导读:本文包含了路由选择算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:路由,算法,网络,分配,机制,通信,资源。
路由选择算法论文文献综述
李思航[1]（2019）在《基于IM通信系统用户信任关系的Tor路由选择算法的研究与实现》一文中研究指出在互联网飞速发展的今天,人们在享受即时通信技术(Instant Messaging,IM)所带来的便捷的同时,对通信过程中个人数据及隐私安全愈发重视。且当前即时通信软件大多拥有自己的私有通信协议,不利于系统的扩展和互联。在这样的背景下,研究并实现一个具有良好匿名性和异构性的IM系统显得尤为重要。首先,针对通信过程中的隐私保护问题,本系统采用第二代洋葱路由系统(The Second Generation Onion Router,Tor)作为匿名通信的实现方案,系统的用户则形成了一个对第叁方透明的匿名社交网络。其次,针对即时通信软件普遍可扩展性、互通性差的问题,本系统采用XMPP(the Extensible Messaging and Presence Protocol)协议作为通信协议,利用XMPP协议的灵活性和可扩展性来实现系统的多元异构性。系统测试表明,系统在满足基本IM功能需求的同时,为安卓客户端提供匿名,并具有跨平台性、跨域服务器等优点。为了进一步提高IM系统的匿名安全性,针对Tor路由算法缺乏对路由节点的可信度管理,从而无法控制带有欺骗性质的恶意节点被选择的问题,在对近些年来基于节点可信度的路由选择方案进行研究的基础上,本文提出了一种基于社交网络的信任扩散模型,该模型基于IM系统的用户社交网络,提出了将直接信任、组间信任,以及基于前两项,通过信任扩散算法SLTP(Social Link-based Trust Propagate,SLTP)推导而出的间接信任相结合的方案,实现对用户节点可信度的评价。并基于IM系统架构所保证的用户节点和Tor路由节点的信任等价关系,在信任扩散模型的基础上提出了改进的基于节点可信度的 Tor 路由选择算法 TDRS(Trust Degree-based Routing Selection,TDRS)。后续在仿真平台TorPS上的实验结果表明,在以可信度为基准对节点的身份进行评判的前提下,TDRS算法可以有效的排除链路的恶意节点,提高Tor的匿名安全性。(本文来源于《北京邮电大学》期刊2019-05-24）
刘东煜[2]（2019）在《D2D网络中基于强化学习的路由选择与资源分配算法研究》一文中研究指出随着通信网络的发展,终端直连通信技术(Device-to-Devic,D2D)被广泛关注,它的应用将满足用户日益增长的流量需求。然而,D2D技术的引入使得蜂窝网络内部的干扰冲突加剧,用户难以满足服务质量(Quality-of-Service,QoS)的需求。一些传统算法基于网络“抓拍”信息可以计算得到各采样时刻的网络控制策略,却难以适应复杂多变、高度动态的网络环境。因此,本文着手于动态环境下的D2D网络中的通信问题进行了深入地研究,并结合正在兴起的机器学习技术,提出了更加智能化的解决方案。在本文中我们将分别研究“多跳D2D网络”与“D2D直连通信”两类D2D应用场景的通信问题,提出了在两种场景下基于强化学习的在线学习方法,从而解决多跳网络中的路由问题与D2D直连网络中的资源分配问题。而随着问题复杂程度的增加,强化学习算法也相应由浅入深。在路由问题中,因问题复杂程度较低,我们利用传统强化学习算法中的值迭代算法求解,而在资源分配问题中因问题规模变大,本文依次提出了基于深度Q学习(Deep Q-Learning,DQN)的资源分配算法和深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)的资源分配算法分别解决了问题中状态空间连续与动作空间连续的问题,而这两种算法都是深度强化学习(Deep Reinforcement Learning,DRL)中的经典算法。在多跳D2D网络路由问题中,我们考虑了叁类随网络动态变化的QoS指标,并利用值迭代算法求解,同时提出了分布式的强化学习算法解决了集中式算法学习周期过长的问题。仿真发现,在动态环境中,所提算法在性能与时间复杂度方面相较于传统算法有着更好的表现。在D2D资源分配问题中,我们考虑单信道与多信道两类资源复用场景,在用户移动构成的动态环境中,利用DRL算法智能体可以通过自身探索与环境反馈实现网络自学习、自优化的智能化控制。在单信道的资源复用场景,我们单独解决单信道上的D2D功率控制问题,而在多信道的资源复用场景,D2D的总发射功率可以以不均等的方式分配在各信道资源上,从而优化蜂窝网络整体的吞吐量。仿真发现DQN与DDPG两种算法均具备智能性,并在性能上优于传统算法。同时在仿真中我们发现DQN算法易出现“伪收敛”问题,因此本文又提出了“样本加权”的优化方法并有效的解决了该问题。(本文来源于《北京邮电大学》期刊2019-05-21）
王鹏辉,张宁,肖明明[3]（2019）在《基于节点重要度的路由选择与频谱分配算法》一文中研究指出在频谱一致性和频谱连续性的约束条件下,弹性光网络运行一段时间后,网络频谱会出现大量碎片的问题。针对碎片以及业务在各节点间分配不均衡的问题,提出了一种基于节点重要度的路由选择与频谱分配算法NIRSA(Route Selection and Spectrum Allocation algorithm based on Node Importance)。该算法针对路由选择问题,考虑业务的类型与大小,找出网络中的关键节点,使得业务分配达到均衡。在频谱分配方面,算法考虑到网络链路上频谱资源的分布情况,结合每个业务所需的频隙数,可以尽可能地减少频谱碎片。在NSFNET和USNET两个不同规模的网络拓扑环境下,对所提算法进行了仿真实验。仿真结果显示,所提出的NIRSA算法既可以有效地降低业务阻塞率,又能提高网络的频谱利用率,实现网络性能提升。(本文来源于《计算机工程与应用》期刊2019年13期）
朱炫培,赵海涛,任祥,何晨[4]（2018）在《车联网中基于蚁群优化的动态调度路由选择算法》一文中研究指出随着现阶段物联网发展得越来越快,车载通信作为车辆智能化的前沿技术,在诸如医疗保健、资产管理和环境监测等应用场景中,智能环境的应用变得越来越重要,传统的蚁群算法在时延及能量消耗方面无法满足车联网的要求。通过研究蚁群算法和模拟退火算法,以平均能量消耗和端到端时延作为参考,虚拟化资源特征进行资源分配和任务调度,确保服务质量(QoS,quality of service)。通过模拟退火算法优化了蚁群算法,将模拟退火算法的初始温度和迭代温度值加入蚁群算法生成最优解,更新信息素的规则,提高了虚拟资源环境下任务调度的效率。仿真结果表明,平均能量消耗下降了0.04 J左右,端到端时延最大下降100ms左右。(本文来源于《物联网与无线通信-2018年全国物联网技术与应用大会论文集》期刊2018-11-29）
刘川,黄在朝,陶静,贾惠彬[5]（2018）在《考虑排队时延的系统保护通信网络路由选择算法》一文中研究指出目前满足系统保护通信网络的路由算法是在综合时延和可靠性的要求下,计算一条快速且可靠传输的路径,而没有考虑到当电网发生故障或网络中通信量过大时,通信网络中许多节点的排队时延会极大地增加,忽略排队时延对路径传输总时延的影响会导致路径的错误选择,从而影响系统保护的实时性。针对此问题,提出了一种考虑排队时延的路由选择算法,用于计算信息传输总时延最小的最优路径,以提高系统保护通信的实时性。实验结果表明,通过本文提出的路由选择算法计算得到的路径在满足系统保护可靠性要求的基础上信息传输总时延最小。(本文来源于《电信科学》期刊2018年10期）
王月娟,张苏宁,吴水明,朱斐[6]（2018）在《基于秩的Q-路由选择算法》一文中研究指出如何在动态变化的复杂网络中实现高效的路由选择是当前的研究热点之一。Q-学习是一种常用的强化学习算法,通过与环境的不断交互来解决未知环境中最优控制问题,能有效地完成在线式学习任务。本文提出一种基于秩的Q-路由选择(Rank-based Q-routing,RQ routing)算法。RQ routing算法在Q-学习的框架下,保留了Q-路由选择(Q-routing)算法的高效性,引入能动态计算的秩函数,用于表示当前状态在场景中的优先级,用以求解路由选择的最优解,避免等待队列过长,减少网络拥堵,提高传输速度。RQ routing算法中的秩函数具有灵活性,使用不同的秩函数即可满足各种场景的需求,保证了算法具有更好的泛化能力,克服了传统Q-routing应用场景单一的不足。实验验证了本文算法的有效性。(本文来源于《计算机与现代化》期刊2018年10期）
陶尚轩,郑义[7]（2018）在《基于Floyd算法的最优路由选择模型》一文中研究指出本文建立了交通网络下的最优路由选择模型。首先假设路段旅行时间服从正态分布,以平均路段行程时间为权重,形成时间矩阵,利用Floyd算法求解。在此基础上,引入置信区间的概念,以90%的概率来考虑最短的旅行时间。其次在使用Floyd算法求解最短路径后,根据路径从时间矩阵中找到权重,并添加权重,得到总行程时间。最后改进了基于时间的模型,活跃的信息探测器处的交通条件设置为固定概率分布的变量,反映了实际交通网络的时变特征。(本文来源于《中国高新区》期刊2018年13期）
殷从月,张兴明,任权,魏帅[8]（2018）在《基于改进萤火虫算法的RapidIO路由选择策略》一文中研究指出针对RapidIO网络QoS路由选择问题,提出一种基于改进萤火虫算法的RapidIO路由选择策略。首先,利用高斯变异和存储机制对传统萤火虫算法进行优化,高斯变异可以有效控制算法搜索空间中解的散射程度,使算法避免陷入局部最优,存储机制有利于评估并存储每只萤火虫的历史状态,防止信息丢失。然后,将改进后的萤火虫算法与实际RapidIO网络QoS问题相结合,选择出最终的最佳路由策略。实验结果表明,在所模拟的RapidIO测试网络中,改进后的萤火虫算法时延为42 ms,时延抖动为8 ms,代价最低为64 ms,共需要迭代的次数为8,相较于其他算法曲线更加稳定,更能快速找到最优解,表现出的性能最优,有效解决了RapidIO网络QoS路由选择问题。(本文来源于《网络与信息安全学报》期刊2018年06期）
徐晓琪[9]（2018）在《机会网络中基于邻居节点选择的路由算法研究》一文中研究指出随着科技的飞速发展,移动智能终端渐渐开始取代PC端;随着移动智能终端的大量普及,机会网络逐渐出现在人们的视野中,并以其众多的优点,慢慢的成为了近年来网络通信领域的研究热点。然而机会网络的通信方式依赖于其内部节点,因此其拓扑结构会随节点的移动呈现动态联通,目前由于仍缺乏理论的分析工具,因此这类网络的性能在迄今为止的研究中很难得到客观的评价。数据的传输又对网络的动态连通性的把握和理解具有极大的依赖性,因此新型的适用于机会网络的路由协议成为了近年来的研究热点。机会网络中,通常都是由移动设备担任节点的角色,因此节点的移动特征在某种程度上反映了人的社会属性和移动规律,因此,在机会网络中,很多应用场合会有消息投递率、端到端时延受限等等的约束条件。PRoPHET路由协议是机会网络中经典的路由协议,但是它也只着力于提升算法的性能,而没有考虑到在一些特殊的机会网络使用环境中存在着不同的约束条件,因此本文以PRoPHET路由算法为基础,在以具有约束条件的机会网络为应用场景,进行了如下改进:1.文章提出了一种端到端时延受限的机会网络应用场景,并在此场景的约束条件下提出了基于相遇概率的邻居节点选择策略,并以此思想为中心提出了基于相遇概率的路由算法Opportunistic Routing Protocol Based Encounter Probability(简称BP_PRoPHET)。在假设节点的移动情况满足泊松分布的前提下,引入了相遇概率的概念,规定节点在单位时间内单位时间内与其相遇的邻居结点的个数即为相遇概率。每个节点都维护一个相遇概率链表,链表每隔固定时间就更新一次,携带消息副本的节点选择相遇概率较优的节点作为下一跳节点。对于BP_PRoPHET路由算法,考虑到当邻居节点的相遇概率都小于携带消息节点自身的相遇概率时,存在消息永远无法投递的情况,因此文章提出超时处理策略,规定当消息在规定时间Tcast内没有传出时的处理方法,并在实验中测定了Tcast的大小。最后通过一系列的仿真实验结果可以看出,在存在时延受限、节点比较稀疏等实验条件约束的情况下BP_PRoPHET路由算法在消息投递率和开销等方面的性能整体优于传统的路由算法。2.文章提出了一种消息价值模型并与PRoPHET路由算法相结合提出了一种基于消息价值的路由算法Opportunistic Routing Protocol Based Message Value(简称BV_PRoPHET)。考虑到PRoPHET路由算法只计算出邻居节点的连接预测率,而忽略了消息本身,容易造成有效的信息无法进行优先投递,从而造成资源浪费,此算法根据PRoPHET路由算法确定了邻居节点的连接预测率后,将其与消息副本的大小和剩余生存时间进行加权处理,相加后得到的值作为消息价值,以此为依据选择需要向下一跳节点投递的消息类型,然后完成消息的转发。最后,文章通过一系列的仿真实验,对算法的性能进行了评估。仿真实验证明,在存在开销受限、节点比较稀疏等实验条件约束的情况下BV_PRoPHET路由算法在消息投递率和开销等方面的性能整体优于PRoPHET路由算法。(本文来源于《河南大学》期刊2018-06-01）
席海鹏[10]（2018）在《多跳D2D通信资源分配和路由选择算法研究》一文中研究指出随着移动互联网的普及,无线通信网络对数据传输速率的要求越来越高,如何提高有限频谱资源的利用率成为当前研究的热点。终端直通(Device-to-Device,D2D)技术具有设备功耗低、网络时延短、覆盖范围广、数据传输速率及频谱利用率高的特点,是未来5G通信网络的关键技术之一。D2D通信为大容量移动业务的卸载提供了一种新的方式,即通过多跳的方式进行业务的卸载。D2D多跳传输的关键问题一方面是如何利用网络编码进一步提升传输容量,设计传输资源分配方案;另一方面是如何在多跳传输下利用D2D的短距离通信功能进行路由选择,从而使得传输更加有效和稳定。本文主要针对上述两个问题展开研究。在研究多跳D2D通信的基础上,为了进一步扩展D2D通信在数据传输速率及频谱利用率上的优势,引入网络编码辅助的多跳传输机制,针对特定通信环境,提出了随机线性网络编码辅助多跳协作中继(Random linear Network Coding based Multi-hop Cooperative relaying,RNCMC)方案。该方案将空闲蜂窝用户作为中继节点,解决多个协作中继、D2D对用户和空闲蜂窝用户之间上行链路的资源分配问题,并将该问题规划为最大化系统可达速率问题,提出了QoS感知贪婪多跳资源分配算法。仿真实验表明,提出的资源分配算法在保证QoS服务质量的前提下,能有效提升D2D通信系统的满意度以及系统和速率。为了解决D2D通信移动节点的位置信息偏差对位置路由选择带来的影响。本文提出了基于协作簇的地理位置路由(Cooperative Cluster based Geographic Routing,CCGR)算法,以减少地理位置误差对无线流量卸载带来的影响。算法将协作簇看作是一个虚拟的中继节点,其主要任务是机会接收和协作发送。机会接收通过分集方式提升链路稳定性,而协作发送扩展了无线发射距离。仿真结果表明,提出的基于CCGR算法的协作传输方式在链路稳定性方面远远优于传统的非协作传输方式。(本文来源于《兰州大学》期刊2018-04-01）
路由选择算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着通信网络的发展,终端直连通信技术(Device-to-Devic,D2D)被广泛关注,它的应用将满足用户日益增长的流量需求。然而,D2D技术的引入使得蜂窝网络内部的干扰冲突加剧,用户难以满足服务质量(Quality-of-Service,QoS)的需求。一些传统算法基于网络“抓拍”信息可以计算得到各采样时刻的网络控制策略,却难以适应复杂多变、高度动态的网络环境。因此,本文着手于动态环境下的D2D网络中的通信问题进行了深入地研究,并结合正在兴起的机器学习技术,提出了更加智能化的解决方案。在本文中我们将分别研究“多跳D2D网络”与“D2D直连通信”两类D2D应用场景的通信问题,提出了在两种场景下基于强化学习的在线学习方法,从而解决多跳网络中的路由问题与D2D直连网络中的资源分配问题。而随着问题复杂程度的增加,强化学习算法也相应由浅入深。在路由问题中,因问题复杂程度较低,我们利用传统强化学习算法中的值迭代算法求解,而在资源分配问题中因问题规模变大,本文依次提出了基于深度Q学习(Deep Q-Learning,DQN)的资源分配算法和深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)的资源分配算法分别解决了问题中状态空间连续与动作空间连续的问题,而这两种算法都是深度强化学习(Deep Reinforcement Learning,DRL)中的经典算法。在多跳D2D网络路由问题中,我们考虑了叁类随网络动态变化的QoS指标,并利用值迭代算法求解,同时提出了分布式的强化学习算法解决了集中式算法学习周期过长的问题。仿真发现,在动态环境中,所提算法在性能与时间复杂度方面相较于传统算法有着更好的表现。在D2D资源分配问题中,我们考虑单信道与多信道两类资源复用场景,在用户移动构成的动态环境中,利用DRL算法智能体可以通过自身探索与环境反馈实现网络自学习、自优化的智能化控制。在单信道的资源复用场景,我们单独解决单信道上的D2D功率控制问题,而在多信道的资源复用场景,D2D的总发射功率可以以不均等的方式分配在各信道资源上,从而优化蜂窝网络整体的吞吐量。仿真发现DQN与DDPG两种算法均具备智能性,并在性能上优于传统算法。同时在仿真中我们发现DQN算法易出现“伪收敛”问题,因此本文又提出了“样本加权”的优化方法并有效的解决了该问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
路由选择算法论文参考文献
[1].李思航.基于IM通信系统用户信任关系的Tor路由选择算法的研究与实现[D].北京邮电大学.2019
[2].刘东煜.D2D网络中基于强化学习的路由选择与资源分配算法研究[D].北京邮电大学.2019
[3].王鹏辉,张宁,肖明明.基于节点重要度的路由选择与频谱分配算法[J].计算机工程与应用.2019
[4].朱炫培,赵海涛,任祥,何晨.车联网中基于蚁群优化的动态调度路由选择算法[C].物联网与无线通信-2018年全国物联网技术与应用大会论文集.2018
[5].刘川,黄在朝,陶静,贾惠彬.考虑排队时延的系统保护通信网络路由选择算法[J].电信科学.2018
[6].王月娟,张苏宁,吴水明,朱斐.基于秩的Q-路由选择算法[J].计算机与现代化.2018
[7].陶尚轩,郑义.基于Floyd算法的最优路由选择模型[J].中国高新区.2018
[8].殷从月,张兴明,任权,魏帅.基于改进萤火虫算法的RapidIO路由选择策略[J].网络与信息安全学报.2018
[9].徐晓琪.机会网络中基于邻居节点选择的路由算法研究[D].河南大学.2018
[10].席海鹏.多跳D2D通信资源分配和路由选择算法研究[D].兰州大学.2018
论文知识图
