一种基于神经网络的DTN网络路由优化方法与流程

本发明涉及dtn网络技术领域，更具体的说是涉及一种基于神经网络的dtn网络路由优化方法。

背景技术：

dtn网络(容迟网络)是一种新型无线网络体系结构，它包含多种传统网络形态的综合概念，单纯一种路由算法很难有效解决网络在所有状态下的路由问题，现有技术中的路由算法均存在着分组转发策略效率低下的特点。

因此，提供一种基于神经网络的dtn网络路由优化方法是本领域技术人员亟需解决的问题。

技术实现要素：

有鉴于此，本发明提供了一种基于改进型模糊神经网络的dtn网络路由优化方法，目的在于解决现有技术中路由算法分组转发策略效率低下的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进型模糊神经网络的dtn网络路由优化方法，包括以下步骤：

s1.利用多维分量来描述dtn网络中各节点间的连通特点，采集dtn网络中当前节点和目标节点的多维分量的动态信息；

s2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中，获取当前节点到达目标节点每条路径的成功概率；

s3.比较成功概率的大小，将成功概率大的路径选择为最优路由。

优选的，改进型模糊神经网络依次包括：输入层、模糊条件层、归一化层、模糊决策层和去模糊层。

优选的，所述输入层，用于实现动态信息的输入；所述去模糊层，用于实现输出。

优选的，所述模糊条件层，每个神经元为一个模糊规则，用于实现输入变量的隶属度函数，且匹配模糊规则的前件，当需要增加或减少模糊控制规则时，在所述模糊条件层进行神经元数量的优化。

优选的，所述归一化层，用于对每个神经元的输出进行归一化计算。

优选的，所述模糊决策层，每个神经元为模糊规则的后件，用于计算每个模糊规则所对应的决策结果。

优选的，通过采用相应的启发式算法来实现模糊条件层神经元数量的优化。

优选的，改进型模糊神经网络训练过程为：采集多维分量的动态历史信息；将所采集到的动态历史信息依次输入改进型模糊神经网络中进行训练，计算各节点到网络中其他节点之间的单跳传输成功概率，获取多维分量的优先顺序以及在优化过程所产生的影响，并通过迭代得到各节点到网络中其他节点的多跳传输成功概率。

优选的，所述多维分量包括但不限于：存储分量和转发权重分量；

所述存储分量和所述转发权重分量分别用于描述dtn网络中节点存储能力和节点转发能力。

优选的，所述多维分量还包括但不限于：时延分量和距离分量；

所述时延分量和所述距离分量分别用于描述dtn网络中节点的平均传输时延和各节点之间的平均欧氏距离。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于改进型模糊神经网络的dtn网络路由优化方法，该方法采用改进型模糊神经网络来实现路由决策的智能化，根据不同路径上当前节点与目标节点的转发成功概率来选择路径，有效提高了路由选择的效率，而且改进型模糊神经网络具有强化学习功能，使得该方法能够适应dtn的拓扑变化，具有极强的实用性。

附图说明

为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于改进型模糊神经网络的dtn网络路由优化方法，包括以下步骤：

s1.利用多维分量来描述dtn网络中各节点间的连通特点，采集dtn网络中当前节点和目标节点的多维分量的动态信息；

s2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中，获取当前节点到达目标节点每条路径的成功概率；

s3.比较成功概率的大小，将成功概率大的路径选择为最优路由。

进一步地，改进型模糊神经网络依次包括：输入层、模糊条件层、归一化层、模糊决策层和去模糊层。

进一步地，输入层，用于实现动态信息的输入；去模糊层，用于实现输出。

进一步地，模糊条件层，每个神经元为一个模糊规则，用于实现输入变量的隶属度函数，且匹配模糊规则的前件，当需要增加或减少模糊控制规则时，在模糊条件层进行神经元数量的优化。

进一步地，归一化层，用于对每个神经元的输出进行归一化计算。

进一步地，模糊决策层，每个神经元为模糊规则的后件，用于计算每个模糊规则所对应的决策结果。

进一步地，通过采用相应的启发式算法来实现模糊条件层神经元数量的优化。

进一步地，改进型模糊神经网络训练过程为：采集多维分量的动态历史信息；将所采集到的动态历史信息依次输入改进型模糊神经网络中进行训练，计算各节点到网络中其他节点之间的单跳传输成功概率，获取多维分量的优先顺序以及在优化过程所产生的影响，并通过迭代得到各节点到网络中其他节点的多跳传输成功概率。

进一步地，多维分量包括但不限于：存储分量和转发权重分量；

存储分量和转发权重分量分别用于描述dtn网络中节点存储能力和节点转发能力。

进一步地，多维分量还包括但不限于：时延分量和距离分量；

时延分量和距离分量分别用于描述dtn网络中节点的平均传输时延和各节点之间的平均欧氏距离。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：

1.一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，包括以下步骤：

s1.利用多维分量来描述dtn网络中各节点间的连通特点，采集dtn网络中当前节点和目标节点的多维分量的动态信息；

s2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中，获取当前节点到达目标节点每条路径的成功概率；

s3.比较成功概率的大小，将成功概率大的路径选择为最优路由。

2.根据权利要求1所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，改进型模糊神经网络依次包括：输入层、模糊条件层、归一化层、模糊决策层和去模糊层。

3.根据权利要求2所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，所述输入层，用于实现动态信息的输入；所述去模糊层，用于实现输出。

4.根据权利要求2所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，所述模糊条件层，每个神经元为一个模糊规则，用于实现输入变量的隶属度函数，且匹配模糊规则的前件，当需要增加或减少模糊控制规则时，在所述模糊条件层进行神经元数量的优化。

5.根据权利要求2所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，所述归一化层，用于对每个神经元的输出进行归一化计算。

6.根据权利要求2所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，所述模糊决策层，每个神经元为模糊规则的后件，用于计算每个模糊规则所对应的决策结果。

7.根据权利要求4所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，通过采用相应的启发式算法来实现模糊条件层神经元数量的优化。

8.根据权利要求1所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，改进型模糊神经网络训练过程为：采集多维分量的动态历史信息；将所采集到的动态历史信息依次输入改进型模糊神经网络中进行训练，计算各节点到网络中其他节点之间的单跳传输成功概率，获取多维分量的优先顺序以及在优化过程所产生的影响，并通过迭代得到各节点到网络中其他节点的多跳传输成功概率。

9.根据权利要求1所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，所述多维分量包括但不限于：存储分量和转发权重分量；

所述存储分量和所述转发权重分量分别用于描述dtn网络中节点存储能力和节点转发能力。

10.根据权利要求1所述的一种基于改进型模糊神经网络的dtn网络路由优化方法，其特征在于，所述多维分量还包括但不限于：时延分量和距离分量；

所述时延分量和所述距离分量分别用于描述dtn网络中节点的平均传输时延和各节点之间的平均欧氏距离。

技术总结
本发明公开了一种基于改进型模糊神经网络的DTN网络路由优化方法，包括以下步骤：S1.利用多维分量来描述DTN网络中各节点间的连通特点，采集DTN网络中当前节点和目标节点的多维分量的动态信息；S2.将所采集到的动态信息依次输入到训练好的改进型模糊神经网络中，获取当前节点到达目标节点每条路径的成功概率；S3.比较成功概率的大小，将成功概率大的路径选择为最优路由。本发明采用改进型模糊神经网络来实现路由决策的智能化，根据不同路径上当前节点与目标节点的转发成功概率来选择路径，有效提高了路由选择的效率，而且改进型模糊神经网络具有强化学习功能，使得该方法能够适应DTN的拓扑变化，具有极强的实用性。

技术研发人员：黄东;秦小林;刘竟成;林小光;彭泳亲;陈震宇;杨涌;杨治明;黄海松;江勇;赵向前;赵梓妍;王颜龄;蒋铮;吴健;杨润宗
受保护的技术使用者：黄东
技术研发日：2020.04.29
技术公布日：2020.08.11