CN113382382A - 一种基于模糊逻辑优化策略的车辆自组网络路由方法 - Google Patents
一种基于模糊逻辑优化策略的车辆自组网络路由方法 Download PDFInfo
- Publication number
- CN113382382A CN113382382A CN202110642777.8A CN202110642777A CN113382382A CN 113382382 A CN113382382 A CN 113382382A CN 202110642777 A CN202110642777 A CN 202110642777A CN 113382382 A CN113382382 A CN 113382382A
- Authority
- CN
- China
- Prior art keywords
- node
- vehicle
- fuzzy logic
- forwarding
- neighbor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001788 irregular Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 15
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/026—Route selection considering the moving speed of individual devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
一种基于模糊逻辑优化策略的车辆自组网络路由方法(Geographic Routing methodbased on Velocity,Angle and Density,GRVAD),属于物联网领域,本方法主要为了解决GPSR的邻居节点位置获取滞后、路由判据单一等问题,考虑把节点间的相对速度、当前节点与邻居节点和目的节点连线的夹角、邻居节点的节点密度作为模糊逻辑的输入,并采用无迹卡尔曼滤波预测邻居节点的位置,获取更准确的邻居节点位置信息。仿真结果表明,该路由方法弥补了GPSR方法的一些不足,合理的兼顾了数据包递交率和端到端时延,更加符合车辆自组织网的通信要求。
Description
【技术领域】
本发明属于物联网领域,具体涉及一种基于模糊逻辑优化策略的车辆自组网络路由新方法。
【背景技术】
在现代智能交通***中,车联网在减少交通拥堵,减少交通事故以及提供各种实时便捷服务方面发挥着重要作用。但是,它们都需要超可靠的低延迟通信,这对于当前的车联网应用是一个巨大的挑战。由于端到端架构的高度耦合,传统的网络中的路由方法很难满足异构车辆场景中的各种紧急需求。另一方面,MEC(Mobile Edge Computing,移动边缘计算)将云计算平台从核心网络迁移到移动访问网络的边缘,移动用户可以在本地访问大量的计算和存储资源,这有效地避免了核心网络的拥塞。MEC能够克服传统云计算的缺点,并满足高带宽和低延迟的一些应用需求。因此在边缘计算的应用场景下,研究车辆自组织网络中的路由方法十分有前景。
现代的车辆上一般配备GPS等多种传感器,因此要获取车辆自身的位置、速度等信息是较为容易的,这就使得经典的基于地理位置的贪婪周边无状态路由(GreedyPerimeter Stateless Routing,GPSR)可以在此应用。该方法使用贪婪转发作为路由决策,每一跳都尽可能的接近目的节点,当转发出现路由空洞时,就采用周边转发,该方法依据直接邻节点进行下一跳选择,不需维护和存储路由表。但GPSR方法的下一跳节点通常位于通信范围的边界处,当车辆快速移动时,通信链路很可能发生断裂导致数据不能成功传输;并且由于车辆快速移动,邻居节点的位置信息可能更新不及时导致邻居节点的位置信息与实际位置出现偏差。
【发明内容】
本发明的目的主要为了解决GPSR的邻居节点位置获取滞后、路由判据单一等问题,提供一种基于模糊逻辑优化策略的车辆自组网络路由方法。本发明考虑把节点间的相对速度、当前转发节点与邻居节点和目的节点连线的夹角角度、邻居节点的节点密度作为模糊逻辑的输入,并采用无迹卡尔曼滤波预测邻居节点的位置,获取更准确的邻居节点位置信息。仿真结果表明,该路由方法弥补了GPSR方法的一些不足,合理的兼顾了数据包递交率和端到端时延,更加符合车辆自组织网的通信要求。
本发明提供的一种基于模糊逻辑优化策略的车辆自组网络路由方法(GeographicRouting method based on Velocity,Angle and Density,GRVAD),主要包括如下步骤:
第1、***模型构建与邻居节点位置预测:
第1.1、***模型构建;
第1.2、为邻居节点建立状态方程和测量方程;
第1.3、邻居节点位置预测过程和修正过程;
第2、用模糊逻辑改善GPSR贪婪转发策略,以此改善车辆移动过快导致的邻居节点位置不准确问题:
第2.1、模糊逻辑相关内容及操作;
第2.2、分析影响GPSR贪婪转发策略的因素,输出邻居节点作为下一跳的适应度,以此完善转发策略;
第3、设计基于模糊逻辑优化策略的路由方法,以此改善GPSR贪婪转发策略:
第3.1、基于模糊逻辑优化策略的路由方法实现步骤;
第3.2、路由方法的复杂度分析。
进一步的,步骤第1.1中拟定的***模型分为两种:
有规则路线上的车辆移动场景,这种场景发生在一个有双向车道的十字路口道路中的车辆模拟正常城市道路的行驶状态,存在变道、转向、掉头的行为,每辆车都能够在固定的通信范围R内与其他车辆进行通信;
无规则路线上的车辆移动场景,这种场景发生在没有严格的交通管制的地区道路上,车辆存在大量的无规则行驶行为,包括插队和逆行,道路中以及十字路口处的道路状况十分混乱,车辆行驶轨迹毫无规律,这种情况在实际情况中也时有发生,因此也很具有研究意义,这也体现了车辆自组织网络的复杂性;
在上面两种模型的基础上,如果想要实现两车互相通信,可以假设设置的场景中行驶的车辆数量为N,对每辆车进行编号,每辆车的编号ID为i,i∈[1,N];车辆i在时刻t时的位置用(xi(t),yi(t))来表示,在时刻t时车辆i与车辆j之间的距离用dij(t)来表示,那么车辆i和车辆j能够互相通信且互为对方邻居节点的条件是:
dij(t)<R (1)
这里的dij(t)可以通过车辆i和车辆j在时刻t时的位置信息计算得到:
步骤第1.2中,在一般情况下,可以默认每辆车上都装有GPS导航***,可以在指定时刻测得车辆的位置和移动速度、移动方向等信息,由此得到车辆i在时刻t的状态矩阵:
Xi(t)=[xi(t),yi(t),ai(t),vi(t)]T (3)
若规定与车辆行进方向垂直的横向道路为x坐标方向,与车辆行进方向平行的纵向道路为y坐标方向,在式(3)中,xj(t)为x坐标方向,yj(t)为y坐标方向,ai(t)为车辆i在时刻t时相对于水平正角度的运动方向,ai(t)∈[0,π],vi(t)是车辆i在t时刻的运动速度,vi(t)∈[30,90]km/h。
若车辆i在Δt时间段内所作的运动被近似为匀速直线运动,则下一时刻它的位置的状态方程如下:
这里我们假设在Δt时间段后车辆i的运动速度和角度不发生改变,测量方程则可以由车辆i与其邻居节点中被选取为下一跳节点的车辆j之间的距离来表示,测量方程如下:
上式中,Zij(t+Δt)为t+Δt时刻车辆i与车辆j之间通过测距仪器得到的距离,xj(t+Δt)和yj(t+Δt)是下一跳节点j在t+Δt时刻在地图上的实时横纵坐标位置。
步骤第1.3中在预测过程中,首先设σ为邻居节点,σ点的个数根据状态矩阵的维度确定并计算。M维***需要选取2M+1个σ点,我们的***为4维,选取9个σ点,均值在中心点处取得。
式(6)中的Pk-1是***的协方差矩阵,式(6)如下:
第1个σ点到第M+1个σ点的计算公式由式(7)、式(8)给出:
上式中,K是可调参数,我们将其设置为3-M。Lk-1是要求解的矩阵,矩阵Lk-1的第i列记作coliLk-1。同理,第M+2到2M+1个σ点的计算公式如下:
然后将σ点代入非线性函数f,就可以得到其对应的映射点集y:
后续计算所需要的权重值如下:
计算预测的均值yk和方差Pk的公式如下:
Qk为噪声的协方差矩阵,进行修正过程,σ点集依据测量模型映射到测量点集:
得到测量***的均值zk和方差Pz的公式如下:
导出协方差Pxz和卡尔曼增益Kk的公式如下:
更新修正的状态值并更新协方差矩阵:
式(19)中的xk为更新后的更加准确的***状态信息。
进一步的,步骤第2.1中模糊逻辑相关内容及操作如下。
模糊集合:论域U中模糊集合F用一个在区间[0,1]上取值的隶属函数μF来表示,即:
μF:U→[0,1] (21)
如果μF(u)=1,则u属于U;如果μF(u)=0,则u不属于U;如果0<μF(u)<1表示u部分属于U。
并操作:并操作(A∪B)的隶属度函数μA∪B对所有u∈U被逐点定义为取大运算,即:
μA∪B(u)=max{μA(u),μB(u)} (22)
交操作:交操作(A∩B)的隶属函数μA∩B对所有u∈U被逐点定义为取小运算,即:
μA∩B(u)=min{μA(u),μB(u)} (23)
那么利用模糊逻辑的输出可得:
步骤第2.2中分析影响GPSR贪婪转发策略的因素,得到三个参数作为模糊逻辑的输入,输出邻居节点作为下一跳的适应度得分,以此完善转发策略:
速度因素:在当前数据转发节点的邻居节点中选择与其速度差值最小的邻居节点,这样可以在数据转发的过程中尽可能久的保持这两节点间的链路连通。用fv表示在改进的转发策略中的速度影响函数,其数学公式为:
式中VS为当前节点S的速度,Vσ为当前节点的任一邻居节点σ的速度,Vmax为车辆在道路上的最大行驶速度,故速度函数fv的取值范围为[0,1];
角度因素:在当前节点和目的节点之间建立连接,并且在当前节点的任一相邻节点和当前节点之间进行连接,从而应选择让角度θ最小的相邻节点作为下一个转发节点。用fa表示在改进的转发策略中的角度影响函数,其数学公式为:
其中,θ是当前节点与目的节点的连线和当前节点的任一邻居节点与当前节点之间的连线之间的夹角;
密度因素:一个节点的邻居节点数越多,则它的节点密度越高,当选下一跳节点就越有优势。用fd表示在改进的转发策略中的密度影响函数,其数学公式为:
其中,Σne为节点e的邻居节点个数,网络中的节点总数为n,当前节点S到目的节点D的距离为dSD,理想情况下每个节点的邻居节点个数为n/(dSD/R),信号传输半径为R,从源节点到目的节点转发数据时的路由跳数为dSD/R,故密度函数fd的取值范围为[0,1]。
反模糊化:反模糊化是将获得的模糊结论转换为准确数字并输出的过程。在这里,我们采用centroid方法来进行反模糊化,其表达式为:
其中k是输出变量,ξ(k)是隶属度函数的输出,Frank为节点作为下一跳节点的适应度得分,用来衡量一个车辆作为下一跳节点的性能。
设当前节点为Z,Z的任一邻居节点为O,模糊逻辑的输出即下一跳的适应度得分用SZO来表示。SZO的计算公式为:
SZO=α1fv+α2fa+α1fd (31)
fv是改进转发策略中的速度影响函数,fa是改进转发策略中的角度影响函数,fd是改进转发策略中的密度影响函数。α1、α2、α3均为可调参数,并满足α1+α2+α3=1,它们的值可以根据不同的模拟场景进行调整。
进一步的,步骤3.1中基于模糊逻辑优化策略的路由方法的实现步骤描述如下:
(1)每个车辆都具有MEC赋予的基本的计算能力且每个车辆节点都可以通过信标分组与它的邻居节点互相报告位置、速度、运动方向等信息,并定期更新邻居节点表。
(2)如果源节点需要传输数据,它将在当前节点的相邻节点表中查询目标节点信息,如果有,则将数据包转发到目标节点以完成传输任务;否则,进入步骤(3)。
(3)通过等式(3)-(20)预测当前节点相邻节点的位置,并更新邻居节点表中相应信息。
(4)判断当前节点的邻居节点中是否至少存在一个满足贪婪转发的节点,若是则转到步骤(5);否则转到步骤(6)。
(5)通过公式(31)计算当前节点的每一个邻居节点作为下一跳节点的适应度得分,将适应度得分最高的节点作为下一跳节点,执行完毕转至步骤(7)。
(6)进入周边转发模式,当数据包绕过空洞区域并满足贪婪转发要求后,转步骤(5)。
(7)重复上述步骤(2)-(6),直到传输任务成功完成。
步骤第3.2中,我们从时间和空间复杂度这两个角度出发去分析GRVAD路由方法的复杂度。GRVAD路由方法的时间复杂度主要取决于模糊逻辑优化后的贪婪策略建立的路由路径以及右手法则和左手法则所建立的路由路径。设整个网络中N个节点,最坏的情况是从源节点到目的节点的路由将网络中的每个剩余节点都利用一遍,因此最差的时间复杂度是O(n)。假设在贪婪转发模式下此过程的时间复杂度为O(n1)。周边转发模式使用右手规则,以帮助数据包绕过路由空洞,n2用于表示在此过程中转发节点的数量。令n=n1+n2,因此GRVAD路由方法的时间复杂度为O(n)。在大型的车辆自组织网络中,车辆节点的频繁移动将使得一个节点的通信范围内的节点不断更替,因此,使用图的邻接矩阵表示节点及它们之间的关系更为合适。因为网络中的每个节点都存储了相应相邻节点的位置信息,所以O(n2)是GRVAD路由方法的空间复杂度。
本发明的优点和积极效果
一种基于模糊逻辑优化策略的车辆自组网络路由新方法,在该方法中,主要研究了如何解决GPSR的邻居节点位置获取滞后、路由判据单一等问题,本发明考虑把节点间的相对速度、当前节点与邻居节点和目的节点连线的夹角、邻居节点的节点密度作为模糊逻辑的输入,并采用无迹卡尔曼滤波预测邻居节点的位置,获取更准确的邻居节点位置信息。仿真结果表明,该路由方法弥补了GPSR方法的一些不足,合理的兼顾了数据包递交率和端到端时延,更加符合车辆自组织网的通信要求,具有一定的实用价值。
【附图说明】
图1是有规则车辆移动场景图;
图2是无规则车辆移动场景图;
图3是不同数据包发送速率下车辆总数对数据包递交率的影响图;其中,(a)表示每秒发送4个数据包时车辆总数对数据包递交率的影响,(b)表示每秒发送8个数据包时车辆总数对数据包递交率的影响;
图4是不同数据包发送速率下车辆总数对平均端到端时延的影响;其中,(a)表示每秒发送4个数据包时车辆总数对平均端到端时延的影响,(b)表示每秒发送8个数据包时车辆总数对平均端到端时延的影响;
图5是不同数据包发送速率下车辆总数对平均端到端跳数的影响图;其中,(a)表示每秒发送4个数据包时车辆总数对平均端到端跳数的影响,(b)表示每秒发送8个数据包时车辆总数对平均端到端跳数的影响;
图6是不同数据包发送速率下车辆最大速度对数据包递交率的影响图;其中,(a)表示每秒发送4个数据包时车辆最大速度对数据包递交率的影响,(b)表示每秒发送8个数据包时车辆最大速度对数据包递交率的影响;
图7是不同数据包发送速率下车辆最大速度对平均端到端时延的影响图;其中,(a)表示每秒发送4个数据包时车辆最大速度对平均端到端时延的影响,(b)表示每秒发送8个数据包时车辆最大速度对平均端到端时延的影响;
图8是不同数据包发送速率下车辆最大速度对平均端到端跳数的影响图;其中,(a)表示每秒发送4个数据包时车辆最大速度对平均端到端跳数的影响,(b)表示每秒发送8个数据包时车辆最大速度对平均端到端跳数的影响;
图9是实际场景道路模型图;
图10是真实场景下车辆最大速度对平均端到端时延的影响;
图11是真实场景下车辆最大速度对数据包递交率的影响图;
图12是本发明一种基于模糊逻辑优化策略的车辆自组网络路由新方法的流程图。
【具体实施方式】
实施例1
本实验使用了MATLAB平台,对设置的GRVAD(基于模糊逻辑优化策略的路由方法)路由方法进行测试。将提出的GRVAD路由方法与GPSR、GPSR-R、LSPR和MM-GPSR路由方法进行比较,实验证明该路由方法弥补了GPSR方法的一些不足,合理的兼顾了数据包递交率和端到端时延,更加符合车辆自组织网的通信要求。
参见附图12,本实例提供的一种基于模糊逻辑优化策略的车辆自组网络路由方法,主要包括如下关键步骤:
第1、***模型构建与邻居节点位置预测:
第1.1、***模型构建;
拟定的***模型分为两种,有规则路线上的车辆移动场景,这种场景发生在一个有双向车道的十字路口道路中的车辆模拟正常城市道路的行驶状态,存在变道、转向、掉头的行为,每辆车都能够在固定的通信范围R内与其他车辆进行通信;
无规则路线上的车辆移动场景,这种场景一般发生在没有严格的交通管制的地区道路上,车辆存在大量的无规则行驶行为如插队、逆行等,道路中尤其是十字路口处的道路状况十分混乱,车辆行驶轨迹毫无规律,这种情况在实际情况中也时有发生,因此也很具有研究意义,这也体现了车辆自组织网络的复杂性。
在上面两种模型的基础上,如果想要实现两车互相通信可以假设设置的场景中行驶的车辆数量为N,对每辆车编号,每辆车的ID为i,i∈[1,N]。车辆i在时刻t时的位置用(xi(t),yi(t))来表示,在时刻t时车辆i与车辆j之间的距离用dij(t)来表示,那么车辆i和车辆j可以互相通信且互为对方邻居节点的条件是:
dij(t)<R (1)
这里的dij(t)可以通过车辆i和车辆j在时刻t时的位置信息计算得到:
第1.2、为邻居节点建立状态方程和测量方程;
在一般情况下,可以默认每辆车上都装有GPS导航***,可以在指定时刻测得车辆的位置和移动速度、移动方向等信息,由此得到车辆i在时刻t时的状态矩阵:
Xi(t)=[xi(t),yi(t),ai(t),vi(t)]T (3)
若规定图1中与车辆行进方向垂直的横向道路为x坐标方向,与车辆行进方向平行的纵向道路为y坐标方向,在式(3)中,xj(t)为x坐标方向,yj(t)为y坐标方向,ai(t)为车辆i在时刻t时相对于水平正角度的运动方向,ai(t)∈[0,π],vi(t)是车辆i在t时刻的运动速度,vi(t)∈[30,90]km/h。
若车辆i在Δt时间段内所作的运动被近似为匀速直线运动,则下一时刻它的位置的状态方程如下:
这里我们假设在Δt时间段后车辆i的运动速度和角度不发生改变,测量方程则可以由车辆i与其邻居节点中被选取为下一跳节点的车辆j之间的距离来表示,测量方程如下:
上式中,Zij(t+Δt)为t+Δt时刻车辆i与车辆j之间通过测距仪器得到的距离,xj(t+Δt)和yj(t+Δt)是下一跳节点j在t+Δt时刻在地图上的实时横纵坐标位置。
第1.3、邻居节点位置预测过程和修正过程;
在预测过程中,首先设σ为邻居节点,σ点的个数根据状态矩阵的维度确定并计算。M维***需要选取2M+1个σ点,本***为4维,选取9个σ点,均值在中心点处取得。
式(6)中的Pk-1是***的协方差矩阵,式(6)如下:
第1个σ点到第M+1个σ点的计算公式由式(7)、式(8)给出:
上式中,K是可调参数,我们将其设置为3-M。矩阵Lk-1的第i列记作coliLk-1。同理,第M+2到2M+1个σ点的计算公式如下:
然后将σ点代入非线性函数f,就可以得到其对应的映射点集y:
后续计算所需要的权重值如下:
计算预测的均值yk和方差Pk的公式如下:
Qk为噪声的协方差矩阵,进行修正过程,σ点集依据测量模型映射到测量点集:
得到测量***的均值zk和方差Pz的公式如下:
导出协方差Pxz和卡尔曼增益Kk的公式如下:
更新修正的状态值并更新协方差矩阵:
式(19)中的xk为更新后的更加准确的***状态信息。
第2、用模糊逻辑改善GPSR贪婪转发策略,以此改善车辆移动过快导致的邻居节点位置信息不准确的问题:
第2.1、模糊逻辑相关内容及操作;
模糊逻辑相关内容及操作如下。
模糊集合:论域U中模糊集合F用一个在区间[0,1]上取值的隶属函数μF来表示,即:
μF:U→[0,1] (21)
如果μF(u)=1,则u属于U;如果μF(u)=0,则u不属于U;如果0<μF(u)<1表示u部分属于U。
并操作:并操作(A∪B)的隶属度函数μA∪B对所有u∈U被逐点定义为取大运算,即:
μA∪B(u)=max{μA(u),μB(u)} (22)
交操作:交操作(A∩B)的隶属函数μA∩B对所有u∈U被逐点定义为取小运算,即:
μA∩B(u)=min{μA(u),μB(u)} (23)
那么利用模糊逻辑的输出可得:
第2.2、分析影响GPSR贪婪转发策略的因素,输出邻居节点作为下一跳的适应度,以此完善转发策略;
速度因素:在当前数据转发节点的邻居节点中选择与其速度差值最小的邻居节点,这样可以在数据转发的过程中尽可能久的保持这两节点间的链路连通。用fv表示在改进的转发策略中的速度影响函数,其数学公式为:
式中VS为当前节点S的速度,Vσ为当前节点的任一邻居节点σ的速度,Vmax为车辆在道路上的最大行驶速度,故速度函数fv的取值范围为[0,1];
角度因素:在当前节点和目的节点之间建立连接,并且在当前节点的任一相邻节点和当前节点之间进行连接,从而应选择让角度θ最小的相邻节点作为下一个转发节点。用fa表示在改进的转发策略中的角度影响函数,其数学公式为:
其中,θ是当前节点与目的节点的连线和当前节点的任一邻居节点与当前节点之间的连线之间的夹角.
密度因素:一个节点的邻居节点数越多,则它的节点密度越高,当选下一跳节点就越有优势。用fd表示在改进的转发策略中的密度影响函数,其数学公式为:
其中,Σne为节点e的邻居节点个数,网络中的节点总数为n,当前节点S到目的节点D的距离为dSD,理想情况下每个节点的邻居节点个数为n/(dSD/R),信号传输半径为R,从源节点到目的节点转发数据时的路由跳数为dSD/R,故密度函数fd的取值范围为[0,1]。
反模糊化:反模糊化是将获得的模糊结论转换为准确数字并输出的过程。在这里,我们采用centroid方法来进行反模糊化,其表达式为:
其中k是输出变量,ξ(k)是隶属度函数的输出,Frank为节点作为下一跳节点的适应度得分,用来衡量一个车辆作为下一跳节点的性能。
设当前节点为Z,Z的任一邻居节点为O,模糊逻辑的输出即下一跳的适应度得分用SZO来表示。SZO的计算公式为:
SZO=α1fv+α2fa+α1fd (31)
fv是改进转发策略中的速度影响函数,fa是改进转发策略中的角度影响函数,fd是改进转发策略中的密度影响函数。α1、α2、α3均为可调参数,并满足α1+α2+α3=1,它们的值可以根据不同的模拟场景进行调整。
第3、基于模糊逻辑优化策略的路由方法实现步骤:
第3.1、GRVAD路由方法实现步骤;
GRVAD路由方法的实现步骤描述如下:
(1)每个车辆都具有MEC赋予的基本的计算能力且每个车辆节点都可以通过信标分组与它的邻居节点互相报告位置、速度、运动方向等信息,并定期更新邻居节点表。
(2)如果源节点需要传输数据,它将在当前节点的相邻节点表中查询目标节点信息,如果有,则将数据包转发到目标节点以完成传输任务;否则,进入步骤(3)。
(3)通过等式(3)-(20)预测当前节点相邻节点的位置,并更新邻居节点表中相应信息。
(4)判断当前节点的邻居节点中是否至少存在一个满足贪婪转发的节点,若是则转到步骤(5);否则转到步骤(6)。
(5)通过公式(31)计算当前节点的每一个邻居节点作为下一跳节点的适应度得分,将适应度得分最高的节点作为下一跳节点,执行完毕转至步骤(7)。
(6)进入周边转发模式,当数据包绕过空洞区域并满足贪婪转发要求后,转步骤(5)。
(7)重复上述步骤(2)-(6),直到传输任务成功完成。
第3.2、路由方法的复杂度分析;
我们从时间和空间复杂度这两个角度出发去分析GRVAD路由方法的复杂度。GRVAD路由方法的时间复杂度主要取决于模糊逻辑优化后的贪婪策略建立的路由路径以及右手法则和左手法则所建立的路由路径。设整个网络中N个节点,最坏的情况是从源节点到目的节点的路由将网络中的每个剩余节点都利用一遍,因此最差的时间复杂度是O(n)。假设在贪婪转发模式下此过程的时间复杂度为O(n1)。周边转发模式使用右手规则,以帮助数据包绕过路由空洞,n2用于表示在此过程中转发节点的数量。令n=n1+n2,因此GRVAD路由方法的时间复杂度为O(n)。在大型的车辆自组织网络中,车辆节点的频繁移动将使得一个节点的通信范围内的节点不断更替,因此,使用图的邻接矩阵表示节点及它们之间的关系更为合适。因为网络中的每个节点都存储了相应相邻节点的位置信息,所以O(n2)是GRVAD路由方法的空间复杂度。
我们用MATLAB进行仿真实验,为了实验场景接近真实情况,先绘制1000×1000的网络拓扑场景如图1和图2所示,其中包含水平双向6车道、垂直双向6车道,一个十字路口。车辆随机生成在道路上,车辆最大移动速度在30~90km/h之间,其中每辆车都以一定的概率发生变道、超车、调头、停止等行为,车辆的总个数在100~400个之间变化。
我们在所模拟的场景中将提出的GRVAD路由方法与GPSR、GPSR-R、LSPR和MM-GPSR路由方法进行比较。设置车辆最大速度为60km/h,车辆总数从100以50为步长增加到400,数据包发送率为4、8(个/s),这种情况下主要研究不同的数据包发送速率以及车辆总数对路由方法的影响。
本实例的仿真实验结果如下:
1.不同数据包发送速率下车辆总数对数据包递交率的影响
图3(a)中,源车辆每秒发送4个数据包,随着车辆总数的增加,五种路由算法的数据包递交率都有大幅的提升。从图3(a)中可以看出,GPSR-R和LSPR方法的数据包递交率较高,这是因为它们重点关注链路稳定性。GPSR方法的数据包递交率最低,这是由于它的路由转发策略单一,总是以最大步长接近目的节点,链路容易发生断裂。GRVAD路由方法综合考虑了链路稳定性和传输效率,总体上的数据包递交率略低于GPSR-R和LSPR方法,高于MM-GPSR和GPSR方法。
在图3(b)中,源车辆的发包速率为8个/s,图(b)中五种方法的数据包递交率曲线的走势和图(a)基本一致,对比相同车辆总数下每秒发8个和每秒发4个数据包时的数据包递交率可以发现,发包速率越高,数据包递交率越低。
2.不同数据包发送速率下车辆总数对平均端到端时延的影响
由图4(a)可以看出,道路中的车辆密度越高,找到合适的下一跳转发节点越容易,因此车辆总数越大,平均端到端时延都越低。但GPSR方法的平均端到端时延在车辆总数为250个时高于车辆总数为200时,这是由于GPSR方法相对容易发生路由空洞导致进入周边转发模式,因此增加了时延。
由图4(b)可以看出,当数据包发送速率增加时,各个方法的平均端到端时延均有一定程度的增加,但影响不大。端到端时延是由目的车辆收到的数据包的时延总和除以收到的数据包个数得到的,而发包频率过快会导致数据包无法到达目的车辆,这些丢弃的数据包不被计数,因此平均端到端时延均有一定程度的增加但总体趋势不变。
3.不同数据包发送速率下车辆总数对平均端到端跳数的影响
由图5(a)、(b)可以看出不同的数据包发送速率对平均端到端跳数影响不大,车辆总数的变化对跳数影响也不大,各个方法的平均端到端跳数都相对稳定,本文提出的方法的跳数总体上最少,这是因为它考虑了多种路由判据,下一跳选择更为合理。
4.不同数据包发送速率下车辆最大速度对数据包递交率的影响
图6(a)为源车辆每秒发送4个数据包时车辆最大速度和五种方法的数据包递交率的关系曲线,由图,当车辆移动速度增加时,五种路由方法的数据包递交率均体现出不同程度的减少。GPSR-R和LSPR方法的递交率较高,因为它们只追求链路质量,链路稳定性较好;GPSR方法的递交率最低,因为它选择的下一跳节点通常位于通信半径的边界附近,容易发生链路断裂;GRVAD方法考虑了速度因素且增加了邻居节点位置预测,提高了路由准确性,因此它的递交率优于GPSR和MM-GPSR方法,略次于GPSR-R和LSPR方法。从图6(b)中可以看出,增加发包的速率会使得数据包递交率略微下降但总体趋势不变。
5.不同数据包发送速率下车辆最大速度对平均端到端时延的影响
从图7(a)、(b)中看出,当车辆移动速度增加时,各个路由方法的平均端到端时延均体现出不同程度的增加。总体上,GPSR-R和LSPR方法的时延较高,明显高于其他方法,这是因为优先考虑链路质量其实一定程度上是以牺牲时延为代价的。在车辆节点移动速度较慢时,MM-GPSR方法的时延性能略优于GRVAD方法,这是因为GRVAD方法因考虑了多种路由判据而较为复杂;当节点速度变快后,GRVAD方法转发策略考虑速度因素的优势就体现出来了,车速达到60km/h后,GRVAD方法的时延性能要优于MM-GPSR方法;总体上,GRVAD方法的端到端时延性能表现最好。
6.不同数据包发送速率下车辆最大速度对平均端到端跳数的影响
图8(a)、(b)分别是每秒发送4、8个数据包时,不同的车辆最大速度对应的平均端到端跳数。从图8中可以看出,不同的数据包发送速率对平均端到端跳数影响不大,由于本文提出的路由方法考虑多种路由判据并且有更准确的邻居节点位置信息,所以下一跳节点选择最为合理,转发跳数总体上最少。而GPSR、MM-GPSR和GPSR-R方法都可能由于遭遇路由空洞而进入周边转发模式,所以平均端到端跳数都不太稳定。
7.实际应用场景的测试与分析
实际场景为天津市津涞公路与秀川路交汇处的十字路口,如图9所示,横向为双向6车道,纵向为双向4车道,横向纵向道路的长均为1000m,源车辆每秒发送4个数据包,车辆总数为250辆,车辆在道路中的最大速度在30~90km/h之间,在十字路***汇处的时速为20~40km/h。
图10为该场景下,车辆最大速度与平均端到端时延的关系曲线。图11为该场景下,车辆最大速度与数据包递交率的关系曲线。由图10、图11可知,GPSR-R和LSPR在数据包递交率方面的表现较好,在平均端到端时延方面的表现较差。GPSR和MM-GPSR在平均端到端时延方面的表现较好,在数据包递交率方面的表现较差。本文提出的GRVAD方法在真实场景下的端到端时延表现最好,数据包递交率表现略差于GPSR-R和LSPR,但高于GPSR和MM-GPSR。GRVAD在使得平均端到端时延最低的情况下,兼顾了数据包递交率,总体性能表现均衡合理,符合实际场景下车辆自组织网络中车辆之间的通信要求。
Claims (8)
1.一种基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于该方法主要包括如下步骤:
第1、***模型构建与邻居节点位置预测:
第1.1、***模型构建;
第1.2、为邻居节点建立状态方程和测量方程;
第1.3、邻居节点位置预测过程和修正过程;
第2、用模糊逻辑改善GPSR贪婪转发策略,以此改善车辆移动过快导致的邻居节点位置信息不准确的问题:
第2.1、模糊逻辑相关内容及操作;
第2.2、分析影响GPSR贪婪转发策略的因素,输出邻居节点作为下一跳的适应度,以此完善转发策略;
第3、设计基于模糊逻辑优化策略的路由方法,以此改进GPSR贪婪转发策略:
第3.1、基于模糊逻辑优化策略的路由方法实现步骤;
第3.2、路由方法的复杂度分析。
2.如权利要求1所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤第1.1中拟定的***模型分为两种:
有规则路线上的车辆移动场景,这种场景发生在一个有双向车道的十字路口道路中的车辆模拟正常城市道路的行驶状态,存在变道、转向、掉头的行为,每辆车都能够在固定的通信范围R内与其他车辆进行通信;
无规则路线上的车辆移动场景,这种场景发生在没有严格的交通管制的地区道路上,车辆存在大量的无规则行驶行为,包括插队和逆行,道路中以及十字路口处的道路状况十分混乱,车辆行驶轨迹毫无规律,这种情况在实际情况中也时有发生,因此也很具有研究意义,这也体现了车辆自组织网络的复杂性;
在上面两种模型的基础上,如果想要实现两车互相通信,可以假设设置的场景中行驶的车辆数量为N,对每辆车进行编号,每辆车的编号ID为i,i∈[1,N];车辆i在时刻t时的位置用(xi(t),yi(t))来表示,在时刻t时车辆i与车辆j之间的距离用dij(t)来表示,那么车辆i和车辆j能够互相通信且互为对方邻居节点的条件是:
dij(t)<R (1)
这里的dij(t)可以通过车辆i和车辆j在时刻t时的位置信息计算得到:
3.如权利要求2所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤第1.2中建立状态方程和测量方程的方法是,默认每辆车上都装有GPS导航***,能够在指定时刻测得车辆的位置和移动速度、移动方向信息,由此得到车辆i在时刻t时的状态矩阵:
Xi(t)=[xi(t),yi(t),ai(t),vi(t)]T (3)
若规定与车辆行进方向垂直的横向道路为x坐标方向,与车辆行进方向平行的纵向道路为y坐标方向,在式(3)中,xj(t)为x坐标方向,yj(t)为y坐标方向,ai(t)为车辆i在时刻t时相对于xj(t)正角度的运动方向,ai(t)∈[0,π],vi(t)是车辆i在t时刻的运动速度,vi(t)∈[30,90]km/h;
若车辆i在Δt时间段内所作的运动被近似为匀速直线运动,则下一时刻它的位置的状态方程如下:
这里假设在Δt时间段后车辆i的运动速度和角度不发生改变,测量方程则能够由车辆i与其邻居节点中被选取为下一跳节点的车辆j之间的距离来表示,测量方程如下:
上式中,Zij(t+Δt)为t+Δt时刻车辆i与车辆j之间通过测距仪器得到的距离,xj(t+Δt)和yj(t+Δt)是下一跳节点j在t+Δt时刻在地图上的实时横纵坐标位置。
4.如权利要求3所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤第1.3中在预测过程中,首先设σ为邻居节点,σ点的个数根据状态矩阵的维度确定并计算,M维***需选取2M+1个σ点,本发明的***为4维,选取9个σ点,均值在中心点处取得;
***的协方差矩阵Pk-1如式(6)所示:
第1个σ点到第M+1个σ点的计算公式由式(7)、式(8)给出:
上式中,K是可调参数,设置为3-M;Lk-1是要求解的矩阵,矩阵Lk-1的第i列记作coliLk-1;同理,第M+2到2M+1个σ点的计算公式如下:
然后将σ点代入非线性函数f,就能够得到其对应的映射点集y:
后续计算所需要的权重值如下:
计算预测的均值yk和方差Pk的公式如下:
Qk为噪声的协方差矩阵,然后进行修正过程,σ点集依据测量模型映射到测量点集:
得到测量***的均值zk和方差Pz的公式如下:
导出协方差Pxz和卡尔曼增益Kk的公式如下:
更新修正的状态值并更新协方差矩阵:
式(19)中的xk为更新后的更加准确的***状态信息。
5.如权利要求4所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤第2.1中模糊逻辑相关内容及操作如下;
模糊集合:论域U中的模糊集合F用一个在区间[0,1]上取值的隶属函数μF来表示,即:
μF:U→[0,1] (21)
对于每个u∈U,μF(u)叫做元素u对模糊集合F的隶属度,如果μF(u)=1,则u属于U;如果μF(u)=0,则u不属于U;如果0<μF(u)<1表示u部分属于U;
并操作:并操作(A∪B)的隶属度函数μA∪B对所有u∈U被逐点定义为取大运算,即:
μA∪B(u)=max{μA(u),μB(u)} (22)
交操作:交操作(A∩B)的隶属函数μA∩B对所有u∈U被逐点定义为取小运算,即:
μA∩B(u)=min{μA(u),μB(u)} (23)
那么利用模糊逻辑的输出可得:
6.如权利要求5所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤第2.2中分析影响GPSR贪婪转发策略的因素,得到三个参数作为模糊逻辑的输入,输出邻居节点作为下一跳的适应度得分,以此完善转发策略:
速度因素:在当前数据转发节点的邻居节点中选择与其速度差值最小的邻居节点,这样可以在数据转发的过程中尽可能久的保持这两节点间的链路连通;用fv表示在改进的转发策略中的速度影响函数,其数学公式为:
式中VS为当前节点S的速度,Vσ为当前节点的任一邻居节点σ的速度,Vmax为车辆在道路上的最大行驶速度,故速度函数fv的取值范围为[0,1];
角度因素:在当前节点和目的节点之间建立连接,并且在当前节点的任一相邻节点和当前节点之间进行连接,从而应选择让角度θ最小的相邻节点作为下一个转发节点,用fa表示在改进的转发策略中的角度影响函数,其数学公式为:
其中,θ是当前节点与目的节点的连线和当前节点的任一邻居节点与当前节点之间的连线之间的夹角;
密度因素:一个节点的邻居节点数越多,则它的节点密度越高,当选下一跳节点就越有优势,用fd表示在改进的转发策略中的密度影响函数,其数学公式为:
其中,Σne为节点e的邻居节点个数,网络中的节点总数为n,当前节点Z到目的节点D的距离为dSD,理想情况下每个节点的邻居节点个数为n/(dSD/R),信号传输半径为R,从源节点到目的节点转发数据时的路由跳数为dSD/R,故密度函数fd的取值范围为[0,1];
反模糊化:反模糊化是将获得的模糊结论转换为准确数字并输出的过程;在这里,采用centroid方法来进行反模糊化,表达式为:
其中k是输出变量,ξ(k)是隶属度函数的输出,Frank为节点作为下一跳节点的适应度得分,用来衡量一个车辆作为下一跳节点的性能;
设当前节点为Z,Z的任一邻居节点为O,模糊逻辑的输出即下一跳的适应度得分用SZO来表示,SZO的计算公式为:
SZO=α1fv+α2fa+α3fd (31)
fv是改进转发策略中的速度影响函数,fa是改进转发策略中的角度影响函数,fd是改进转发策略中的密度影响函数;α1、α2、α3均为可调参数,并满足α1+α2+α3=1,它们的值根据不同的模拟场景进行调整。
7.如权利要求6所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤3.1中基于模糊逻辑优化策略的路由方法实现步骤描述如下:
(1)每个车辆都具有MEC赋予的基本的计算能力且每个车辆节点都能够通过信标分组与它的邻居节点互相报告位置、速度、运动方向信息,并定期更新邻居节点表;
(2)如果源节点需要传输数据,源节点将在当前节点的相邻节点表中查询目标节点信息,如果有,则将数据包转发到目标节点以完成传输任务;否则,进入步骤(3);
(3)通过等式(3)-(20)预测当前节点相邻节点的位置,并更新邻居节点表中相应信息;
(4)判断当前节点的邻居节点中是否至少存在一个满足贪婪转发的节点,若是则转到步骤(5);否则转到步骤(6);
(5)通过公式(31)计算当前节点的每一个邻居节点作为下一跳节点的适应度得分,将适应度得分最高的节点作为下一跳节点,执行完毕转至步骤(7);
(6)进入周边转发模式,当数据包绕过空洞区域并满足贪婪转发要求后,转步骤(5);
(7)重复上述步骤(2)-(6),直到传输任务成功完成。
8.如权利要求7所述的基于模糊逻辑优化策略的车辆自组网络路由方法,其特征在于,步骤第3.2路由方法的复杂度分析中,从时间和空间复杂度这两个角度出发去分析GRVAD路由方法的复杂度;GRVAD路由方法的时间复杂度主要取决于模糊逻辑优化后的贪婪策略建立的路由路径以及右手法则和左手法则所建立的路由路径;设整个网络中N个节点,最坏的情况是从源节点到目的节点的路由将网络中的每个剩余节点都利用一遍,因此最差的时间复杂度是O(n);假设在贪婪转发模式下此过程的时间复杂度为O(n1),周边转发模式使用右手规则,以帮助数据包绕过路由空洞,n2用于表示在此过程中转发节点的数量,令n=n1+n2,因此GRVAD路由方法的时间复杂度为O(n);在大型的车辆自组织网络中,车辆节点的频繁移动将使得一个节点的通信范围内的节点不断更替,因此,使用图的邻接矩阵表示节点及它们之间的关系更为合适,因为网络中的每个节点都存储了相应相邻节点的位置信息,所以O(n2)是GRVAD路由方法的空间复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110642777.8A CN113382382B (zh) | 2021-06-09 | 2021-06-09 | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110642777.8A CN113382382B (zh) | 2021-06-09 | 2021-06-09 | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113382382A true CN113382382A (zh) | 2021-09-10 |
CN113382382B CN113382382B (zh) | 2022-06-10 |
Family
ID=77573226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110642777.8A Expired - Fee Related CN113382382B (zh) | 2021-06-09 | 2021-06-09 | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113382382B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114608590A (zh) * | 2022-03-09 | 2022-06-10 | 吉林大学 | 一种恶劣环境下基于智能反射表面的多车辆追踪方法 |
CN115065957A (zh) * | 2022-06-08 | 2022-09-16 | 重庆邮电大学 | 一种车载自组织网络下的分布式车辆交通管理方法 |
CN115087069A (zh) * | 2022-06-28 | 2022-09-20 | 重庆大学 | 基于链路持续时间的自适应地理位置路由方法 |
CN117793844A (zh) * | 2024-02-27 | 2024-03-29 | 南京邮电大学 | 一种基于模糊逻辑的地理位置路由方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282263A1 (en) * | 2010-04-20 | 2013-10-24 | Clarence Augustine Teck Huo Tee | Junction Adaptive Reactive Routing (JARR) Protocol for Vehicular Ad-Hoc Networks in a City Environment |
CN110049527A (zh) * | 2019-04-19 | 2019-07-23 | 厦门大学 | 基于软件定义车联网路由的方法及*** |
-
2021
- 2021-06-09 CN CN202110642777.8A patent/CN113382382B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130282263A1 (en) * | 2010-04-20 | 2013-10-24 | Clarence Augustine Teck Huo Tee | Junction Adaptive Reactive Routing (JARR) Protocol for Vehicular Ad-Hoc Networks in a City Environment |
CN110049527A (zh) * | 2019-04-19 | 2019-07-23 | 厦门大学 | 基于软件定义车联网路由的方法及*** |
Non-Patent Citations (4)
Title |
---|
梁健: "《基于地理位置信息的三维FANET路由算法研究》", 《中国知网 硕士电子期刊》 * |
王建强等: "一种基于三角模糊数的VANETs机会路由算法", 《计算机应用研究》 * |
管伟等: "基于模糊逻辑控制的贪婪转发策略改进", 《计算机应用研究》 * |
蒋勇等: "面向车辆自组织网络的模糊路由协议", 《计算机工程与设计》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114608590A (zh) * | 2022-03-09 | 2022-06-10 | 吉林大学 | 一种恶劣环境下基于智能反射表面的多车辆追踪方法 |
CN114608590B (zh) * | 2022-03-09 | 2024-04-30 | 吉林大学 | 一种恶劣环境下基于智能反射表面的多车辆追踪方法 |
CN115065957A (zh) * | 2022-06-08 | 2022-09-16 | 重庆邮电大学 | 一种车载自组织网络下的分布式车辆交通管理方法 |
CN115087069A (zh) * | 2022-06-28 | 2022-09-20 | 重庆大学 | 基于链路持续时间的自适应地理位置路由方法 |
CN115087069B (zh) * | 2022-06-28 | 2024-06-07 | 重庆大学 | 基于链路持续时间的自适应地理位置路由方法 |
CN117793844A (zh) * | 2024-02-27 | 2024-03-29 | 南京邮电大学 | 一种基于模糊逻辑的地理位置路由方法 |
CN117793844B (zh) * | 2024-02-27 | 2024-05-28 | 南京邮电大学 | 一种基于模糊逻辑的地理位置路由方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113382382B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113382382B (zh) | 一种基于模糊逻辑优化策略的车辆自组网络路由方法 | |
Gao et al. | V2VR: reliable hybrid-network-oriented V2V data transmission and routing considering RSUs and connectivity probability | |
Alzamzami et al. | Fuzzy logic-based geographic routing for urban vehicular networks using link quality and achievable throughput estimations | |
Zhang et al. | A new method of fuzzy multicriteria routing in vehicle ad hoc network | |
Oubbati et al. | SEARCH: An SDN-enabled approach for vehicle path-planning | |
Kim et al. | Navopt: Navigator assisted vehicular route optimizer | |
Bi et al. | A new affinity propagation clustering algorithm for V2V-supported VANETs | |
He et al. | A stable routing protocol for highway mobility over vehicular ad-hoc networks | |
Yang et al. | V2V routing in VANET based on heuristic Q-learning | |
Liu et al. | Naive Bayes classifier based driving habit prediction scheme for VANET stable clustering | |
CN107690169A (zh) | 一种适用于车联网的gpsr路由协议的转发方法 | |
Li et al. | CADD: connectivity-aware data dissemination using node forwarding capability estimation in partially connected VANETs | |
CN108811022A (zh) | 一种面向车辆网应用环境的动态高效路由方法 | |
Rezgui et al. | Smart traffic light scheduling algorithms | |
Chen et al. | A geographic routing protocol based on trunk line in VANETs | |
Karpagalakshmi et al. | An effective traffic management system using connected dominating set forwarding (CDSF) framework for reducing traffic congestion in high density VANETs | |
Yang et al. | Autonomic navigation system based on predicted traffic and VANETs | |
Shahi et al. | A comparative study on efficient path finding algorithms for route planning in smart vehicular networks | |
Paul et al. | Real-time routing for ITS enabled fog oriented VANET | |
Liao et al. | Ant Colony Optimization With Look-Ahead Mechanism for Dynamic Traffic Signal Control of IoV Systems | |
Wu et al. | An efficient adaptive intelligent routing system for multi‐intersections | |
Naderi et al. | Hierarchical traffic light-aware routing via fuzzy reinforcement learning in software-defined vehicular networks | |
Khan et al. | A game theory approach for smart traffic management | |
Paul et al. | An intelligent traffic signal management strategy to reduce vehicles CO2 emissions in fog oriented VANET | |
CN116321351A (zh) | 基于区域路由算法的车联网优化方法、***和车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220610 |