基于强化学习的物联网可信信息覆盖优化算法

针对物联网覆盖优化问题,基于可信信息覆盖(CIC)模型和强化学习提出了一种物联网可信信息覆盖优化算法．算法采用CIC模型定义传感器覆盖,利用博弈论强化学习方法将覆盖问题建模成一个基于状态的势博弈,每个节点通过效用函数均衡节点的覆盖收益,并采用二进制对数线性强化学习方法来求解博弈问题．仿真结果表明：算法具有良好的收敛性,并且在保证收敛到纳什均衡的同时,在覆盖率和覆盖价值方面都优于分布式异构同步覆盖学习算法．     

基于蒙特卡罗方法的大气激光通信后向散射特性分析

激光在自由空间进行传输时,受大气分子和气溶胶粒子的影响,发生的后向散射效应会降低激光传输系统的可靠性,研究激光在大气中传输的后向散射效应,可以有效提高激光通信系统的安全性和保密性。利用蒙特卡罗(Monte Carlo)方法对大气后向散射信道特性进行分析,建立了激光在大气中传输的后向散射理论模型,为了提高蒙特卡罗算法的计算效率,在原模型的基础上提出了一种改进的快速蒙特卡罗方法,分析了能见度、非对称因子以及介质反照率对后向散射能量的影响,利用MATLAB进行了仿真模拟分析,得出后向散射能量随能见度、非对称因子以及介质反照率的变化规律,结果表明该方法可以准确和快速地计算后向散射能量,并为激光通信系统的设计提供了依据。     

基于Q学习的无线传感网自适应容侵覆盖优化方法

针对无线传感器节点易受干扰和入侵的特点,为保障网络覆盖和安全性,基于信任管理和Q学习提出了一种新的自适应容侵覆盖优化方法．利用信任管理机制从节点的历史通信行为、能量、信息权重等方面评估节点的信任值,并根据节点信任值对受干扰或恶意节点的通信半径和感知半径进行调整,降低网络安全风险;同时,采用Q学习对网络覆盖进行优化,对节点进行训练,满足网络覆盖要求．所提方法具有较好的自适应能力,可有效地识别受干扰或恶意节点,提升网络覆盖率,且可快速收敛达到纳什均衡．     

激光在雨中传输的衰减特性分析及实验研究

降雨会对激光传输造成严重的衰减。通过分析常用的雨的经验模型,用Matlab仿真对各种模型进行了对比,发现当降雨量为广布雨时,Weibull分布、Joss和Gamma分布结果几乎一致,而M-P模型的衰减特性则为稍微偏大;当降雨量为毛毛雨和雷阵雨时,Joss模型的衰减特性与其它模型相比分别为相对偏大和相对偏小。为了验证模型的正确性及对桂林本地天气的适用性,通过多次实验得出:532 nm波长激光在雨衰减信道下传输衰减与M-P模型更接近,即M-P模型更加适用于全年降雨天气较多的桂林的大气雨衰减预测。