无线网状网中多并发流路由结合调度的组合方案

为解决无线网状网中多条路径同时传送引起的干扰冲突和资源竞争问题,提出了依托信道分层方法的组合式路由结合调度的方案:首先,给出了路径发现的可行方案,并基于网状网的可用资源提出一种路径选择判据——资源可获得度;然后,确定了多条路径可并发传输的信道分配方案;最后,开发了结合路由、信道分配、调度的组合优化调度方案(COSS算法),以启发式的方法找到每个时隙下尽可能多的可兼容路径,实现可兼容路径的组合优化调度.为验证COSS算法的性能,在不同网络资源配置、多种流量请求下进行仿真实验.实验结果表明:(1) COSS算法在吞吐量、传输延迟、传输完成时间方面有较好的表现;(2)与AODV路由协议相比,COSS算法有效地提高了吞吐量.     

基于Q-学习的动态单机调度

针对当前基于Q-学习的Agent生产调度优化研究甚少的现状,利用Q-学习对动态单机调度问题在3种不同系统目标下的调度规则动态选择问题进行了研究.在建立Q-学习与动态单机调度问题映射机制的基础上,通过MATLAB实验仿真,对算法性能进行了评价.仿真结果表明,对于不同的系统调度目标,Q-学习能提高Agent的适应能力,达到单一调度规则无法达到的性能,适合基于Agent的动态生产调度环境.     

基于HWMP协议的无线Mesh网络多网关路由策略

无线网状网是一种多跳中继网络技术,它有效解决了网络接入＂最后一公里＂[1]问题。本文在基于HWMP协议下,提出给网络配置多个网关以缓解无线网状网网关处的瓶颈问题。并在网关选择问题上,综合考虑了网关的剩余传输能力、节点到网关节点的跳数以及节点收到的来自网关节点的RANN数。实验发现,在多网关环境中,网络性能得到有效提升。     

无线网状网中一种基于综合准则的路由判据

无线网状网是一种新型的宽带无线接入网络,其中路由算法的设计是一个非常活跃的研究领域。由于无线网状网具有的一些特性,现有的基于最小跳数的路由算法并不适合无线网状网。为了提高网络性能,文章在综合考虑无线链路质量、链路间的干扰以及节点的负载情况后,提出了一种新的路由判据I-WCETT;仿真结果表明,该方案能显著提高网络的吞吐量。     

城市交通干线的Q-学习控制算法

针对城市交通干线协调控制的要求,提出了利用Q-学习控制算法和模糊算法的分层递阶控制的方法.采用两层结构,第1层为控制层,针对单个路口,对下一个时间段内路口各个方向的相位饱和度进行预测,并在此基础上计算出下一个时间段内各个路口的周期、各个方向上的绿信比;第2层是协调层,采用Q-学习控制算法对干线各个路口间的相位差进行调整.采用TSIS交通分析软件对由5个路口组成的交通干线进行仿真,Q-学习控制算法与定时控制和遗传算法进行比较,结果表明:Q-学习控制算法具有明显的优越性.     

基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

基于Q-强化学习的干道交叉口信号配时模型

交叉口是城市交通的核心和枢纽,要想有效地提升城市交通体系的通行效率,对交叉口信号配时的优化显得尤为必要。由于城市路网中大范围的信号配时方法决策属于模糊决策问题,而且路网中的车辆具有实时性,强化学习的方法可以适用于交通信号配时领域。本文把主流的Q-强化学习方法应用于干道交叉口信号配时,在每个路口以状态空间、信号周期、每个相位绿灯时间为参数建立模型,设置奖惩函数,并以车辆延误为指标,即Q函数,在相邻路口Agent的信息交换之后得出每个路口该时段的最优动作,降低了由于交叉口数量增多造成的各交叉口Agent间信息交互的次数,避免了独立强化学习可能出现的维数灾难、无法长期学习等问题。实验结果表明:基于Q-强化学习的城市干道交叉口信号配时方法相比于固定配时和传统的Q-强化学习策略,能降低车辆延误,提升收敛速度,提高系统效率。     

基于网络编码的流量感知路由协议研究设计

介绍了网络编码的基本理论及相关技术,详细分析了无线网络的基本架构和路由技术,在此基础上分析了无线网络中流量分布对网络编码的性能影响,进一步提出了基于网络编码的流量感知路由协议,并在AODV路由协议基础上对流量感知路由协议进行了研究设计。     

基于Q-学习算法的认知雷达对抗过程设计

将认知概念引入雷达电子对抗,可使干扰系统在动态对抗过程中通过自主学习,确定最具针对性的干扰策略,实现动态高效干扰.在认知雷达对抗概念和内涵讨论基础上,设计了基于Q-学习算法的雷达对抗过程,总结了认知对抗实现中的关键技术难点,最后对过程的具体实现进行了仿真,验证了雷达认知对抗中Q值的收敛过程以及先验知识对算法性能的改善情况.      

基于信度分配函数的Agent强化学习算法

基于智能体 (Agent)系统强化学习原理和基于动态规划的Q -学习算法的基础上 ,提出了一种新的Agent强化学习算法 .该算法在Agent学习过程中不断调整Agent知识库的加权值 ,在强化学习的每个阶段 ,通过选取合适的信度分配函数来修正Agent强化学习动作的选取策略 .与标准的Q -学习方法相比 ,具有更加合理的物理结构 ,并且能保证算法收敛 .仿真实验说明该方法加快了标准Q -学习算法的收敛速度 ,具有较好的学习性能     

基于CAS-FQL算法的区域交通控制

针对Q-学习算法收敛慢、易陷入局部最优的缺陷,提出了一种基于灾变模糊Q-学习（CAS-FQL）算法的区域交通协调控制方法,即将灾变策略引入到模糊Q-学习算法的学习过程中,以提高和改进Q-学习的寻优能力和学习效率.具体是,利用CAS-FQL算法分别优化路网中各交叉口的周期和相位差,绿信比则采用常规方法优化.TSIS软件交通仿真的结果表明,相比基于Q-学习的控制方法,CAS-FQL算法能显著加快算法的收敛速度、提高交通效率.     

基于Q学习的区域交通控制方法

利用Q学习优化整个区域的周期,把区域按重要程度划分为若干干线并编排顺序,按顺序对各干线相邻两路口协调相位间的相对相位差用Q学习进行优化,按同样顺序依次确定各路口的绿信比,并结合优化得到的相对相位差确定绝对相位差．TSIS仿真结果表明,相比定时控制方法,此方法能明显提高交通效率。     

流量拥堵空域内一种基于Q-Learning算法的改航路径规划

目前,空中流量激增导致空域资源紧张的问题越发凸显,为了缓解这一现状,将基于流量管理层面对航空器进行改航路径的研究。首先采用栅格化的方式对空域环境进行离散化处理,根据航路点流量的拥挤程度把空域划分为三种不同类型的栅格区域。其次通过改进强化学习中马尔科夫决策过程的奖励函数对其进行建模,并基于 策略运用Q-Learning算法对该模型进行迭代求解,对相应的参数取值进行探究比较以提高结果的可适用性。最后经过仿真运行,计算出不同参数赋值下的最优路径及相应的性能指标。研究结果表明：应用该模型和算法可以针对某一时段内的流量拥堵空域搜索出合适的改航路径,使飞机避开流量拥挤的航路点,缩短空中延误时间,有效改善空域拥堵的现况。     

移动自组织网络Q学习和改进蚁群QoS路由算法

针对移动自组织网络的QoS路由问题,提出一种结合Q学习和改进蚁群算法的QoS路由算法,该算法综合Q学习和蚁群算法的优点,把Q学习算法的Q值作为蚁群算法的初始信息素,提高了算法初期的收敛速度,同时在路径选择时综合考虑节点的能量和负载.仿真实验表明,该算法在保证QoS需求的前提下,增加了路由的有效性和鲁棒性,降低了能耗,包投递率、网络生存时间等指标均较好.     

一种基于链路优化的时延约束组播路由算法

研究具有时延约束的最小代价组播路由问题，提出一种基于链路优化的组播路由算法求解该问题。算法从最小时延树开始，不断地用低代价链路代替树中高代价链路，以求得满足条件的组播树。仿真实验结果表明，该算法能根据组播应用对时延的要求，快速、有效地构造最优组播树，具有较低的时延。     

Improved AODV Routing Protocol Based on Link Stability and Channel Switching

Ad hoc on-demand distance vector （AODV） routing is one of the typical reactive routing protocols of vehicular ad hoc networks （V ANET ）. Considering link stability and channel switching can greatly improve the QoS of protocols, in this paper, we propose a novel routing protocol： optimized cross-layer AODV （CL _ AODV） designed for V ANET. It utilizes the frame transmission efficiency （FIE）, path bandwidth in media access control （MAC） layer and signal-to-noise ratio （SNIR） in physical （PHY） layer to improve the link stability. In other words, it can increase packet delivery ratio effectively. In addition, end-to-end delay will be decreased based on the channel switching. According to the simulation, it is shown that the packet delivery ratio of CL_AODV is almost up to 99% and the highest compared to AODV and muti-constrained QoS AODV （MQ _ AODV）. The delay of CL_ AODV is almost half of MQ_AODV＇s and 1/3 of AODV＇s. Meanwhile, CL_AODV has the highest routing overhead or energy consuming. Because of the feature of V ANET, the disadvantage can be ignored.     

基于输运模型的网络相变过程

 网络相变过程需重点关注网络上的总负荷数、网络上的消失负荷数、节点的排队负荷数等指标随单位时间进入网络的负荷数R 的变化规律。为此建立了无标度网络上的输运模型,用于定量计算这3 种负荷数的变化规律。仿真结果表明：最大介数节点最先产生拥堵,导致网络的进入和消失负荷数出现不平衡,进而导致网络进入拥堵状态;当R小于临界值R_c时,网络上的消失负荷数随R同步增长。当R超过临界值R_c时,消失负荷数与R的比值持续下降,表明随着R的增加,负荷到达目的地越来越困难。     

基于改进烟花算法的以太网通信链路调度方法

针对工业以太网通信链路调度延时大及效率较低的问题,提出一种基于改进烟花算法的实时周期消息任务调度(CVFWA)方法.以降低网络传输时延为目标,首先,将传统烟花算法的连续解空间映射到实时周期序列调度问题的离散解空间;其次,为增加种群的多样性,在高斯变异过程中引入变异系数;最后,采用基于中位数锦标赛的选择策略代替欧氏距离选...     

概率可通链路的无线传感器网络最小能量路由

考虑了概率可通链路的无线传感器网络最小能量路由,并对其进行了研究,从理论上分析了链路依概率可通时,理想情况下的最小能量路由,并给出了考虑概率可通链路的最小能量路由算法PRLMER,该算法基于地理位置信息,考虑实际的链路可通概率,实现最小能量路由。仿真结果表明,与GPSR算法相比,PRLMER在保证比较高的分组递交率的同时大幅降低了分组的端到端能耗。