-
公开(公告)号：CN112954769B
公开(公告)日：2022-06-21
申请号：CN202110098856.7
申请日：2021-01-25
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于强化学习的水下无线传感器网络路由方法，包括：初始化水下无线传感器网络UWSN中传感器节点，以获取自身周围的邻居传感器节点信息，并建立邻居列表；根据邻居列表建立基于模糊逻辑的节点分组转发适用度预测模型；根据节点分组转发适用度预测模型设计传感器节点间的状态‑动作值更新函数，并建立基于目的传感器节点的第一更新策略、基于动态阈值的第二更新策略和基于机会属性的数据包转发策略；利用状态‑动作值更新函数进入数据包更新转发过程，利用上述三种策略完成数据包更新转发。该方法能够自适应的应对因节点移动性导致的网络拓扑变化，同时考虑能量和时延因素，并利用机会属性概念进一步提高算法的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN112954769A
公开(公告)日：2021-06-11
申请号：CN202110098856.7
申请日：2021-01-25
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于强化学习的水下无线传感器网络路由方法，包括：初始化水下无线传感器网络UWSN中传感器节点，以获取自身周围的邻居传感器节点信息，并建立邻居列表；根据邻居列表建立基于模糊逻辑的节点分组转发适用度预测模型；根据节点分组转发适用度预测模型设计传感器节点间的状态‑动作值更新函数，并建立基于目的传感器节点的第一更新策略、基于动态阈值的第二更新策略和基于机会属性的数据包转发策略；利用状态‑动作值更新函数进入数据包更新转发过程，利用上述三种策略完成数据包更新转发。该方法能够自适应的应对因节点移动性导致的网络拓扑变化，同时考虑能量和时延因素，并利用机会属性概念进一步提高算法的稳定性。
-
公开(公告)号：CN109362115B
公开(公告)日：2021-10-01
申请号：CN201811446483.2
申请日：2018-11-29
Applicant: 哈尔滨工程大学
IPC: H04W40/12 , H04W40/20 , H04L12/733 , H04W4/44 , H04W4/46
Abstract: 本发明属于信道传播领域，具体涉及一种适用于城市场景下视距衰落模型的车载网路由方法。该方法包括以下步骤：(1)当车辆在进行信息转发时，判断车辆的转发类型；(2)综合考虑车辆的相对速度，距离因素，视距因素这三种因素；(3)采用模糊控制的方法，运用多因素决策的方法来选择最优的下一跳。综合考虑车辆的视距与非视距的情况，在城市环境下建立合适的信道衰落的传播模型；在道路转发算法中，综合考虑车辆的相对速度，距离因素，视距因素这三种因素，选择出合适的下一跳；在仿真结果的处理上，采用模糊控制的方法将影响转发选择的三个因素作为输入，车辆传输成功率作为输出，运用多因素决策的方法来选择最优的下一跳，完成信息的转发。
-
公开(公告)号：CN112927505B
公开(公告)日：2022-08-02
申请号：CN202110119357.1
申请日：2021-01-28
Applicant: 哈尔滨工程大学
IPC: G08G1/01 , G08G1/081 , G08G1/095 , G06K9/62 , G06N3/08 , G16Y10/40 , G16Y40/35 , H04W4/029 , H04W4/40
Abstract: 本发明为了解决现有强化学习算法受限于维度爆炸问题无法直接拓展到大规模真实城市路网场景、以及协作式多智能体强化学习模型的训练效率低下问题，结合车联网通信背景，提出了一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法。本发明具体包括4个步骤：基于车联网通信架构—设计CGB‑MATSC模型—在模型上结合DQN算法得到CGB‑MAQL算法—为了加速算法收敛提出了基于多线程的启发式学习机制；本发明用于优化路网范围内所有路口的信号灯控制策略，该模型为智能体规模扩展导致的空间维度爆炸提供了一个高效的解决方案，支持其他强化学习算法的拓展，且在大规模异构路网环境中具有较好的有效性和可拓展性。
-
公开(公告)号：CN112927505A
公开(公告)日：2021-06-08
申请号：CN202110119357.1
申请日：2021-01-28
Applicant: 哈尔滨工程大学
IPC: G08G1/01 , G08G1/081 , G08G1/095 , G06K9/62 , G06N3/08 , G16Y10/40 , G16Y40/35 , H04W4/029 , H04W4/40
Abstract: 本发明为了解决现有强化学习算法受限于维度爆炸问题无法直接拓展到大规模真实城市路网场景、以及协作式多智能体强化学习模型的训练效率低下问题，结合车联网通信背景，提出了一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法。本发明具体包括4个步骤：基于车联网通信架构‑‑‑设计CGB‑MATSC模型‑‑‑在模型上结合DQN算法得到CGB‑MAQL算法‑‑‑为了加速算法收敛提出了基于多线程的启发式学习机制；本发明用于优化路网范围内所有路口的信号灯控制策略，该模型为智能体规模扩展导致的空间维度爆炸提供了一个高效的解决方案，支持其他强化学习算法的拓展，且在大规模异构路网环境中具有较好的有效性和可拓展性。
-
公开(公告)号：CN109362115A
公开(公告)日：2019-02-19
申请号：CN201811446483.2
申请日：2018-11-29
Applicant: 哈尔滨工程大学
IPC: H04W40/12 , H04W40/20 , H04L12/733 , H04W4/44 , H04W4/46
Abstract: 本发明属于信道传播领域，具体涉及一种适用于城市场景下视距衰落模型的车载网路由方法。该方法包括以下步骤：(1)当车辆在进行信息转发时，判断车辆的转发类型；(2)综合考虑车辆的相对速度，距离因素，视距因素这三种因素；(3)采用模糊控制的方法，运用多因素决策的方法来选择最优的下一跳。综合考虑车辆的视距与非视距的情况，在城市环境下建立合适的信道衰落的传播模型；在道路转发算法中，综合考虑车辆的相对速度，距离因素，视距因素这三种因素，选择出合适的下一跳；在仿真结果的处理上，采用模糊控制的方法将影响转发选择的三个因素作为输入，车辆传输成功率作为输出，运用多因素决策的方法来选择最优的下一跳，完成信息的转发。
-
-
-
-
-
Search Results
6
records
(took 0.029 seconds)
