原文传递
基于Q学习的车载网路由算法研究
| 论文题名： | 基于Q学习的车载网路由算法研究 |
| 关键词： | 车载自组织网络;路由算法;Q学习算法;模糊逻辑;拥塞控制 |
| 摘要： | 近年来，由于无线通信技术的快速发展和道路安全事故的频繁发生，VANET逐渐成为国内外学者的研究热点。在VANET中，由于车辆移动速度较快，导致网络拓扑不断变化，端到端链接频繁断开，为应用于VANET场景下的路由算法带来了巨大的挑战。本文对现有的路由算法的不足之处进行分析，进而在以下方面做出了相应的改进： (1)针对基于Q学习的路由算法根据最大Q值选择下一跳节点时，并未考虑路网的实时信息导致算法性能较低的问题，提出了一种基于Q学习的自适应性路由算法ARAQL，它能够根据路网带宽、链路稳定性、节点连通性对算法学习过程进行不断调整，进行路由决策时将数据包转发到链路稳定性和节点连通性更高的邻居节点，随着转发过程不断进行，适当降低学习率，加快算法的收敛速度。通过分析实验结果，ARAQL算法能够获得更高的分组投递成功率，更低的平均端到端延迟和更小的网络负载，能够在VANET网络环境下更好地实现数据包转发。 (2)针对基于Q学习的路由算法在路网中车辆数很多时，某些路段的车流量密度过大就会出现状态空间爆炸，而且车辆高速移动、网络拓扑结构频繁变化对路由算法性能的影响较大的问题，采用模糊逻辑的方法将路网中的车辆划分为一个个簇结构，将数据包所处的簇作为状态，簇头节点根据Q学习算法在相邻簇头节点中做出路由决策，提出了基于模糊逻辑分簇和Q学习的路由算法RAFQ，减轻了车辆移动速度快、网络拓扑结构变化频繁对路由算法性能的影响。通过分析实验结果，RAFQ算法能够获得更高的分组投递成功率，更低的平均端到端延迟和更小的网络负载，能够适应VANET网络环境中网络拓扑的频繁变化。 (3)针对VANET中由于车辆节点的存储空间有限，很容易导致缓冲区溢出并导致网络拥塞，而在缓冲区发生拥塞时，就会丢弃大量数据包，那么路由算法的性能会下降的问题，本章提出一种新的基于Q学习的拥塞控制策略QLCC，使用Q学习算法来缓解拥塞，QLCC独立于现有的路由算法，能够观察车辆节点的缓冲区状况并采取适当的措施来管理缓冲区，以增加总体数据传输率和减少平均端到端延迟。通过分析实验结果，QLCC能够使路由算法获得更高的分组投递成功率，更低的平均端到端延迟和更小的网络负载。 |
| 作者： | 刘超 |
| 专业： | 计算机科学与技术 |
| 导师： | 方敏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
