基于函数逼近的强化学习FANET路由优化算法

针对高速移动状态下的飞行自组网路由协议链路维护困难问题,提出一种基于强化学习的自适应链路状态路由优化算法QLA-OLSR。借鉴强化学习中的Q学习算法,通过感知动态环境下节点邻居数量变化和业务负载程度,构建价值函数求解最优HELLO时隙,提高节点链路发现与维护能力。利用优化Kanerva编码算法的状态相似度机制,降低QLA-OLSR算法复杂度并增强稳定性。仿真结果表明,QLA-OLSR算法能有效提升网络吞吐量,减少路由维护开销,且具有自学习特性,适用于高动态环境下的飞行自组网。

高动态迁移下无人机自组网路由协议研究

无人机自组网是对移动自组网的空天扩展,其高机动的飞行特性和网络高迁移性的特点,为移动自组网提出了一个具有挑战性的环境。论文提出在三维空间仿真模型中,针对无人机集群飞行高迁移性的特点,使用基于内存的三维高斯-马尔科夫移动模型模拟高动态无人机节点,对几种常用的移动自组网路由协议进行仿真,分析在高拓扑变化和高移动速度场景下各协议性能表现。最后仿真结果表明OLSR协议能在复杂的网络环境下相比其他协议保持较出色的适用能力,但其时延会随网络负载增加而增加,还需进一步优化。

基于生物集群智能的FANET移动模型研究

飞行自组网是一种由多架无人机组成的特殊移动Ad hoc网络,无人机在飞行时表现出强烈的群集运动特征,这种运动特征与自然界中鸟类的群集运动有着相似之处。因此,论文提出了一种基于生物集群智能的移动模型,在Boids群聚规则的基础上引入跟随、聚集和随机三种运动规则,通过Matlab仿真工具真实有效地模拟了无人机集群的聚集、分散、盘旋和平移这四种运动行为。

密集MANET下MPR的改进蚁群优化算法研究

针对传统多点中继(MPR)机制因使用贪心算法而导致求解集合冗余的问题,通过将蚁群优化算法与MPR机制相结合,提出一种基于状态信息的动态更新蚁群优化(DUACO)算法。与传统状态更新机制相比,该算法添加了信息素的动态更新机制和补偿-惩罚规则,考虑到节点移动性将会影响求解集合的精确度,重新定义蚁群算法中的路径选择函数,并将节点移动状态信息加入计算过程。实验结果表明,DUACO算法不仅能够有效降低MPR集合冗余以及提高网络性能,而且还可解决启发式蚁群算法易陷入局部最优解的问题。

节点密集型无人机自组网路由协议研究

无人机自组网是由无人机组成的移动自组网,具备高抗摧毁能力、高智能化、功能多样的特点,近年来无人机“蜂群”作战是备受关注的全新作战模式。由于无人机“蜂群”自组网的无人机节点密度大,导致应用环境比传统移动自组网复杂。论文针对无人机“蜂群”节点密度大的特点,构建节点密集型无人机自组网场景模拟高密度的无人机“蜂群”,对常见的几种自组网路由协议进行仿真,并且分析各个协议在节点密集型无人机自组网中的性能表现。实验结果表明,在节点密集型无人机自组网中AODV协议表现优于其他协议,若FANET对报文发送实时性要求不高应优先考虑AODV协议。

基于SSH架构的文库系统设计与实现

本文使用SSH架构、基于OpenOffice的PDF文件生成技术、基于SWFTools的SWF生成技术和基于Flexpaper的文件动态预览技术设计构架了一个文库系统。该系统将OpenOffice和SWFTools进行结合,实现了不同格式的文档先转化为PDF然后转到SWF进行在线预览。该系统面向高校,让普通同学能够和"学霸"交流,获得专业笔记和学习方法总结,使学生学习更有时效性,简单实用,高效便捷。

基于RRT算法的障碍物移动模型研究

现有的移动模型大多基于理想状态来模拟实物的运动,而不考虑其中障碍物的存在,这往往导致模型与现实场景存在一定的差距。因此,设计了一种适用于障碍物环境下的移动模型。通过在仿真场景内设置若干圆形障碍区,在传统的随机路点移动模型(RWPM)的基础上,引入快速扩展随机树(RRT)算法来探测障碍物,找到一条通往终点的路径。首先介绍了RWPM模型的运行原理,并分析了将它运用在障碍环境下的缺陷,接着对RRT算法进行详细阐述,然后通过Mat⁃lab仿真工具,将改进后的移动模型与传统的RWPM模型应用在两种不同的障碍物场景中,分析其节点概率分布情况。结果显示,改进后的移动模型不仅能更好地适应现实中多障碍物存在的情况,还具有更优的概率分布。