技术的飞速发展,当前智联网汽车配备越来越多的传感器,拥有越来越强大的计算、存储和通信能力.作为智联网汽车中重要一类,出租车、滴滴等网约车(Mobility-on-demand vehicles)具有城市覆盖规模大和粒度细,以及空闲时间充足的优点.因此,利用这些智联网汽车现有的移动感知设备能够为城市大规模、细粒度、低成本的感知提供很好的机会.本文以出租车、滴滴等这一类重要的智联网汽车为研究对象,重点研究它们的感知任务分配问题,主要面临两方面挑战:一是智联网汽车载客收益(如出租车载客收入)以及汽车/感知任务分布具有时空动态性,导致智联网汽车的感知成本具有高时空动态性且很难建模和学习.二是感知任务的最优分配问题是NP-hard问题,具有指数级时间复杂度.同时,高移动性的智联网汽车对任务的实时分配要求很高.因此,如何对大规模的智联网汽车实现任务的最优实时分配具有挑战性.为了解决这两个挑战,本文提出基于深度强化学习的智联网汽车感知任务分配方法.通过深度强化学习模型对高时空动态性的汽车感知成本进行精确学习,然后基于学习结果进行感知任务的实时最优分配.具体地,针对挑战一,利用基于双注意力机制的循环神经网络挖掘汽车载客收益的时空相关性,并结合驾驶耗费模型,学习智联网汽车的感知成本.针对挑战二,首先通过问题等价转换和理论分析,证明该任务的最优分配问题具有单调子模目标函数和q-独立系统约束条件.然后,基于子模优化理论,联合考虑整体收益和边际效益,提出多项式时间复杂度的近似最优分配算法(近似率为1/2+c_(max)/c_(min)),其中c_(max)和c_(min)分别表示所有感知成本的最大和最小值.最后,基于两个大规模的智联网汽车数据集(重庆市,约12493辆车;纽约市,约超过1.13亿个行程),对所提方法进行深入全面的评估.实验结果表明,所提方法比7种对比方法平均提高载客收益的预测精度25.1%,提高任务分配的总感知效益37.7%.同时,面向城市道路违规停车监测应用,构建智联网汽车感知原型系统.基于该系统验证了所提方法的可行性和实际应用价值.

一种基于群智感知网络的任务安全分发技术

群智感知网络利用广大用户现有的感知设备和已部署的通信网络可实现大规模的感知,能够解决当前大规模感知网络成本较高的问题。然而移动用户在任务传输和分配过程中,群体合谋以及任务拷贝转发都会对特定用户任务的安全造成威胁。针对这一问题,基于群智感知网络,提出一种任务安全分发技术,通过将球箱理论中的d-choice方法应用到任务分配过程中,在实现全体用户负载均衡的同时,根据制定的阈值策略,保证用户任务的安全性。仿真结果表明,相比随机任务分配技术,所提出的技术能够更有效地均衡任务负载,从而保证任务安全。