货车网络的多目标优化路由协议

摘要

由于其在智能交通系统应用中的显着作用，车辆临时网络（VANET）路由协议一直吸引了研究和工业社区的相当大部分。本文采用优化的集成多播，多标准，自适应路由寿命，作为vanet的路由协议。从而仅选择基于组合的发送者 - 接收器方式的距离，方向，速度和未来方向信息来中继路线请求（RREQ）消息的最佳邻居车辆的最佳子集。在用于路由发现的那些选择的最佳路径中，将选择具有最低成本的最佳路线以用于根据所获得的成本和该路线的中间车辆数量分配的指定持续时间来转发数据分组。采用模糊控制器评估路线的成本及其寿命。此外，人造蜂菌落（ABC）算法用于同时优化所有使用的模糊系统，并获得最佳最高等级的链路成本值，在该链路的成本值中，可以在路由发现过程中选择邻居作为中继节点。仿真结果证明，在不同车辆密度的不同情况下，建议的路由方案显着提高了城市和公路情景中的网络性能。

1.介绍

车辆网络[1那2]是一个有前途的技术，使智能车辆能够在自己之间交换无线消息，以实现更方便和更安全的运输系统。这些消息可以包括有关交通流量条件，自适应跳闸辅助，警告和警报的信息，以及停车或加油站可用性以及信息娱乐应用。

这些众多的VANET应用实质上依赖于VANET路由协议[3.那4.]，这些算法起源于之前的无线移动自组网(MANET)算法，但为适应VANET的特点和要求而进行了广泛的改革。

VANET独有的车辆高移动性、有限的覆盖区域、间歇性的无线连接和交通密度的特点，以及道路模式和交通规则内的移动限制，使得为这些具有挑战性的网络提供更可靠、更高效的路由协议仍是一个开放的研究课题;最近的一些相关研究也参加了。

李等人[5.]提出了一种自适应QoS路由，利用终端交叉口和基于连接概率、包分发率和时延的蚁群算法来搜索最优路由。

al - kharasani等人[6.]提出了一种粒子群优化优化链路状态路由协议，考虑吞吐量、包交付率、时延和归一化路由开销等多个目标来评估适应度函数。

Latif等人[7.]提出了一种基于多准则的数学公式，考虑了车辆相对于源车辆的方向、位置和距离，从而选择下一货代车辆的算法。

张等人。[8.提出了一种基于微人工蜂群的组播路由协议，该协议考虑了能量消耗和传输延迟来衡量质量。

Miao等人[9.提出了基于模糊逻辑的基于距离和时延两个因素的广播包转发方案。

纳比尔等[10]提出了一种选择最稳定路径的方案，并根据数学方程计算相邻车辆在相同或相反方向、相同或不相同速度下的连杆稳定时间，从而预测其寿命。

然而，本研究的本质独特性体现在以联想形式解决VANET中路由的三个主要关键问题;第一个问题是在路由发现阶段对路由请求(route request, RREQ)消息的盲目广播，这导致了较高的控制消息开销和包冲突问题，尤其是在高密度网络中，甚至在包传输速率高的稀疏网络中。

而第二个问题则认为，由于在路由选择过程中遗漏了一些影响准则，导致了大量的错误消息和数据包丢失，导致了较高的路由断路率。

而第三个问题处理的是使用固定的路线生命期的困境，而不管所选路线的情况如何，这可能会导致一些有效路线被打乱，或者一些有效路线被打乱。

尽管针对上述前两个问题已有大量工作[7.-9.那11-13]，他们主要考虑他们的研究中只考虑两三个因素。有些完全基于发件人指定中继节点[11那12]，通常需要周期性地交换hello消息，而其他的则完全根据接收者来决定是否重播数据包[9.那13，因此一些多余的广播仍然没有被消除。

另一方面，很少有效参加VANET环境中的第三个困境[10那14];它们主要依赖于只考虑两个因素的数学模型。

特别地，该提出的协议包括模糊系统的原理，通过评估组合的发件人 - 接收者时尚的每个邻居的链路成本，改善了车辆网络环境的临时距离矢量（AODV）路由协议的决策过程。除了考虑接收器的速度和未来方向信息之外，还考虑发送方的距离和方向的信息。这是为了仅选择用于路由发现过程的最佳中继邻居的子集，以及选择携带数据的最佳路径。另外，除了其所涉及的啤酒花的数量之外，它可以预测每个所选路线的寿命。此外，ABC优化算法用于从选定中继邻居链路成本的阈值外，生成所提出的模糊成员资格的顶点和规则。

具体而言，本文提出的方案在本工作中的主要贡献关键可归纳为:(我)在路由发现阶段采用模糊系统进行三步优化，在确定每条路由生命周期的同时，考虑最有效的稳定因素选择中继节点和合适的路由。(2)结合了基于发送方-接收方的多播路由协议，而不需要使用周期性的Hello报文，同时也减轻了完全基于接收方的转发决定器的缺点。（iii）关于路由发现阶段中考虑的下一个方向的新颖稳定因素，而不转移该基准以保持车辆的未来运动的安全性。(iv)该方案考虑了距离、方向、速度、未来方向和跳数等多个因素。（v）自动提取的模糊控制器，采用人工蜂菌落优化。（vi）考虑了优化过程的四个目标:最大的数据包发送率和吞吐量，最小的延迟和控制数据包的数量。

其余文件组织如下：部分2介绍了在本研究中使用的优化算法。部分3.给出了提出的路由方案的详细信息。本节给出了仿真参数和比较结果4.。最后，结论和建议的未来作品将赋予部分5.。

2.采用优化方法

2.1。人造蜜蜂殖民地（ABC）优化

ABC优化(15-17是一种基于群体智能的方案，模拟蜜蜂群体的觅食行为。

算法简单灵活，需要调整的参数少;此外，该算法可以很容易地与其他智能算法进行杂交。

此外，许多研究[18-20.]已经证明了ABC优化和杂交比许多其他流行的优化方法的效率和准确性。

ABC优化算法的一般结构由三组人工蜂组成:雇佣蜂、旁观者蜂和侦察蜂。

每个被雇佣的蜜蜂与一个食物来源(可能的解决方案)关联，并与旁观的蜜蜂分享这些食物来源的位置信息和花蜜量(质量或健康成本)，以便进一步处理。旁观的蜜蜂根据概率选择过程来决定最有利可图的食物来源。当一种食物来源没有改善到预定的试验次数时，蜜蜂就会拒绝这种食物来源，相应的被雇佣的蜜蜂就会成为侦察蜂。

ABC算法的详细内容如下:

首先,让 表示一世^钍解决在人口，在哪里 ;然而，SN反映了人口中的解决方案的规模，并被带到蜜蜂殖民地的一半（等于雇用蜜蜂或旁观者蜜蜂）D.表示优化参数的个数。

2．1．1．美国广播公司(ABC)初始化阶段

ABC产生随机分布的初始群体SN在边界范围内的解按下式:

在哪里和的上下限是多少 。

解生成后，适应度函数合身_一世对总体中的所有初始解进行评估。

2.1.2。ABC采用了BEE阶段

在这个阶段，每个解决方案被分配给一个员工bee，员工bee会对解决方案的位置进行修改，如下所示:

在哪里为原始解的突变解，一个随机数是否在这个范围内 那k是i的邻居， 。

之后，根据其适应性评估值，由原始溶液和其突变体之间的所用蜂进行贪婪选择。

2.1.3。概率计算阶段

每个解都有一个概率值计算其质量成比例计算为

2.1.4。ABC旁观者蜜蜂阶段

旁观者蜜蜂评估从雇佣蜜蜂那里获得的信息，并选择概率值最高的解决方案。然后，采用位置调整和贪婪选择的相位机制来记忆较好的解。

2.1.5。ABC Scout Bee阶段

如果一个解决方案没有改进到预定义的试验次数(超过一个称为限制），溶液被遗弃，并且其相应的蜜蜂成为侦察蜜蜂，使用新的随机解决方案（1)．

重复执行上述四个阶段，直到达到最大的搜索循环次数，并将得到的最优解作为优化输出。

2．2．ABC优化模糊系统

模糊逻辑(21那22]已经被广泛应用于支持许多基于智能的现实世界系统，特别是在信息不精确和不确定的情况下。

通常，由数据库和规则库组成的知识库单元是任何模糊系统的核心。

然而，依靠系统知识和试错过程手工生成模糊知识库是一项非常繁琐和耗时的任务。而且，它不能保证构建一个最优系统。

作为解决方案，提出了ABC优化以自动提取最佳规则集，“不关心”条件探索，以便更紧凑的规则获取和调整所有提出的模糊控制器的隶属函数。

由于所提出的所有模糊控制器都是依赖的，模糊输入和输出的所有隶属函数顶点的集合，以及规则结果的语言学，被编码到食物源中，如图所示1保证在给定的搜索空间内整个模型参数同时增长。

为了减少优化参数的数量，加快优化过程，将所提出的模糊控制器的隶属函数设置为三角型，因为在该网络模型中，这种隶属函数比其他类型的隶属函数效率更高[23-26]．

三个语言术语与每个模糊输入(低、中、高)关联，五个术语与输出(非常低、低、中、高、非常高)关联，以获得更准确的结果。

正如将在下一节中介绍的，大多数模糊输入以比例形式输入，因此第一个和最后一个隶属点是固定的，不需要优化。如图所示，这总共提供了5个隶属度优化点来表示每个模糊输入2。

与上述机制类似，前两个模糊控制器的输出需要11个隶属度优化点，最后一个模糊控制器的输出再增加一个隶属度优化点，得到最优的最大路径寿命点。

在其他方面，为了生成最佳规则库集，模糊输出语言术语从1到5编码为实数，并且“0”值用于表示规则缺席。因此，每个规则前日常都可以采用0到5的整数值，使得'1'表示'非常低'，'2'表示'低'，等等。

此外,优化过程,这项工作的目的是探索最好的模糊模型除了链接等级阈值,将纳入提出的路由算法,以满足最大化的最佳网络性能结果通过多个目标包交货率(PDR)和吞吐量(Th)和(D)和延迟最小化控制包数(C)。

这就需要在网络仿真和优化过程之间进行集成，以评估每个可用解决方案在特定时间间隔(t)内的网络性能响应。

用加权和将多个目标聚合成一个单一的目标函数为

其中，每个单独的客观因素项都符合获得的性能指标与应用解决方案之间的比率( 的）关于通过传统协议的原始结果，为了量化在所提出的路由协议中使用可用解决方案模型的每个评估项的变化效率。

同时，鉴于四个性能指标同样重要，所有测量因素都在同一范围内，0.25被分配到每个权重值( )．

3.提出了路由方案

首先假设每辆车都配备了GPS导航系统设施[27那28]获取更新的车辆位置、路线图和交通信息，以及多规划的目的地方向。此外，假设阵列天线[29那30.，以获取相邻车辆的位置和运动角度。

除了假设问题，提出的路由方案优化模糊AODV (OFAODV)正在查找调优文献中最常用的路由协议:AODV路由协议[31那32]在路线发现阶段的三个阶段内。在发送（RREQ）数据包之前执行前两个阶段，而最后阶段关于在路由回复分组中指定所选路由寿命。

在第一个修改阶段(图3.），每辆车评估每个一跳邻居链接等级（等级I.)之前发送RREQ包使用模糊逻辑相结合的邻居车辆方向的两个因素对目的地的方向,除了距离因素,作为下一个节点之间的比率来计算距离目的地作为当前节点距离目的地的比例如下:

因此，仅指定具有最少的链接等级的三个邻居作为中继节点，只有其获得的链接排名小于特定值Rank1_High(阈值)。

第二个调优阶段(图4.）从到达RREQ报文到中继节点时，开始评估排名第二使用其他模糊系统节点的链接成本值，该车辆下一个方向的其他两个变化因素和当前与前一辆车的速度差异如下:

只有当获得的链路开销的Rank II值小于某一特定值时，RREQ报文才会被转发Rank2_High阈值(2)。

并选择秩I +秩II成本集成程度最低的链路来构建到达目的地的最优路径。

在目的地发送路由应答包之前的最后修改阶段，利用模糊逻辑结合接收到的RREQ包中的路由开销和跳数信息来预测所选路由的生存期。

此外，使用ABC算法（如前一节中所述）优化RANK1_HIGH，RANK2_HIGH，所有模糊成员函数函数的顶点和模糊规则的值，旨在提高最重要的网络性能结果。

4.仿真模型和结果

利用SUMO和OMNeT++模拟器的双向耦合，生成了一个3km × 3km的巴士拉市和i95高速公路真实地图的模拟区域，实现了车辆交通动力学和网络通信系统之间的直接交互。1000模拟秒,100,200,300,400,和500辆模拟在每个模拟地图TraCI流动模型,每个车都有传播范围250米,IEEE 802.11便士作为介质访问控制协议,和UDP数据流量生成与512 b为每个发送数据包的大小。

另一方面，本文提出的路由协议(OFAODV)与其他三种协议进行仿真比较:AODV路由协议，基于转发优化的模糊逻辑路由(FLRBF)[9.]和模糊基于的AODV路由(FAODV)提出了一种基于模糊逻辑的路径选择决策方法，该方法考虑了中继车辆数量、车辆距离和车辆运动速度三个标准。

对所有仿真协议的性能进行评估，评估指标为包的发送率(图)5.），吞吐量（图6.)，平均延迟(图7.)，以及发送控制数据包的数量(图8.)．

当PDR，吞吐量，延迟和延迟和延迟和延迟和送达的Ctrl包数分别与Faodv议定书的13.84％，27.56％，40.22％和22.43％，达到改善的百分比，平均升级为9.47％，17.14％，30.38％和18％在FLRBF协议下。

5.结论

目前的工作介绍了一种最佳的路由方法，消除了RREQ包的传播;此外，它可以通过增强所选路线的效率来减少路线误差和争用开销，具有预测其最佳寿命的能力。

为了适应这种情况，采用了基于距离、方向、速度、未来方向和跳数信息的多个准则的三个双输入模糊系统。

利用人工蜂群优化算法自动提取模糊系统的隶属度和规则，并获得选择中继节点时的链路成本限制。

仿真结果表明，在城市和高速公路环境下，在不同车辆密度条件下，所提出的路由协议在包发送率、吞吐量、端到端延迟和控制包数量等方面都显著提高了网络性能。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. A. Laouiti, A. Qayyum和M Saad，面向智能城市的车载自组织网络, 2017年施普林格。
2. A. A. Abbasi和A. S. Khan，“城市环境中vanet的车辆对车辆通信协议的回顾”，未来的互联网，第10卷，第5期。2、2018。视图:谷歌学者
3. M. Dixit, R. Kumar, and A. K. Sagar，“VANET:架构、研究问题、路由协议及其应用”2016 IEEE计算、通信与自动化国际会议论文集(ICCCA '16)，第555-561页，2016年4月。视图:出版商的网站|谷歌学者
4. M.Jain和R. Saxena，“Vanet概述：要求及其路由协议”2017年通信与信号处理国际会议论文集2017年4月，钦奈，1957-1961页。视图:出版商的网站|谷歌学者
5. Li G.， L. Boukhatem，和J. Wu，“基于自适应服务质量的车辆自组织网络的蚁群优化路由”，IEEE车辆技术交易，卷。66，没有。4，pp。3249-3264,2017。视图:出版商的网站|谷歌学者
6. N. M.Al-Kharasani，Z.A.Zulkarnain，S. Subramaniam和Z. M. Hanapi，“一个有效的框架模型，用于优化Vanets的路由性能”，“传感器第18卷第2期2、2018。视图:谷歌学者
7. S. Latif, S. Mahfooz, B. Jan等，“基于多标准的车辆自组织网络数据传播下一个转发器选择，使用分析网络过程，”工程数学问题文章编号4671892,18页，2017。视图:出版商的网站|谷歌学者
8. 张学军，“基于人工蜂群的车辆自组织网络组播路由”，“基于人工蜂群的车辆自组织网络组播路由”，特设网络， 2017, vol. 58, pp. 213-221。视图:出版商的网站|谷歌学者
9. 苗志，蔡昕，罗青，董伟，“车辆自组织网络中广播报文转发优化的FLRBF方案”第27届IEEE个人、室内和移动无线电通信年度国际研讨会论文集，PIMRC 20162016年9月，西班牙。视图:谷歌学者
10. M. Nabil，A. Hajami和A. Haqiq，“稳定的路线和剩余时间预测，在高速环境中发送数据包”，“第十六届国际混合智能系统会议论文集，智能系统与计算的进展， vol. 552, pp. 11-20，施普林格，2017。视图:谷歌学者
11. C.吴，S. Ohzahata，Y.JI和T.Kato，“联合模糊继电器和Vanets中的多跳广播的基于网络编码的转发，”IEEE智能交通系统交易，第16卷，第5期。3, pp. 1415-1427, 2015。视图:出版商的网站|谷歌学者
12. 林志强，董峰，“车辆自组织网络中模糊道路状况模型的优化路由(FRSMOR)”2012年第六次第6届软计算和智能系统，SCIS 2012和第13届高级情报系统国际研讨会国际会议的议事课程，ISIS 2012，pp.，日本，2012年11月532-537。视图:谷歌学者
13. 周林，崔国栋，刘海，吴振武，罗德华，“NPPB:一种密集vanet的广播方案”，信息技术杂志，第9卷，第5期。2，页247-256,2010。视图:出版商的网站|谷歌学者
14. S. Shelly，V.Vijay和A. V.Babu，贪婪转发策略下车辆临时网络中的路径持续时间模型，“2015年ICCC的计算机，通信和融合国际会议的诉讼程序第394-400页，印度，2015年12月。视图:谷歌学者
15. K. S. Kaswan, S. Choudhary, K. Sharma，“人工蜂群优化技术的应用:调查”，刊于2015年第2届可持续发展全球发展国际会议的诉讼程序2015年，第1660-1664页，印度，2015年3月。视图:谷歌学者
16. D. Karaboga, B. Gorkemli, C. Ozturk，和N. Karaboga，《人工蜂群(ABC)算法和应用的综合调查》，人工智能审查， vol. 42, pp. 21-57, 2014。视图:出版商的网站|谷歌学者
17. A. Kumar, D. Kumar, S. K. Jarial，“人工蜂群算法及其在数据聚类中的应用综述”，控制论和信息技术，第十七卷，第二期3，第3 - 28页，2017。视图:出版商的网站|谷歌学者|Mathscinet.
18. D. Karaboga和B. Akay，“人工蜂群算法的比较研究”，应用数学与计算，卷。214，不。1，pp。108-132,2009。视图:出版商的网站|谷歌学者|Mathscinet.
19. B. Nozohour-Leilabady和B.Fazelabdolabadi，“关于人工蜂菌落（ABC）算法在裂缝储层井井井中优化的应用;与粒子群优化（PSO）方法的效率比较，“石油，卷。2，不。1，pp。79-89,2016。视图:出版商的网站|谷歌学者
20. M. Konar和A.Bagis，“粒子群优化，差分演化和人工蜂菌算法的非线性系统模糊建模的性能比较”Elektronika IR Elektrotechnika第22卷第2期5, pp. 8-13, 2016。视图:谷歌学者
21. J.Kacprzyk，E. Szmidt，S. Zadrozny，K.Atanassov，M. Krawczyk和S.Zadroëny，模糊逻辑与技术的进展, 2017年施普林格。
22. A. Zilouchian和M. Jamshidi，使用软计算方法的智能控制系统， CRC Press LLC, 2001。视图:出版商的网站
23. A. A. Ali和T. O. Fahad，《自组网模糊能量路由协议》，国际计算机应用杂志第46卷，第46期1，第38-40页，2012。视图:谷歌学者
24. T. O. Fahad和A. A. Ali，“利用模糊系统改进自组网AODV路由”，发表于第一届IEEE国际能源、动力和控制会议论文集，页297-301，伊拉克，2010。视图:谷歌学者
25. T. O. Fahad和A. A. Ali，“自组网中基于寿命预测的模糊控制器稳定路由”，国际计算机网络（IJCN），第3卷，第2期。1, pp. 37-42, 2011。视图:谷歌学者
26. T. O. Fahad和A. A. Ali，“Vanet环境中的压缩模糊逻辑基于多标准AODV路由”国际电子与计算机工程学报，第9卷，第5期。1,2019。视图:谷歌学者
27. W.Rahiman和Z. Zainal，“自主车的发展GPS导航概述”电子学报，2013,36 (6):758 - 763，第1112-1118页，澳大利亚，2013年6月。视图:谷歌学者
28. P. G. Parakkal和V. V. Sajith Variyar，“基于GPS的自动驾驶汽车导航系统”2017年的2017年计算机，通信和信息学的国际会议的诉讼程序，赎回委员会2017年页1888-1893，印度，2017年9月。视图:谷歌学者
29. V. Rabinovich和N. Alexandrov，天线阵列和汽车应用, 2013年施普林格。
30. M. A. M. Marinho, A. Vinel, F. Antreich, J. P. C. L. Da Costa, E. P. De Freitas，“基于天线阵的车载网络定位方案”，载第17届IEEE计算机与信息技术国际会议论文集，CIT 2017第142-146页，芬兰，2017年8月。视图:谷歌学者
31. A. Gupta, R. Singh, D. Ather，和R. S. Shukla，“VANETS的各种路由算法的比较”，刊于2016年智能智能研究趋势的第五届制度建模和进步国际会议诉讼程序，PP。印度153-157，2016年11月。视图:谷歌学者
32. C. Perkins，E. Belding-Royer和S. DAS，“Ad Hoc按需距离向量（AODV）路由”，不。rfc.3561年,2003年。视图:出版商的网站|谷歌学者

版权

版权所有©2018 Taqwa O. Fahad和Abduladhem A. Ali。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。