基于Q-learning的分布式自适应拓扑稳定性算法

针对移动节点对网络拓扑稳定性的影响,提出了一种预测相邻节点稳定联接的自适应分布式强化学习算法。各节点采用强化学习和学习区间自适应划分相结合的方法,利用相邻节点间的接收信号强度信息对相邻节点间的联接状态进行判定,最终预测出能够保持稳定联接的邻居节点集。通过多种条件下随机游走模型仿真,结果表明预测准确度均保持在95%左右,验证了该算法的有效性和稳定性。

改进的低时延全回波Q路由算法

针对传统路由算法不能适应拓扑环境及网络负载变化导致的拥塞问题,提出了一种改进的低时延全回波Q路由算法。改进算法对于原有算法附加学习率因子进行替换,使用调节范围更大、适应性更好、算法性能更稳健的双曲正割算子;改进算法根据不同网络情况自适应地调节学习率,进而提供合理的路由决策。仿真结果表明,该算法可以适应于静、动态拓扑环境,与已有的路由算法相比,改进算法能有效地减少高、低负载时数据的平均递交时间,降低路由间的振荡,提高数据包的投递率,且体现更好的稳健性。

一种分布式WSN数据漂移盲校准算法

针对无线传感器网络(wireless sensor networks,WSN)中传感器采集数据易产生漂移,影响测量数据质量的问题,提出一种改进的投影恢复网络(projection-recovery network,PRNet)盲校准算法。采用全分布式结构,将校准功能分布在各节点中独立执行。利用测量信号和实际信号训练模型,采用投影层实现信号子空间投影并获得信号观测,通过恢复层恢复信号观测并得到实际信号的无漂估计,完成对测量信号的校准。仿真结果表明,与PRNet及支持向量机结合卡尔曼滤波器算法相比,改进算法训练收敛速度较快,数据漂移盲校准性能较好。