一种多射频多信道无线Mesh网络中的混合路由方法与流程

本发明属于通信技术领域，尤其涉及一种多射频多信道无线Mesh网络中的混合路由方法。

背景技术：

无线Mesh网络是一种新型的公共无线局域网和城域网的结构形式。它将数据以无线方式传输到有线宽带网络，大幅减少了有线网络高昂的建设成本，并降低了网络部署的复杂程度，它是下一代旨在为任何用户提供高速互联网接入功能，并且拥有自我配置和自我修复特性的创新技术。

多射频多信道无线Mesh网络（MCMR-WMN）是无线Mesh网中重要的组织形式，在MCMR-WMN中，关键技术是从源节点到目的节点寻找满足服务质量（QoS）要求的最佳路径，但是从冗余路径中找到服务质量保证且接口空闲的路径来传输分组是极其困难的。针对这一问题，已有的解决方案主要为：粒子群优化方法（PSO）和遗传方法（GA）。

粒子群优化方法（PSO）能在搜索空间中快速找到最优路由解，它应用人工智能来解决路由问题，但粒子群优化（PSO）方法的主要缺点是，它易于落入一个局部最优，使得粒子迅速聚集到局部最佳粒子。

遗传方法（GA）是一个基于种群的元启发式最优方法，它是由自然进化启发的优化方法，如选择，变异与交叉，但遗传方法又不适用于动态数据。当路由器配备多个无线电时，传统的寻路方法只能找到一条路径，而不能兼顾到外部条件的限制，在寻找路径的过程中，不能找到用户需要的最佳路径。

总的来说，粒子群优化方法和遗传方法不能很好地平衡共享认知和自然选择。

技术实现要素：

针对现有技术的不足，本发明的目的在于提出了一种多射频多信道无线Mesh网络中的混合路由方法，该方法充分考虑了在多射频多信道无线Mesh网络中路由选择的约束条件的前提下，具体指的是系统允许的带宽、延迟、抖动、干扰，即不能无限制的占用系统资源，通过一部分粒子用粒子群优化方法，另一部分粒子用遗传方法，以解决受服务质量约束的多射频多信道无线Mesh网络中最佳路由的选取问题。

为实现上述目的，本发明的技术方案包括如下：

一种多射频多信道无线Mesh网络中的混合路由方法，随机初始化路径的位置和速度，在多射频多信道无线Mesh网络中，从源节点到目的节点有M条可能的路径，每条路径包含位置和速度两个元素，随机初始化路径的位置和速度，第r条路径用位置向量和速度向量，表示，位置向量包含路径所经过的节点。

进一步根据一种多射频多信道无线Mesh网络中的混合路由方法，建立精英集，按如下步骤进行：

（2-1）、在多射频多信道无线Mesh网络的M条可能的路径中，用表示节点i 和节点j之间的距离，用表示节点i 和节点j 所占的带宽，用表示节点i 和节点j 之间的延迟，用表示节点i 和节点j 之间的成本，表示节点i 和节点j 之间的抖动，则成本函数和目标函数为：

由此得到M条路径的M个目标函数值。

（2-2）、选择M条路径中目标函数值最小的路径，该路径在带宽、延迟、抖动、干扰的约束下，占用成本最少，将这条路径中所有的节点加入一个集合，命名为精英集，为了叙述方便，用N表示节点总数，用表示精英集内节点数量。

进一步根据一种多射频多信道无线Mesh网络中的混合路由方法，用路径优化方法更新精英集内节点，按如下步骤进行：

（3-1）、用Z表示除精英集以外本次优化选取的待更新节点的数量，用表示繁殖率，取值范围从0.0到1.0，。

（3-2）、每条路径除了包含位置和速度两个元素外，还存储了自身最佳位置和全局最佳位置，从本次优化选取的待更新节点构成的所有路径中随机选取一条路径r，路径r的自身最佳位置和全局最佳位置分别是和，通过自身最佳位置与认知因子和随机数得，通过全局最佳位置与社会因子和随机数得，和取值范围在0和1之间，和取值在0到2之间。

（3-3）、通过成本函数获得、及三个位置中每个节点到源节点的成本，比较三个位置中对应节点的成本，将三个对应节点中成本较小的节点提取出来，形成一条新的路径r，具体的：。

（3-4）、测试替换后的r路径相邻节点之间的最大带宽，延迟，抖动和干扰，若测得值小于约束条件，系统允许的带宽、延迟、抖动、干扰因子，则满足系统要求，差距为0，若测得值大于约束条件，则不满足要求，差距为测量值与要求值的差值。

（3-5）、为了叙述方便，用、、分别表示对带宽、延迟和抖动的惩罚强度，通过、、分别与带宽、延迟和抖动的差距还有干扰，得到对违反QoS要求的惩罚值，具体的：

。

（3-6）、通过r路径的目标函数值和惩罚值，得到r路径的适应度值，具体的，适应度函数为：。

（3-7）、用r路径的适应度值与r路径的自身最佳位置的适应度值比较，若r路径的适应度值较小，则将r路径更新为当前自身最佳位置，将全局最佳位置与所有路径的自身最佳位置比较，用所有路径中适应度值最小的一条路径更新全局最佳位置，并通知给所有的路径。

进一步根据一种多射频多信道无线Mesh网络中的混合路由方法，剩余节点适应度最小两路径交叉操作，按如下步骤进行：

（4-1）、用和表示两个随机变量，范围是（0，1）；路径p和路径q是在剩余个节点构成的所有路径中，适应度值最小的两条路径，和是当前p路径的位置和速度，和是更新后路径和路径的位置，对这两条路径的位置和用推进交叉操作更新方法如下：，。

（4-2）、用适应度函数测试更新后的路径位置，得到的子路径的位置和的适应度值，若的适应度值不小于的适应度值，则将作为本次操作的最佳路径b，若的适应度值小于的适应度值，则将作为本次操作的最佳路径b。

进一步根据一种多射频多信道无线Mesh网络中的混合路由方法，选择本次的最佳路径，按如下步骤进行：

（5-1）、将步骤3和步骤4得到的最佳路径的适应度值作比较，若位置的适应度值小于b位置的适应度值，则令作为本次的最佳路径，若位置的适应度值大于b位置的适应度值，则令b作为本次的最佳路径。

（5-2）、将精英集中的所有节点更新为本次最佳路径中所有节点。

（5-3）、获取系统服务质量保证的带宽、延迟、抖动、干扰因子，所有量相加得到系统要求的适应度值。

（5-4）、将本次最佳路径的适应度值与系统要求的适应度值相比较，若本次最佳路径的适应度值不大于系统要求的适应度值，则寻找到的路径就是最佳路径，本次路由过程结束；若本次最佳路径的适应度值大于系统要求的适应度值，则重新用路径优化方法更新精英集内节点，把不在精英集内的节点分别再次更新，直到找到路径的适应度值比系统要求的适应度值小。

本发明与现有技术相比，具有如下优点：

1、本发明不再局限于牺牲服务质量而仅仅着眼于找到一条路径，它能根据外部系统要求和网络结构变化动态改变路径，使其达到最佳值。

2、本发明中的部分粒子使用粒子群优化方法，使得局部收敛加快，且避免了局部最优解，使得路由过程进行迅速，平均端到端延迟减小。

3、本发明中的部分粒子使用遗传方法，让优选个体的特性保留，使该路由方法能在含有更多节点的多射频多信道无线Mesh网络内使用。

4、本发明方法被用于从源节点到目的节点找到一个最佳路径，既降低了成本，还满足带宽的QoS约束，如延迟、抖动、干扰等。本发明方法需要相对较少的收敛时间，且远离过早收敛，因此具有更好的性能，分组传送率比单独使用这两种方法更高，网络规模更大。

附图说明

图1为本发明所述一种多射频多信道无线Mesh网络中的混合路由方法的流程图；

图2为仿真实例的拓扑结构；

图3为仿真实例中适应度值随更新次数的变化；

图4为仿真实例中收敛时间随节点数目的变化；

图5为仿真实例中分组传输率随节点数量的变化。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明所述方案和效果作进一步详细描述。

本发明将多射频多信道无线Mesh网络中的粒子种群分割为两部分，一部分用粒子群优化方法，对路径进行更新，另一部分对路径进行交叉操作，两种方法结合，寻找最佳路径。

如图1所示，发明所述一种多射频多信道无线Mesh网络中的混合路由方法的具体实现步骤如下：

步骤1：随机初始化粒子的位置和速度

在多射频多信道无线Mesh网络中，从源节点到目的节点有M条可能的路径，每条路径包含位置和速度两个元素。随机初始化路径的位置和速度，第r条路径用位置向量和速度向量，表示，位置向量包含路径所经过的节点。

步骤2：建立精英集

（2-1）、在多射频多信道无线Mesh网络的M条可能的路径中，用表示节点i 和节点j之间的距离，用表示节点i 和节点j 所占的带宽，用表示节点i 和节点j 之间的延迟，用表示节点i 和节点j 之间的成本，表示节点i 和节点j 之间的抖动，则成本函数和目标函数为：

由此得到M条路径的M个目标函数值。

（2-2）、选择M条路径中目标函数值最小的路径，该路径在带宽、延迟、抖动、干扰的约束下，占用成本最少，将这条路径中所有的节点加入一个集合，命名为精英集，为了叙述方便，用N表示节点总数，用表示精英集内节点数量。

步骤3：用粒子群优化方法更新部分节点

（3-1）、用Z表示除精英集以外本次优化选取的待更新节点的数量。用表示繁殖率，取值范围从0.0到1.0，。

（3-2）、粒子群优化方法中，每条路径（即每个粒子）除了包含位置和速度两个元素外，还存储了自身最佳位置和全局最佳位置。从本次优化选取的待更新节点构成的所有路径中随机选取一条路径r，路径r存储的自身最佳位置和全局最佳位置分别是和。通过自身最佳位置与认知因子和随机数得，通过全局最佳位置与社会因子和随机数得，和取值范围在0和1之间，和取值在0到2之间。

（3-3）、通过成本函数获得、及三个位置中每个节点到源节点的成本，比较三个位置中对应节点的成本，将三个对应节点中成本较小的节点提取出来，形成一条新的路径r。具体的：。

（3-4）、测试替换后的r路径相邻节点之间的最大带宽，延迟，抖动和干扰，若测得值小于约束条件（系统允许的带宽、延迟、抖动、干扰因子），则满足系统要求，差距为0；若测得值大于约束条件，则不满足要求，差距为测量值与要求值的差值。

（3-5）、为了叙述方便，用、、分别表示对带宽、延迟和抖动的惩罚强度，通过、、分别与带宽、延迟和抖动的差距还有干扰，得到对违反QoS要求的惩罚值，具体的：

。

（3-6）、通过r路径的目标函数值和惩罚值，得到r路径的适应度值。具体的，适应度函数为：。

（3-7）、用r路径的适应度值与r路径的自身最佳位置的适应度值比较，若r路径的适应度值较小，则将r路径更新为当前自身最佳位置。将全局最佳位置与所有路径的自身最佳位置比较，用所有路径中适应度值最小的一条路径更新全局最佳位置，并通知给所有的路径。

步骤4：剩余节点适应度最小两路径交叉操作

（4-1）、用和表示两个随机变量，范围是（0，1）；路径p和路径q是在剩余个节点构成的所有路径中，适应度值最小的两条路径；和是当前p路径的位置和速度；和是更新后路径和路径的位置；对这两条路径的位置和用推进交叉操作更新方法如下：，。

（4-2）、用适应度函数测试更新后的路径位置，得到的子路径的位置和的适应度值，若的适应度值不小于的适应度值，则将作为本次操作的最佳路径b；若的适应度值小于的适应度值，则将作为本次操作的最佳路径b。

步骤5：选择本次的最佳路径

（5-1）、将步骤3和步骤4得到的最佳路径的适应度值作比较，若位置的适应度值小于b位置的适应度值，则令作为本次的最佳路径；若位置的适应度值大于b位置的适应度值，则令b作为本次的最佳路径。

（5-2）、将精英集中的所有节点更新为本次最佳路径中所有节点。

（5-3）、获取系统服务质量保证的带宽、延迟、抖动、干扰，并附有一定的余量，所有量相加得到系统要求的适应度值。

（5-4）、将本次最佳路径的适应度值与系统要求的适应度值相比较，若本次最佳路径的适应度值不大于系统要求的适应度值，则寻找到的路径就是最终的最佳路径，本次路由过程结束；若本次最佳路径的适应度值大于系统要求的适应度值，则重新返回步骤3，将不在精英集内的节点分别再次更新，直到找到路径的适应度值比系统要求的适应度值小，或者达到极限值T为止。

下面结合附图和实例，对本发明的具体实施方式作进一步详细描述：

1、实验条件

参照图2，整个拓扑图包含了25节点，其中节点1是源节点，它有3个网关接入到internet，分别是网关节点11，13，25。网络规模较大或密集相连时，源和网关之间有许多可能的路径。

任意两个节点之间的物理距离随机不同。节点的传输范围设定为250米。若两节点在彼此的监听范围内，则两者之间存在连接。对于所有的连接，连接成本矩阵的范围是[2-10]，带宽设定为11Mbps。类似地，延迟矩阵的范围是[0.5-2毫秒]，分组丢失矩阵范围是[0.001-010]，抖动矩阵的范围是[0.5-2.0毫秒]。

干扰值被归一化在0和1之间，并且分配给每个在I-factor中指定的链接。、、值在不同应用程序中都不同。

2、实验内容

参照图3，给出的拓扑结构，计算25个节点更新次数的适应度值。图4所示，本发明方法在第14次更新计算时，给出了一个最佳路径，其适应度为12.56，粒子群优化方法在第20次更新得到最佳路径，但遗传方法在第20次更新得到16.56，由此可得，遗传方法需要更多的时间来收敛。所以本发明方法是一个全局性的最佳路由方法，它的适应度值最低，适应度最高，更新次数最少。

参照图4和表1，显示了粒子群优化方法，遗传方法，本发明方法随着网络中计算时间随着的节点数目增加的变化。这表明当更多节点被添加到网络时，三种方法的计算速度都会降低，但当超过100个节点被添加到网络中时本发明方法能迅速地产生最佳路径，与粒子群优化方法和遗传方法相比，它显示出更好的计算性能。

表1

参照图5，显示了分组传输率与节点数量的关系。相比于粒子群优化方法和遗传方法，本发明方法具有更好的传输性能，即使后来网络规模达到100个节点，分组传送率依然被保留在90％。它表明，本发明方法能保证QoS，更适合在MCMR-WMN中进行可靠的通信，它能降低分组丢失的重传概率，提高网络资源利用率。

由仿真结果可以看出，本发明方法在收敛时间，分组传送率和平均端到端延迟方面优于粒子群优化方法和遗传方法。

综上所述，使用一种多射频多信道无线Mesh网络中的混合路由方法能够支持服务质量。本发明方法消除了粒子群优化方法和遗传方法的弱点，还提高了知识共享和自然选择之间的稳定性，在搜索空间中更容易找到最佳路径。

以上仅是对本发明的优选实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明的主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴，本发明具体的保护范围以权利要求书的记载为准。