针对海上无线网状网通信环境复杂多变、船舶节点具有特殊移动模型等特点,提出一种基于Q-Learning的自适应路由(Q-Learning Based Adaptive Routing,QLAR)算法。综合考虑海上无线电波传播特性、船舶航程信息以及相应海区气象信息等因素...针对海上无线网状网通信环境复杂多变、船舶节点具有特殊移动模型等特点,提出一种基于Q-Learning的自适应路由(Q-Learning Based Adaptive Routing,QLAR)算法。综合考虑海上无线电波传播特性、船舶航程信息以及相应海区气象信息等因素的影响,提出链路可靠性、链路稳定性和节点航程相似度等概念,并对链路状态进行评估;然后,根据链路状态评估结果,利用Q-Learning算法寻找源、目的节点间最稳定的路径以传输数据分组;最后,利用OPNET搭建仿真平台对算法进行测试。仿真结果表明,与4种对比算法中性能最优的算法相比,QLAR算法最高可提升分组投递率4.89%,降低平均分组时延17.42%,减少归一化路由开销21.99%。展开更多
文摘针对海上无线网状网通信环境复杂多变、船舶节点具有特殊移动模型等特点,提出一种基于Q-Learning的自适应路由(Q-Learning Based Adaptive Routing,QLAR)算法。综合考虑海上无线电波传播特性、船舶航程信息以及相应海区气象信息等因素的影响,提出链路可靠性、链路稳定性和节点航程相似度等概念,并对链路状态进行评估;然后,根据链路状态评估结果,利用Q-Learning算法寻找源、目的节点间最稳定的路径以传输数据分组;最后,利用OPNET搭建仿真平台对算法进行测试。仿真结果表明,与4种对比算法中性能最优的算法相比,QLAR算法最高可提升分组投递率4.89%,降低平均分组时延17.42%,减少归一化路由开销21.99%。
