论文部分内容阅读
近些年来,随着人们生活水平的不断提高,汽车已经成为了人们出行的主要交通工具。将汽车与无线通信相结合,形成车载自组织网络(Vehicular Ad Hoc Networks,VANET),即将成为一种重要的通信方式。该网络可以将感兴趣区域内所有车辆携带的信息通过多跳路由的方式汇总到一个数据载体车辆中,进行处理与反馈。然而由于车辆节点具有移动速度快、移动方向受街道限制等特殊特征,传统的无线自组网路由协议将不再适用于车载自组网。因此,本文针对车载网络的特殊需求,考虑车辆间距离、车辆移动性参数和信号强度等多参数限制,提出了一种基于模糊逻辑和强化学习的车联网路由算法。通过专用仿真工具,结合真实道路情况,于传统路由算法和群智能路由算法进行仿真验证,仿真结果表明该算法可以很好的适应多参数限制,并在网络平均跳数,平均时延和网络连通成功率等方面具有很大优势。首先,本文介绍了VANET的两种专用仿真工具,城市车辆移动性模拟工具(Simulation of Urban MObility,SUMO)和面向对象的网络仿真器NS-2(Network Simulation-2)。SUMO是一个城市街景仿真软件,可以模拟城市道路中随机移动的车辆,并引入实际地图和交通规则。SUMO可以将仿真结果导出,供NS-2或者MATLAB进行后续的性能分析。NS-2是模拟IP网络中各种协议的常用工具。采用仿真软件对三种传统的自组织网络路由协议AODV、DSDV、DSR在不同节点移动速度下比较丢包率、吞吐量和时延等性能,分析得出这三种路由协议随着节点速度的增大,网络性能会快速下降,难以适用于高速移动的VANET网络。其次,引入蚁群优化算法、粒子群优化算法和遗传优化算法三种群智能优化算法,通过多次迭代来寻找车联网中最适合转发数据包的下一跳车辆节点。通过计算机仿真验证了基于群智能优化车联网路由算法性能并与传统路由算法进行对比,仿真结果表明基于群智能优化的车联网路由算法可以有效降低路由跳数,但仍然很难对网络拓扑的快速变化进行实时更新,不是VANET网络多跳传输的最佳路由算法。最后,针对传统路由算法和基于群智能路由算法在车联网应用中的缺点,考虑车联网特殊的应用环境和多参数限制需求,提出了基于模糊逻辑理论和强化学习的车联网路由算法。该算法可以综合考虑移动性、跟随者密度、带宽效率等多个因子来评估邻居节点作为下一跳的适合程度,建立两点之间通信的最优路由,减少数据包碰撞,提高整个网路的连通率。与其他算法相比较,能够对首、尾两跳路由进行优化降低算法复杂度、平均路由跳数和整个网络的平均时延。