基于移动预测的高动态自组网智能路由决策方法技术

本发明专利技术公开了一种基于移动预测的高动态自组网智能路由决策方法，首先建立节点的移动模型；然后通过

【技术实现步骤摘要】
基于移动预测的高动态自组网智能路由决策方法


[0001]本专利技术属于高动态移动自组网
，涉及一种高动态环境下基于移动预测的
Q
学习智能路由决策方法
。

技术介绍

[0002]移动自组网
(Mobile Ad hoc Network
，
MANET)
是一种无线自组织网络，由一组移动节点组成，无需任何预先部署的基础设施
。
它的出现源于对无线通信的需求，特别是在没有现成的基础设施或在需要快速部署网络的环境中
。
移动自组网具有自组织性
、
移动性
、
多跳通信和动态性等特点
。
它可以在没有中央控制的情况下，通过节点之间的自主协商和交互，建立连接和传输数据
。
节点可以自由移动，网络拓扑结构会随着节点的移动而动态变化
。
由于缺乏固定的基础设施，节点之间需要通过多跳通信来传递数据
。
然而，传统的移动自组网在面对高速移动和频繁变化的通信环境时，存在一些瓶颈和挑战
。
[0003]随着移动网络技术的蓬勃发展，高动态移动自组网
(High
‑
Dynamic Mobility Ad Hoc Network
，
HD
‑
MANET)
也逐渐引起了人们的广泛关注
。HD
‑
MANET
的应用场景广泛，包括无人机，高速列车<br/>、
航空器
、
海洋勘探
、
野外作业等
。
在这些场景下，节点的移动速度非常快，可能会达到数百公里每小时，而且节点之间的距离也会随着时间迅速变化
。
然而，由于节点的高速移动将引起网络拓扑结构的频繁变化，导致传统的路由协议对网络的性能提升不大，并且缺乏一定的自适应性，无法实时应对网络的变化，这将造成通信的性能不佳
。
与传统的移动自组网相比，
HD
‑
MANET
需要解决更高的速度
、
更快的时延和更低的能耗等挑战
。
因此，现有的路由算法不能很好地满足高动态和高移动性自组网的路由需求，为了满足高速移动场景下的通信需求，需要设计一种能够进行自适应网络变化的强化学习路由决策方法
。

技术实现思路

[0004]有鉴于此，为解决上述现有技术的不足，本专利技术的目的在于提供了一种基于移动预测的高动态自组网智能路由决策方法，通过改进扩展卡尔曼滤波进行节点移动位置的预测，并动态调整
Hello
包的间隙灵活地控制通信开销，通过
Q
学习不断学习和优化，能够在高动态移动自组织网络中做出更优的路由决策，以提高网络性能和数据传输效率，从而有效地解决了现有技术中路由决策面临的挑战，可以更好地应对节点的快速移动和网络拓扑的频繁变化
。
[0005]为实现上述目的，本专利技术所采用的技术方案是：一种基于移动预测的高动态自组网智能路由决策方法，高动态自组网系统包括多个节点和一个
BS
，以一个节点为发送消息的源节点，其余节点为转发消息的中继节点，地面基站为目的节点，该方法包括以下步骤：步骤
1、
建立节点的高斯马尔可夫移动模型，描述节点在空间中的位置和速度随时间的变化；步骤
2、
通过
GPS
获取节点的三维位置坐标，通过自适应扩展卡尔曼滤波进行节点位置预测；
步骤
3、
预测的结果写入
Hello
包；步骤
4、
动态调整
Hello
包的时间间隔，进行邻居发现；步骤
5、
根据邻居表里的信息，利用
Q
学习进行路由决策
。
[0006]进一步的，所述步骤2中，利用
GPS
获取每个节点在三维坐标下的位置信息，同时获得节点当前的位置和目标节点的位置信息，通过对节点位置
、
速度和加速度在内的状态的估计，可以得到下一时刻节点的移动轨迹，然后通过自适应扩展卡尔曼滤波器来估计和预测节点的移动过程
。
[0007]进一步的，所述步骤4中进行邻居发现包括以下步骤：步骤
4.1、
根据预测的结果计算两个节点的通信范围，超出通信范围，则及时从邻居表内进行删除，以减少
hello
包的探测；步骤
4.2、
动态调整
Hello
包的发送间隔，用来发现新邻居的到达，更新邻居表
。
[0008]更进一步的，所述步骤4中，在获得节点本身及其邻居的位置信息后，节点可以估计链路持续时间，通过最小的链路持续时间动态地调整
Hello
包的发送周期
。
[0009]进一步的，所述步骤5中路由决策包括以下步骤：步骤
5.1、
判断是否有邻居；步骤
5.2、
若邻居中含有目的节点直接获得最大的奖励值，构建奖励函数，根据奖励值确定候选转发节点，然后基于节点的链路质量构建自适应学习参数，选择
Q
值最大的节点作为转发节点；步骤
5.3、
若没有邻居或者遇到节点局部最小值时将给予最小的奖励，采用两跳周长进行转发以增加节点的通信范围；步骤
5.4、
更新邻居表中的
Q
值；步骤
5.5、
若传输未完成，转回步骤4重新进行邻居发现
。
更进一步的，所述步骤5中奖励函数受链路稳定性，能耗和距离目的地距离值因素影响
。
[0010]本专利技术的有益效果是：第一，提出了改进的扩展卡尔曼预测算法，通过自适应扩展卡尔曼算法对节点位置进行精确预测，能够在高动态的移动自组网中有效地预测节点位置，这有助于减少节点位置更新的延迟，从而提高网络的实时性和稳定性，可以更好地适应节点在高动态环境下的快速移动和不确定性；第二，动态的调整
hello
包的发包时间，可以减小开销并且能够及时的进行路由发现；第三，路由决策时，基于节点预测的位置信息做出更加优化的路由决策，可以实时学习和调整路由策略，以适应高动态性的网络环境，能够在高动态移动自组织网络中做出更优的路由决策，以提高网络性能和数据传输效率，从而有效地解决了现有技术中路由决策面临的挑战
。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0012]图1为本专利技术高动态自组网系统模型；图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于移动预测的高动态自组网智能路由决策方法，高动态自组网系统包括多个节点和一个
BS
，以一个节点为发送消息的源节点，其余节点为转发消息的中继节点，地面基站为目的节点，其特征在于，该方法包括以下步骤：步骤
1、
建立节点的高斯马尔可夫移动模型，描述节点在空间中的位置和速度随时间的变化；步骤
2、
通过
GPS
获取节点的三维位置坐标，通过自适应扩展卡尔曼滤波进行节点位置预测；步骤
3、
预测的结果写入
Hello
包；步骤
4、
动态调整
Hello
包的时间间隔，进行邻居发现；步骤
5、
根据邻居表里的信息，利用
Q
学习进行路由决策
。2.
根据权利要求1所述的一种基于移动预测的高动态自组网智能路由决策方法，其特征在于，所述步骤2中，利用
GPS
获取每个节点在三维坐标下的位置信息，同时获得节点当前的位置和目标节点的位置信息，通过对节点位置
、
速度和加速度在内的状态的估计，可以得到下一时刻节点的移动轨迹，然后通过自适应扩展卡尔曼滤波器来估计和预测节点的移动过程
。3.
根据权利要求1所述的一种基于移动预测的高动态自组网智能路由决策方法，其特征在于，所述步骤4中进行邻居发现包括以下步骤：步骤
4.1、
根据预测的结果计算两个节点的通信范...

【专利技术属性】
技术研发人员：张明川，贾赛威，赵旭辉，刘牧华，王琳，郑瑞娟，朱军龙，吴庆涛，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：