一种基于改进蚁群算法的网络通信路径最优规划方法

1.本发明属于船舶网络通信技术领域，具体涉及一种基于改进蚁群算法的网络通信路径最优规划方法。


背景技术：

2.近年来，随着无线网络的迅速发展，无线网络通信技术已逐步应用于远海航行的船舶上，船舶无线网络通信设备种类越来越多，无线网络的应用极大解决了船舶信息传输问题。海上无线通信网作为船舶信息系统的信息传输平台，承载了大量的话音、数据、图像等信息传输业务，是海上船只安全航行的重要保障。针对海上通信网络具有网络拓扑结构的不确定性、节点的高速移动、节点的稀疏性等特点，如何通过寻找中继节点，实时动态地规划出一条从通信起点船只到达通信终点船只的多跳传输路由，是实现海上船只远距离数据中继传输的重要手段。
3.有关船舶网络通信路径规划方法，已有不少研究者提出了技术方案。马高琳等人在“船舶网络通信最优路径的规划与设计[j].舰船科学技术,2020,42(02):142-144.doi:10.3404/j.issn.1672v-7649.2020.1a.048”中，以节点的丢包率、时延、剩余能量及可用内存为约束，采用蚁群优化算法对船舶网络通信最优路径进行规划，降低了当前船舶网络通信的数据丢包率及数据传输时延长。但是，该方法没有考虑到船舶移动导致的通信链路断裂问题，规划的通信路径缺乏稳定性。杨海涛等人在“船舶无线网络通信路径最优规划方法分析[j].舰船科学技术,2021,43(08):136-138.doi:10.3404/j.issn.1672-7649.2021.4a.046”中，以链路带宽、部署成本、时间开销等多个方面为约束，利用蚁群算法得出船舶无线网络通信路径的最优规划结果，该方法提高了船舶通信的速率，降低了数据传输的误码率。然而该方法采用蚁群算法求解最优通信路径时未考虑蚁群算法容易陷入局部最优解的缺陷，不适用于船只节点数量多的情况。


技术实现要素：

[0004]
本发明针对现有海上船舶远距离多跳通信路径选择实时性和稳定性较差的问题，提出了一种基于改进蚁群算法的网络通信路径最优规划方法，通过改进蚁群算法，能动态自适应地规划端到端多跳通信的最优路由，提高了船舶通信网络的实时性和稳定性。本发明要解决的技术问题通过以下技术方案实现：
[0005]
本发明提供了一种基于改进蚁群算法的网络通信路径最优规划方法，包括：
[0006]
s1：利用待进行通信路径规划的通信节点构建网络链路连通性模型；
[0007]
s2：确定通信节点之间链路成本的度量标准，所述度量标准包括通信节点间的预期传输时间、通信节点的排队时延以及链路生存时间；
[0008]
s3：计算所有通信节点两两之间的预期传输时间、通信节点的排队时延以及链路生存时间；
[0009]
s4：对蚁群算法所用参数进行初始化，计算各节点之间的链路成本并将所述链路
成本的倒数作为蚁群算法的启发式因子；
[0010]
s5：基于蚁群算法，将多只蚂蚁置于通信发送节点，每只蚂蚁按照改进后的节点选择规则进行下一跳通信节点选择，并将经过的通信节点列入禁忌表，每只蚂蚁均走到通信接收节点完成一次迭代；
[0011]
s6：当完成一次迭代后对通信网络路径上的信息素浓度进行更新，并找到所有可行通信路径中成本最小的路径作为本次迭代的最优路径；
[0012]
s7：重复s4～s6，直到完成预设的迭代次数，选择所有通信路径中路径成本最低的通信路径为最优通信路径。
[0013]
在本发明的一个实施例中，所述s1包括：
[0014]
s1.1：获取特定区域内待进行通信路径规划的船舶作为通信节点，确定其中的通信发送节点和通信接收节点；
[0015]
s1.2：基于各通信节点的位置及节点通信距离限制构建网络链路连通性模型，所述节点通信距离限制指两个通信节点间进行无线通信的最大传输距离，所述网络链路连通性模型表示为：
[0016]
g＝(v,e,w)，
[0017]
其中，v＝{v1,v2…
vi,
…
,vn}表示通信节点集合，vi表示第i个通信节点的位置坐标，e＝{e
ij
}表示通信节点间的链路集合，其为01矩阵，当节点i与节点j之间的距离小于节点通信距离限制时，e
ij
＝1，否则e
ij
＝0，并且当i＝j时，e
ij
＝0，w表示网络通信性能,包括通信链路间的通信带宽b、通信节点的丢包率pl以及通信节点的排队时延t
qd
。
[0018]
在本发明的一个实施例中，所述预期传输时间ett表示为：
[0019]
ett＝etx
×
τ，
[0020]
其中，etx表示两个通信节点间的预期传输次数，etx＝1/(1-pl)，pl为通信节点的丢包率；τ表示传输时延，τ＝s/b，s表示通信节点之间所传输的数据大小，b表示通信链路间的网络带宽。
[0021]
在本发明的一个实施例中，所述链路生存时间表示为：
[0022][0023]
其中，表示通信节点i与下一跳通信节点j之间的链路可通信时长，d0表示通信节点间进行无线通信的最大传输距离，d
ij
表示当前时刻通信节点i与通信节点j之间的距离，δv表示通信节点i与通信节点j之间的相对速度。
[0024]
在本发明的一个实施例中，所述s4包括：
[0025]
s4.1：对蚁群算法所用参数进行初始化，设置蚂蚁数量、最大迭代次数、信息素浓度、信息素增量和信息素挥发因子；
[0026]
s4.2：计算各通信节点间的链路成本，并将其倒数作为蚁群算法的启发式因子，其中，通信节点i到通信节点j之间的链路成本表示为：
[0027][0028]
其中，costi→j表示通信节点i到通信节点j之间的链路成本，etti→j、、分别表示通信节点i到通信节点j的预期传输时间、排队时延以及链路生存时间，ett
max
、t
qdmax
和t
lifemax
分别表示由所有通信节点组成的拓扑网络中的预期传输时间、排队时延及链路生存时间的最大值，d
ij
表示当前时刻通信节点i与通信节点j之间的距离，ω1，ω2为调节预期传输时间与排队时延对链路成本影响的权重参数。
[0029]
在本发明的一个实施例中，所述改进后的节点选择规则为：
[0030]
在蚁群算法迭代初期按照基础蚁群算法的概率选择公式进行下一通信节点选择，若出现连续nq次迭代的最优路径相同，则判定蚁群算法陷入局部最优；
[0031]
当判断蚁群算法陷入局部最优时，对所述概率选择公式进行改进以扩大搜索范围从而寻找最优路径；当采用改进后的概率选择公式进行nc次迭代后，蚁群已经搜索足够的解空间，则随后迭代过程中继续返回采取基础蚁群算法的概率选择公式。
[0032]
在本发明的一个实施例中，所述基础蚁群算法的概率选择公式表示为：
[0033][0034]
其中，为在第t次迭代中第k只蚂蚁从通信节点i选择通信节点j的概率，τ
ij
(t)为通信节点i与通信节点j之间的信息素浓度，η
ik
(t)为启发式因子，即为通信节点i与通信节点j之间链路成本的倒数，α表示信息素重要程度因子，β表示启发函数重要程度因子。
[0035]
在本发明的一个实施例中，所述改进后的概率选择公式表示为：
[0036][0037]
其中，q0为平衡参数，0《q0《1，q为随机数，ln为通信节点i下一跳可选择的节点数量。
[0038]
在本发明的一个实施例中，所述信息素浓度的更新公式为：
[0039]
τ
ij
(t+1)＝(1-k)*τ
ij
(t)+δτ
ij
(t)，
[0040]
其中，t表示迭代次数，k为信息素挥发因子，δτ
ij
(t)为通信节点i与通信节点j形成的路径ij上面的信息素增量，
[0041]
[0042]
其中，q为定值，l
min
为本次迭代结束最优路径的成本。
[0043]
与现有技术相比，本发明的有益效果有：
[0044]
1、本发明基于改进蚁群算法的网络通信路径最优规划方法不仅优化了船舶间通信链路的时延丢包率等网络特性，同时考虑到船舶节点移动的特性，在链路成本度量中加入链路生存时间，通过计算两个通信节点间连接时长来衡量通信链路的稳定性，所得到的通信链路具有时延低，稳定性好的特点。
[0045]
2、本发明对蚁群算法进行了改进，改进蚂蚁下一节选取规则，并提出了算法陷入局部最优的判别方法及改进后的概率选择公式，并且在信息素更新时，只对本次迭代最优路径上的信息进行更新，并对信息素浓度设置上下限。克服了基础蚁群算法容易陷入局部最优解的缺陷，算法的优化效果更加明显。
[0046]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0047]
图1是本发明实施例提供的一种基于改进蚁群算法的网络通信路径最优规划方法的流程图；
[0048]
图2是本发明实施例提供的一种基于改进蚁群算法的网络通信路径最优规划方法的详细处理过程示意图；
[0049]
图3是本发明实施例提供的一种船舶通信网络拓扑图；
[0050]
图4是本发明实施例提供的基于改进蚁群算法的网络通信路径最优规划方法得到的最优通信路径；
[0051]
图5是利用本发明实施例所提改进蚁群算法与现有基础蚁群算法在求解50个节点迭代过程中算法优化效果的对比图；
[0052]
图6是针对不同节点数量规模，本发明实施例所提改进蚁群算法与现有基础蚁群算法优化效果的对比图。
具体实施方式
[0053]
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的基于改进蚁群算法的网络通信路径最优规划方法进行详细说明。
[0054]
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
[0055]
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
[0056]
请参见图1，图1是本发明实施例提供的一种基于改进蚁群算法的网络通信路径最优规划方法的流程图。该方法包括如下步骤：
[0057]
s1：利用待进行通信路径规划的船舶通信节点构建网络链路连通性模型，每个船舶作为一个通信节点。
[0058]
在本实施例中，步骤s1具体包括：
[0059]
s1.1：获取特定区域内待进行通信路径规划的船舶作为通信节点，确定其中的通信发送节点s和通信接收节点t，即通信链路中的第一艘船舶和最后一艘船舶；
[0060]
s1.2：基于各通信节点的位置及节点通信距离限制构建网络链路连通性模型，所述节点通信距离限制表示两个通信节点间进行无线通信的最大传输距离。
[0061]
具体地，采用图论相关知识对通信网络链路模型进行表示，其表示为g＝(v,e,w)，其中，v＝{v1,v2…
vi,
…
,vn}表示通信节点集合，vi表示第i个节点的位置，e＝{e
ij
}表示通信节点间的链路集合，其为01矩阵，当节点i与节点j之间的距离小于节点通信距离限制时，e
ij
＝1，否则e
ij
＝0，并且当i＝j时，e
ij
＝0，w表示网络通信性能,包括通信链路间的通信带宽b、通信节点的丢包率pl以及通信节点的排队时延t
qd
。
[0062]
s2：确定通信节点之间链路成本的度量标准，所述度量标准包括通信节点间的预期传输时间、通信节点的排队时延以及链路生存时间。
[0063]
在本实施例中，综合考虑用户qos(quality of service，服务质量)要求、网络负载及通信链路稳定性，采用通信节点间的预期传输时间ett、通信节点的排队时延t
qd
以及链路生存时间t
life
作为节点间链路成本的度量标准。
[0064]
预期传输时间ett表示为：
[0065]
ett＝etx
×
τ，
[0066]
其中，etx表示两个通信节点间的预期传输次数，其与通信节点的丢包率有关，etx＝1/(1-pl)，pl为通信节点的丢包率，丢包率越小，预期传输次数越少；τ表示传输时延，其与通信节点之间所传输的数据大小s及网络带宽b有关，且τ＝s/b，预期传输次数综合考虑链路的网络带宽、传输时延及丢包率，能够很好地反应用户的qos要求。
[0067]
通信节点i与下一跳通信节点j之间的链路生存时间表示为：
[0068][0069]
其中，表示通信节点i与下一跳通信节点j之间的链路可通信时长，d0表示节点间无线通信的最大传输距离，即节点通信距离限制，d
ij
表示当前时刻通信节点i与通信节点j的距离，δv表示通信节点i与通信节点j之间的相对速度。
[0070]
进一步地，通信节点的排队时延t
qd
与当前通信节点前面需要传输的信息排队数量有关，其能反映通信节点的负载状况，在本发明实施例中各通信节点的排队时延数值默认已知。
[0071]
s3：计算所有通信节点两两之间的预期传输时间、通信节点的排队时延以及链路生存时间。
[0072]
根据步骤s1构建的网络链路连通性模型，获取网络通信性能w，包括通信链路间的通信带宽b＝{b
ij
}(其中b
ij
为通信节点i与通信节点j之间链路带宽的大小)、通信节点的丢
包率pl＝{pli}(其中pli表示第i个通信节点的丢包率大小)、节点的排队时延(表示第i个通信节点的排队时延大小)，获取节点间传输数据的大小s，随后根据步骤s2中通信节点之间链路成本的度量标准，计算两两通信节点间的预期传输时间、节点排队时延及链路生存时间，并设定节点间的最大通信距离d0。
[0073]
s4：对蚁群算法所用参数进行初始化，计算各节点之间的链路成本并将所述链路成本的倒数作为蚁群算法的启发式因子。
[0074]
在本实施例中，步骤s4具体包括：
[0075]
s4.1：对蚁群算法所用参数进行初始化，设置蚂蚁数量、最大迭代次数、信息素浓度、信息素增量和信息素挥发因子；
[0076]
s4.2：计算各通信节点间的链路成本，并将其倒数作为蚁群算法的启发式因子，具体地，通信节点i到通信节点j之间的链路成本计算公式如下：
[0077][0078]
其中，costi→j表示通信节点i到通信节点j之间的链路成本，etti→j、、分别表示通信节点i到通信节点j的预期传输时间、排队时延以及链路生存时间，ett
max
、t
qdmax
和t
lifemax
分别表示由所有通信节点组成的拓扑网络中的预期传输时间、排队时延及链路生存时间的最大值，d
ij
表示当前时刻通信节点i与通信节点j之间的距离，ω1，ω2为调节预期传输时间与排队时延对链路成本影响的权重参数，在本实施例中ω1，ω2的取值均为0.5。
[0079]
s5：基于蚁群算法，将m只蚂蚁置于通信发送节点s，每只蚂蚁按照改进后的节点选择规则进行下一跳通信节点选择，并将经过的通信节点列入禁忌表以避免形成回路，每只蚂蚁走到通信接收节点t完成一次迭代。
[0080]
在本实施例中，改进后的节点选择规则为：
[0081]
算法局部收敛判断规则：在蚁群算法迭代初期按照基础蚁群算法的概率选择公式进行下一节点选择，若出现连续nq次迭代的最优路径相同，则判定算法陷入局部最优。算法初期及判断结果为未陷入局部最优时的概率选择公式，即基础蚁群算法的概率选择公式如下：
[0082][0083]
其中，为在第t次迭代中第k只蚂蚁从通信节点i选择通信节点j的概率，τ
ij
(t)为通信节点i与通信节点j之间的信息素浓度，η
ik
(t)为启发式因子，这里为通信节点i与通信节点j之间链路成本的倒数，α表示信息素重要程度因子，β表示启发函数重要程度因子。
[0084]
需要说明的是，在算法初始化时会给每一条路径上的信息素浓度设置一个初始值，然后每一次迭代这些信息素浓度会以一定比例进行挥发，而有蚂蚁经过的路径上信息素就会增加，即信息素增量，相当于蚂蚁在经过路径时会吐一些信息素到路径上。
[0085]
当迭代连续nq次出现最优路径相同时，即判断为算法陷入局部最优，对路径选择概率进行修改以扩大搜索范围从而寻找最优路径。具体地，设计平衡参数q0(0《q0《1)，利用随机函数randn()产生一个随机数q，改进后的概率选择公式如下：
[0086][0087]
其中，ln为通信节点i下一跳能够选择的节点数量。
[0088]
进一步地，设置算法跳出局部最优解的规则，当采用改进后的概率选择公式进行nc次迭代后，蚁群已经搜索足够的解空间，此后迭代过程中采取基础蚁群算法的概率选择公式。nc一般取最大迭代次数的五分之一或者四分之一。
[0089]
s6：当完成一次迭代后对通信网络路径上的信息素浓度进行更新，并找到所有可行通信路径中成本最小的路径作为本次迭代的最优路径。
[0090]
当所有蚂蚁到达通信接收节点，完成一次迭代，此时对通信网络路径上的信息素浓度t
ij
进行更新，记第m只蚂蚁走过的路径为pm，计算第m只蚂蚁的循环过程中所经过节点的路径成本costm，找到所有可行通信路径中成本最小的路径，并记录为本次循环最优路径。
[0091]
在本实施例中，信息素浓度更新公式：
[0092]
τ
ij
(t+1)＝(1-k)*τ
ij
(t)+δτ
ij
(t)，
[0093]
其中，t表示迭代次数，k为信息素挥发因子，δτ
ij
(t)为通信节点i与通信节点j形成的路径ij上面的信息素增量，其计算方式为：
[0094][0095]
其中，q为定值，优选地设置为10，l
min
为本次迭代结束最优路径的成本。同时为防止局部路径上信息素浓度过小或过大，设置路径上信息素浓度维持在(τ
min
，τ
max
)范围内，若更新后的信息素浓度小于该范围则取最小值，若更新后的信息素浓度大于该范围则取最大值。
[0096]
进一步地，从通信发送节点到通信接收节点的一条完整路径上的总路径成本为：
[0097]
costm＝∑costi→j，
[0098]
其中，i，j为一个蚂蚁从通信发送节点到通信接收节点走过的所有节点。
[0099]
s7：重复s4～s6，直到完成预设的迭代次数，选择所有通信路径中路径成本最低的为最优通信路径。
[0100]
具体地，在每次迭代过程中会产生一条当前迭代中的最优通信路径，再完成所有迭代过程结束后，从所有的最优通信路径中选择总路径成本最低的通信路径作为最终的最优通信路径。
[0101]
以下通过仿真实验对本发明基于改进蚁群算法的网络通信路径最优规划方法的效果进行进一步说明。
[0102]
在本实施例的仿真实验过程中，初始化蚁群参数，其中蚁群个数设置为50，迭代次数设置为100次，信息素初始浓度为1、信息素增量为10，和信息素挥发因子为0.1。在500*500范围内随机生成均匀分布的50个通信节点，设定两个通信节点间进行无线通信的最大传输距离为100，即针对某一节点，其只能与自己距离为100以内的其他节点通信。请参见图3，图3是本发明实施例提供的一种船舶通信网络拓扑图。
[0103]
请参见图4，图4是本发明实施例提供的基于改进蚁群算法的网络通信路径最优规划方法得到的最优通信路径。具体为一条从通信发送节点(节点1)到通信接收节点(节点50)的多跳通信路径，其路径为1-48-26-2-24-12-50，因本发明实施例的方法考虑节点的移动特性，将链路稳定性作为优化目的之一，因此所选路径并非直观的中继节点数量最少的路径。
[0104]
请参见图5，图5是利用本发明实施例所提改进蚁群算法与现有基础蚁群算法在求解50个节点迭代过程中算法优化效果的对比图。可以看到，基础蚁群算法未得到最优解，陷入了局部最优，本发明所提改进蚁群算法能够得到更小的路径费用，优化效果更好。
[0105]
请参见图6，图6是针对不同节点数量规模，本发明实施例所提改进蚁群算法与现有基础蚁群算法优化效果的对比图。可以看出，当节点数量较小时，两者优化效果相差不大，当节点数量大时，本发明所提的改进蚁群算法能够得到最低的路径费用，有效地解决了基础蚁群算法在节点数量规模大时容易陷入局部最优解的问题，能得到更好的优化效果。
[0106]
本发明实施例基于改进蚁群算法的网络通信路径最优规划方法不仅优化了船舶间通信链路的时延丢包率等网络特性，同时考虑到船舶节点移动的特性，在链路成本度量中加入链路生存时间，通过计算两个通信节点间连接时长来衡量通信链路的稳定性，所得到的通信链路具有时延低，稳定性好的特点。此外，本发明实施例对蚁群算法进行了改进，改进蚂蚁下一节选取规则，并提出了算法陷入局部最优的判别方法及改进后的概率选择公式，并且在信息素更新时，只对本次迭代最优路径上的信息进行更新，并对信息素浓度设置上下限。克服了基础蚁群算法容易陷入局部最优解的缺陷，算法的优化效果更加明显。
[0107]
本发明的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行上述实施例中所述基于改进蚁群算法的网络通信路径最优规划方法的步骤。本发明的再一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上述实施例所述基于改进蚁群算法的网络通信路径最优规划方法的步骤。具体地，上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0108]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的
保护范围。

技术特征：
1.一种基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，包括：s1：利用待进行通信路径规划的通信节点构建网络链路连通性模型；s2：确定通信节点之间链路成本的度量标准，所述度量标准包括通信节点间的预期传输时间、通信节点的排队时延以及链路生存时间；s3：计算所有通信节点两两之间的预期传输时间、通信节点的排队时延以及链路生存时间；s4：对蚁群算法所用参数进行初始化，计算各节点之间的链路成本并将所述链路成本的倒数作为蚁群算法的启发式因子；s5：基于蚁群算法，将多只蚂蚁置于通信发送节点，每只蚂蚁按照改进后的节点选择规则进行下一跳通信节点选择，并将经过的通信节点列入禁忌表，每只蚂蚁均走到通信接收节点完成一次迭代；s6：当完成一次迭代后对通信网络路径上的信息素浓度进行更新，并找到所有可行通信路径中成本最小的路径作为本次迭代的最优路径；s7：重复s4～s6，直到完成预设的迭代次数，选择所有通信路径中路径成本最低的通信路径为最优通信路径。2.根据权利要求1所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述s1包括：s1.1：获取特定区域内待进行通信路径规划的船舶作为通信节点，确定其中的通信发送节点和通信接收节点；s1.2：基于各通信节点的位置及节点通信距离限制构建网络链路连通性模型，所述节点通信距离限制指两个通信节点间进行无线通信的最大传输距离，所述网络链路连通性模型表示为：g＝(v,e,w)，其中，v＝{v1,v2…
v
i
,
…
,v
n
}表示通信节点集合，v
i
表示第i个通信节点的位置坐标，e＝{e
ij
}表示通信节点间的链路集合，其为01矩阵，当节点i与节点j之间的距离小于节点通信距离限制时，e
ij
＝1，否则e
ij
＝0，并且当i＝j时，e
ij
＝0，w表示网络通信性能,包括通信链路间的通信带宽b、通信节点的丢包率pl以及通信节点的排队时延t
qd
。3.根据权利要求1所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述预期传输时间ett表示为：ett＝etx
×
τ，其中，etx表示两个通信节点间的预期传输次数，etx＝1/(1-pl)，pl为通信节点的丢包率；τ表示传输时延，τ＝s/b，s表示通信节点之间所传输的数据大小，b表示通信链路间的网络带宽。4.根据权利要求1所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述链路生存时间表示为：其中，表示通信节点i与下一跳通信节点j之间的链路可通信时长，d0表示通信节点
间进行无线通信的最大传输距离，d
ij
表示当前时刻通信节点i与通信节点j之间的距离，δv表示通信节点i与通信节点j之间的相对速度。5.根据权利要求1所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述s4包括：s4.1：对蚁群算法所用参数进行初始化，设置蚂蚁数量、最大迭代次数、信息素浓度、信息素增量和信息素挥发因子；s4.2：计算各通信节点间的链路成本，并将其倒数作为蚁群算法的启发式因子，其中，通信节点i到通信节点j之间的链路成本表示为：其中，cost
i
→
j
表示通信节点i到通信节点j之间的链路成本，ett
i
→
j
、、分别表示通信节点i到通信节点j的预期传输时间、排队时延以及链路生存时间，ett
max
、t
qdmax
和t
lifemax
分别表示由所有通信节点组成的拓扑网络中的预期传输时间、排队时延及链路生存时间的最大值，d
ij
表示当前时刻通信节点i与通信节点j之间的距离，ω1，ω2为调节预期传输时间与排队时延对链路成本影响的权重参数。6.根据权利要求1所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述改进后的节点选择规则为：在蚁群算法迭代初期按照基础蚁群算法的概率选择公式进行下一通信节点选择，若出现连续nq次迭代的最优路径相同，则判定蚁群算法陷入局部最优；当判断蚁群算法陷入局部最优时，对所述概率选择公式进行改进以扩大搜索范围从而寻找最优路径；当采用改进后的概率选择公式进行nc次迭代后，蚁群已经搜索足够的解空间，则随后迭代过程中继续返回采取基础蚁群算法的概率选择公式。7.根据权利要求6所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述基础蚁群算法的概率选择公式表示为：其中，为在第t次迭代中第k只蚂蚁从通信节点i选择通信节点j的概率，τ
ij
(t)为通信节点i与通信节点j之间的信息素浓度，η
ik
(t)为启发式因子，即为通信节点i与通信节点j之间链路成本的倒数，α表示信息素重要程度因子，β表示启发函数重要程度因子。8.根据权利要求7所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述改进后的概率选择公式表示为：
其中，q0为平衡参数，0<q0<1，q为随机数，l
n
为通信节点i下一跳可选择的节点数量。9.根据权利要求7所述的基于改进蚁群算法的网络通信路径最优规划方法，其特征在于，所述信息素浓度的更新公式为：τ
ij
(t+1)＝(1-k)*τ
ij
(t)+δτ
ij
(t)，其中，t表示迭代次数，k为信息素挥发因子，δτ
ij
(t)为通信节点i与通信节点j形成的路径ij上面的信息素增量，其中，q为定值，l
min
为本次迭代结束最优路径的成本。

技术总结
本发明公开了一种基于改进蚁群算法的网络通信路径最优规划方法，包括：利用待进行通信路径规划的通信节点构建网络链路连通性模型；确定通信节点之间链路成本的度量标准；计算所有通信节点两两之间的预期传输时间、排队时延以及链路生存时间；对蚁群算法所用参数进行初始化，计算各节点之间的链路成本；将多只蚂蚁置于通信发送节点，每只蚂蚁按照改进后的节点选择规则进行下一跳通信节点选择，直至完成一次迭代；当完成一次迭代后对信息素浓度进行更新，并获得本次迭代的最优路径；重复直到完成预设的迭代次数，选择路径成本最低的通信路径为最优通信路径。本发明所得到的通信链路具有时延低，稳定性好的特点。稳定性好的特点。稳定性好的特点。


技术研发人员：左磊 鲍世雄 李亚超 高永婵 禄晓飞 张墨 国晓博
受保护的技术使用者：西安电子科技大学
技术研发日：2023.05.16
技术公布日：2023/10/7