本發(fā)明屬于智能交通系統(tǒng)領(lǐng)域，尤其涉及一種車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議。

背景技術(shù)：

VANETs是一種特殊的移動(dòng)自組織網(wǎng)絡(luò)(Mobile Ad-Hoc Network,MANET)，智能交通系統(tǒng)(Intelligent Transportation Systems,ITS)的重要部分。VANETs中的車輛沿道路行駛，遵守交通規(guī)則；其次，由于道路的多樣性以及車輛不同的速度與密度，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)頻繁變化；最后，網(wǎng)絡(luò)中的通信分為兩類：車與車通信、車與基礎(chǔ)設(shè)施通信。路由協(xié)議的主要內(nèi)容分為兩類：(1)基于網(wǎng)絡(luò)拓?fù)涞穆酚蓞f(xié)議根據(jù)拓?fù)湫畔⒆龀雎酚蓻Q策，但是不斷變化的拓?fù)浣Y(jié)構(gòu)會(huì)導(dǎo)致鏈路的斷開；(2)基于地理位置信息的路由協(xié)議只需要通過(guò)GPS獲得車載的位置來(lái)做出數(shù)據(jù)遞交的決策；因此相比于基于網(wǎng)絡(luò)拓?fù)涞穆酚蓞f(xié)議，基于地理位置信息的路由協(xié)議更適合于多變的車載自組織網(wǎng)絡(luò)。但此類協(xié)議仍然面臨許多挑戰(zhàn)，比如不具備實(shí)時(shí)性與準(zhǔn)確性，開銷大，應(yīng)用成本增加等。其中CAR是一種基于連通性感知路由，源點(diǎn)利用廣播信息探索路徑，最終獲得一條固定的路由路徑，因此無(wú)法應(yīng)對(duì)VANETs快速變化的拓?fù)浣Y(jié)構(gòu)。IBR協(xié)議是一種基于十字路口的路由協(xié)議，利用實(shí)時(shí)信息動(dòng)態(tài)地選擇下一跳十字路口，根據(jù)車輛方向傳輸十字路口內(nèi)數(shù)據(jù)包，但未考慮道路的連通性，因此可能會(huì)導(dǎo)致數(shù)據(jù)包的丟失。GyTAR是一種利用局部街道動(dòng)態(tài)信息的路由協(xié)議，利用車輛密度和前進(jìn)方向進(jìn)行路由決策，但是并未考慮全局信息，因此在數(shù)據(jù)轉(zhuǎn)發(fā)過(guò)程中可能會(huì)導(dǎo)致網(wǎng)絡(luò)分區(qū)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服上述背景技術(shù)的不足，為了改善VANETs中路由協(xié)議的QoS，優(yōu)化路由路徑，提供了一種車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議，具體由以下方案實(shí)現(xiàn)：

車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議，所述協(xié)議包括如下步驟：

1)將任意兩個(gè)相鄰十字路口之間的路段進(jìn)行分塊，分析連通性模型和延遲模型，得到路段的平均延遲；

2)根據(jù)基于十字路口的路由協(xié)議探索源點(diǎn)車輛與目的車輛之間的所有可用路徑；

3)通過(guò)以QoS為目標(biāo)函數(shù)的遺傳算法對(duì)所述所有可用路徑進(jìn)行路由優(yōu)化，得到最佳路徑。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述步驟1)中對(duì)路段進(jìn)行分塊時(shí)，將單位塊設(shè)定為寬為道路寬度、長(zhǎng)為aR的矩形塊，其中R表示車輛的無(wú)線通信傳輸距離，a為矩形塊的長(zhǎng)度系數(shù)。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述步驟1)中，所述連通性模型為：設(shè)定兩個(gè)相鄰十字路口間同一方向上的任意兩個(gè)連續(xù)車輛之間的距離為X，當(dāng)X≤R時(shí)，車輛之間的鏈路處于連通狀態(tài)，直接轉(zhuǎn)發(fā)數(shù)據(jù)包；當(dāng)X>R時(shí)，車輛之間的鏈路處于斷開狀態(tài)，無(wú)法直接轉(zhuǎn)發(fā)數(shù)據(jù)包，若相反方向上處于兩輛車之間的移動(dòng)車輛可進(jìn)行間接轉(zhuǎn)發(fā)數(shù)據(jù)包，則判定路段上的連通性保持不變。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述步驟1)中，所述延遲模型為：路段上部分鏈路連通時(shí)，在連通路段上的數(shù)據(jù)包的傳輸方向上，數(shù)據(jù)包所在當(dāng)前節(jié)點(diǎn)會(huì)在其傳輸范圍內(nèi)的所有節(jié)點(diǎn)中選擇距離自身最遠(yuǎn)的節(jié)點(diǎn)作為下一跳節(jié)點(diǎn)，進(jìn)行貪婪轉(zhuǎn)發(fā)，而斷開路段上的數(shù)據(jù)包進(jìn)行攜帶轉(zhuǎn)發(fā)；路段上的鏈路全部連通時(shí)，數(shù)據(jù)包通過(guò)中繼節(jié)點(diǎn)之間的貪婪算法進(jìn)行轉(zhuǎn)發(fā)。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述步驟1)中當(dāng)路段上的鏈路全部連通時(shí)，通過(guò)跳與跳之間的貪婪算法進(jìn)行數(shù)據(jù)包的傳輸，則相鄰十字路口i,j之間的傳輸延遲如式(1)：

D_nc＝H_nc·t_p (1)

其中，表示i,j之間的跳數(shù)，t_p表示一跳的傳輸時(shí)間，L表示路段長(zhǎng)度；

兩個(gè)相鄰十字路口i,j之間的平均傳輸延遲如式(2)：

D(i,j)＝D_np·(1-P_c(i,j))+D_nc·P_c(i,j) (2)

其中，P_c(i,j)表示路段的連通概率；

當(dāng)路段部分連通時(shí)，路段的傳輸延遲為：

其中，d_dp表示鏈路斷開期間數(shù)據(jù)包傳輸?shù)钠骄嚯x，d_cp表示路段連通期間數(shù)據(jù)包傳輸方向上的兩個(gè)連續(xù)車輛之間的預(yù)期平均傳輸距離，v₁為車輛攜帶數(shù)據(jù)包傳輸?shù)膫鬏斔俣龋?/p>

鏈路斷開期間，數(shù)據(jù)包傳輸?shù)钠骄嚯x如式(3)：

式中，E(n)為攜帶數(shù)據(jù)包傳輸時(shí)移動(dòng)距離所對(duì)應(yīng)的塊的個(gè)數(shù)，為與所設(shè)定方向相反路段上的無(wú)法形成通路的概率，f_X(x)表示所設(shè)定方向的道路上的車輛的概率密度函數(shù)。

路段連通期間，數(shù)據(jù)包傳輸方向上的兩個(gè)連續(xù)車輛之間的預(yù)期平均傳輸距離如式(4)：

d_cp＝d_cp1+d_cp2 (4)

式中，d_cp1為連通鏈路上的預(yù)期平均距離，d_cp2為車輛間鏈路斷開的距離由所述設(shè)定方向相反的道路上的車輛修復(fù)成功后的平均傳輸距離。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，1)設(shè)定兩個(gè)十字路口I_i和I_j間以設(shè)定方向直線行駛的兩個(gè)連續(xù)車輛V_e,V_e+1之間的距離x>R，則鏈路斷開，通過(guò)與所述設(shè)定方向相反方向道路上的車輛(V_w,V_w+1)修復(fù)V_e,V_e+1之間的連通性，所設(shè)定的兩個(gè)相鄰十字路口之間的連通性概率如式(5)：

P_c(i,j)＝P_c1+P_c2 (5)

其中，P_c1表示設(shè)定方向的路段上至少一條鏈路斷開的情況下的路段連通性概率，如式(6)；P_c2表示所述設(shè)定方向上的車輛之間的鏈路全部處于連通狀態(tài)時(shí)的路段連通性概率，如式(7)：

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述步驟2)中所述路由協(xié)議中的車輛配備GPS與導(dǎo)航系統(tǒng)，根據(jù)交通狀況與地理位置信息預(yù)測(cè)車輛的移動(dòng)方向，動(dòng)態(tài)選擇下一跳十字路口。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述遺傳算法對(duì)所述所有可用路徑進(jìn)行路由優(yōu)化具體包括如下步驟：

3-1)編碼：根據(jù)網(wǎng)絡(luò)路由的特點(diǎn)和遺傳算法的編碼原則，采用直接編碼，即對(duì)于一條給定的從源點(diǎn)端點(diǎn)十字路口到目的節(jié)點(diǎn)端點(diǎn)十字路口的路徑，該路徑上的十字路口的編號(hào)即為染色體編碼，一條編號(hào)序列就是一條染色體，即一條路徑對(duì)應(yīng)著一個(gè)個(gè)體；

3-2)設(shè)置初始群體：根據(jù)基于十字路口的路由協(xié)議的路由選擇策略，探索到G條路由路徑，作為初始群體，規(guī)模大小為G；

3-3)進(jìn)行選擇操作：根據(jù)適應(yīng)度函數(shù)值，選取對(duì)應(yīng)的適應(yīng)度函數(shù)值最大的個(gè)體作為最優(yōu)個(gè)體，構(gòu)建適應(yīng)度函數(shù)表示如式(8)：

S＝α·P_n+β·(1/D_nth) (8)

其中，P_n表示第n個(gè)個(gè)體的連通性概率；D_nth表示第n個(gè)個(gè)體(第n條路徑)的平均傳輸延遲；α和β為加權(quán)系數(shù)，α,β∈[0,1]。

3-4)進(jìn)行交叉操作，采用后向交叉交換兩個(gè)個(gè)體中的子路徑，在群體中隨機(jī)選取兩個(gè)染色體P1、P2作為父代個(gè)體，兩條路徑共同經(jīng)過(guò)的十字路口作為備選的交叉位置，從備選的交叉位置中隨機(jī)選擇作為交叉位置，將交叉位置之后的部分進(jìn)行交換，形成兩個(gè)子代個(gè)體P1’、P2’；

3-5)變異：在群體中隨機(jī)選擇一個(gè)染色體P，在P中隨機(jī)選擇節(jié)點(diǎn)ni作為變異節(jié)點(diǎn)，在ni的鄰居節(jié)點(diǎn)集中隨機(jī)選擇節(jié)點(diǎn)nj，產(chǎn)生從源點(diǎn)到nj和nj到目的節(jié)點(diǎn)的兩條路徑r1、r2，若r1、r2中存在重復(fù)的節(jié)點(diǎn)，則放棄此路徑，不進(jìn)行變異，否則連接兩條路徑形成新的染色體P’，進(jìn)入下一代；

3-6)重復(fù)執(zhí)行步驟3-3)至步驟3-5)，直到達(dá)到迭代次數(shù)為止，最終得到最優(yōu)個(gè)體，優(yōu)化路由路徑。

所述車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議的進(jìn)一步設(shè)計(jì)在于，所述步驟3-3)采用最佳策略選擇和輪盤賭選擇相結(jié)合的選擇方法：在每對(duì)染色體進(jìn)行交叉之前，先根據(jù)適應(yīng)度值選擇最佳個(gè)體，取代子代群體中適應(yīng)度值最差的的個(gè)體，直接遺傳到子代群體中，其余個(gè)體采用輪盤賭法。

本發(fā)明的有益效果為：

本發(fā)明的基于遺傳算法的車載自組織網(wǎng)絡(luò)路由協(xié)議，首先利用基于十字路口的路由協(xié)議探索可用路徑，并且將道路進(jìn)行分塊研究QoS模型，同時(shí)兩個(gè)相鄰十字路口之間，利用貪婪攜帶-轉(zhuǎn)發(fā)算法進(jìn)行數(shù)據(jù)包的轉(zhuǎn)發(fā)，最后利用遺傳算法進(jìn)行路徑優(yōu)化，尋找最佳路徑。其中遺傳算法是以目標(biāo)函數(shù)作為搜索信息，根據(jù)目標(biāo)函數(shù)變換的適應(yīng)度函數(shù)選擇和優(yōu)化路徑，具有并行性，由多個(gè)個(gè)體組成一個(gè)初始群體開始搜索，對(duì)群體進(jìn)行選擇、交叉、變異等遺傳操作，產(chǎn)生新一代群體，然后繼續(xù)搜索；同時(shí)遺傳算法屬于一種自適應(yīng)概率搜索技術(shù)，其選擇、交叉、變異等運(yùn)算都是以一定的概率進(jìn)行的，增加了其搜索過(guò)程的靈活性。另一方面，經(jīng)仿真后，仿真結(jié)果顯示與IBR協(xié)議和CAR協(xié)議相比，所提出的GABR協(xié)議延遲性能更優(yōu)，數(shù)據(jù)包傳輸性能更好，通信性能更佳。

附圖說(shuō)明

圖1為城市道路示例圖。

圖2為路段車輛的分布示意圖。

圖3為路段車輛的分布示意圖(路段部分連通)。

圖4為路段車輛的分布示意圖(路段全部連通)。

圖5為遺傳算法的基本模塊流程圖。

圖6為路由協(xié)議的主要流程圖。

圖7為路段平均延遲與傳輸距離的關(guān)系示意圖。

圖8為路段平均延遲與車輛數(shù)目的關(guān)系示意圖。

圖9為路段平均延遲與車輛速度的關(guān)系示意圖。

圖10為交叉操作示意圖。

圖11為變異操作示意圖。

圖12為平均延遲與傳輸距離的關(guān)系示意圖。

圖13為數(shù)據(jù)包傳輸比值與車輛數(shù)目的關(guān)系示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對(duì)本申請(qǐng)作進(jìn)一步詳細(xì)的說(shuō)明。

本實(shí)施例的車載自組織網(wǎng)絡(luò)中基于遺傳算法的QoS感知路由協(xié)議協(xié)議包括如下三個(gè)步驟，具體為：1)將道路進(jìn)行分塊，分析連通性模型和延遲模型，得到路段的平均延遲。2)根據(jù)基于十字路口的路由協(xié)議探索源點(diǎn)車輛與目的車輛之間的所有可用路徑。3)通過(guò)以QoS為目標(biāo)函數(shù)的遺傳算法對(duì)所述所有可用路徑進(jìn)行路由優(yōu)化，得到最佳路徑。在城市環(huán)境下的道路模型可以簡(jiǎn)化為圖1所示的城市道路示例，以下結(jié)合該示例進(jìn)行具體說(shuō)明。

圖1中的城市道路設(shè)置有4個(gè)十字路口I₁～I(xiàn)₄，4條路段，每條路段的路況皆隨機(jī)分布。

路段模型主要是根據(jù)城市環(huán)境下雙向車道的多鏈路轉(zhuǎn)發(fā)延遲以及鏈路連通性而建立，假設(shè)兩個(gè)十字路口I_i,I_j之間的直線車道方向相反且I_i,I_j之間的路段長(zhǎng)度為L(zhǎng)，數(shù)據(jù)包傳輸方向是向東；同時(shí)路段上車輛的無(wú)線通信傳輸距離為R，車輛的數(shù)目服從泊松分布^[10]，向東的道路和向西的道路上車輛密度分別為λ₁,λ₂，車輛平均速度分別為v₁,v₂。QoS模型主要由連通性模型和延遲模型組成。同時(shí)為了準(zhǔn)確分析QoS模型，將路段進(jìn)行分塊，每塊的長(zhǎng)、寬分別為aR和道路寬度，其中R表示車輛的無(wú)線通信傳輸距離，a為矩形塊的長(zhǎng)度系數(shù)，本實(shí)施例中a＝0.7。

連通性模型:在城市雙向道路環(huán)境下，如圖2所示，同一方向上的任意兩個(gè)連續(xù)車輛之間的距離為X，當(dāng)X≤R時(shí)，車輛之間的鏈路處于連通狀態(tài)，直接轉(zhuǎn)發(fā)數(shù)據(jù)包；當(dāng)X>R時(shí)，車輛之間的鏈路處于斷開狀態(tài)，無(wú)法直接轉(zhuǎn)發(fā)數(shù)據(jù)包，但相反方向上處于兩輛車之間的移動(dòng)車輛可以進(jìn)行間接轉(zhuǎn)發(fā)數(shù)據(jù)包，因此路段上的連通性保持不變。

假設(shè)K為隨機(jī)變量，表示aR中的車輛數(shù)目，服從泊松分布，則K的概率質(zhì)量函數(shù)(PMF)為：

P(K＝k)＝(aRλ)^k·e^-aRλ/k！ (1)

其中，λ表示路段上車輛密度。

由于任意兩個(gè)連續(xù)車輛之間的距離滿足指數(shù)分布^[11]，則在向東道路上，距離為X的兩輛車之間的鏈路斷開的概率如下：

其中，λ₁表示向東道路上的車輛密度。

根據(jù)上述連通性模型，如圖2所示，可知向東道路上的兩個(gè)連續(xù)車輛V_e,V_e+1之間的距離x>R，則鏈路斷開，利用相反方向道路上的車輛(V_w,V_w+1)修復(fù)V_e,V_e+1之間的連通性，修復(fù)的概率表示如下：

其中，P(K＝0)＝e^-aRλ,λ＝λ₂，λ表示向西道路上的車輛密度。

設(shè)M隨機(jī)變量，表示向東道路上斷開鏈路的數(shù)目，若M個(gè)斷開的鏈路可以修復(fù)，則路段I_ij處于連通狀態(tài)，連通性的概率P_cM(M＝k)表示為：

其中，N表示向東道路上的車輛數(shù)目。

若向東道路上存在N-1個(gè)鏈路，其中M＝k個(gè)鏈路斷開，則M的概率質(zhì)量函數(shù)P_M(M＝k)服從二項(xiàng)分布，表示為：

由此可知，向東道路上至少一條鏈路斷開的情況下(k≥1)，則路段的連通性概率表示為：

當(dāng)向東道路上車輛之間的鏈路全部處于連通狀態(tài)時(shí)，即所有塊中至少有一輛車，此時(shí)路段的連通性概率表示為：

根據(jù)上述分析，十字路口I_i和I_j之間的連通性總概率為：

P_c(i,j)＝P_c1+P_c2 (8)

延遲模型:由于城市環(huán)境中交通燈的規(guī)則，車輛成簇移動(dòng)，簇內(nèi)的車輛相互連接，因此根據(jù)車輛簇群的規(guī)模大小，可以將車輛狀況劃分為以下兩種不同的情況。

(1)路段部分連通狀態(tài):如圖3所示，路段上部分鏈路連通，在連通路段上的數(shù)據(jù)包的傳輸方向上，數(shù)據(jù)包所在當(dāng)前節(jié)點(diǎn)會(huì)在其傳輸范圍內(nèi)的所有節(jié)點(diǎn)中選擇距離自身最遠(yuǎn)的節(jié)點(diǎn)作為下一跳節(jié)點(diǎn)，進(jìn)行貪婪轉(zhuǎn)發(fā)；而斷開路段上的數(shù)據(jù)包進(jìn)行攜帶轉(zhuǎn)發(fā)。

(2)路段全部連通狀態(tài):如圖4所示，路段上的鏈路全部連通，因此兩個(gè)十字路口之間的數(shù)據(jù)包利用中繼節(jié)點(diǎn)的貪婪算法進(jìn)行轉(zhuǎn)發(fā)。

根據(jù)上述模型可以得出兩種情況的路段，接下來(lái)主要分析這兩種路況的延遲。

當(dāng)路段部分連通的情況下，如圖3所示，路段部分連通，傳輸延遲D_np的表示如下：

其中，L表示路段長(zhǎng)度，表示路段上的數(shù)據(jù)包的平均傳輸速度。

由于相反方向道路上的車輛，向東道路會(huì)出現(xiàn)鏈路連通與斷開的交互時(shí)期，在鏈路斷開時(shí)，車輛攜帶數(shù)據(jù)包進(jìn)行傳輸，傳輸速度為v₁，當(dāng)傳輸范圍內(nèi)出現(xiàn)鄰居車輛時(shí)，將數(shù)據(jù)包進(jìn)行轉(zhuǎn)發(fā)；在鏈路連通時(shí)，直接將數(shù)據(jù)包轉(zhuǎn)發(fā)給下一個(gè)鄰居車輛，傳輸速度為v_1hop，表達(dá)式如下：

其中aR表示每塊的長(zhǎng)度，t_p表示一跳的傳輸時(shí)間^[13]。

根據(jù)交互更新過(guò)程定理^[14]，在鏈路斷開期間，數(shù)據(jù)包的傳輸時(shí)間與總傳輸時(shí)間的比值為：

在鏈路連通期間，數(shù)據(jù)包的傳輸時(shí)間與總傳輸時(shí)間的比值為：

其中T_dp,T_cp分別表示鏈路斷開和連通期間內(nèi)的數(shù)據(jù)包的傳輸時(shí)間，d_dp,d_cp分別表示鏈路斷開和連通期間內(nèi)數(shù)據(jù)包的傳輸距離，將公式(10)、(11)和(12)代入，推導(dǎo)得到為：

將公式(13)代入公式(9)中，推導(dǎo)得出路段的傳輸延遲為：

鏈路斷開期間，如圖3所示，車輛V_k和V_k+1之間的距離x>R，且x對(duì)應(yīng)的相反方向的道路上沒(méi)有車輛，因此兩者之間的鏈路斷開，V_k則攜帶數(shù)據(jù)包進(jìn)行傳輸，直到V_k的傳輸范圍內(nèi)出現(xiàn)可以進(jìn)行數(shù)據(jù)包轉(zhuǎn)發(fā)的鄰居車輛為止。

車輛V_k和V_k+1之間鏈路斷開，V_k攜帶數(shù)據(jù)包繼續(xù)傳輸，直到向西道路上連續(xù)個(gè)塊中每個(gè)塊至少有一輛車，才能保證鏈路的連通，在此之前，V_k經(jīng)過(guò)的塊的個(gè)數(shù)表示如下^[14]：

其中，表示向西道路上每個(gè)塊內(nèi)至少有一輛車的概率。

V_k和V_k+1之間的鏈路斷開(x＞R)，意味著兩者之間的距離對(duì)應(yīng)的相反方向道路上的塊中至少有一個(gè)塊內(nèi)沒(méi)有車輛，則V_k和V_k+1之間鏈路斷開的概率為：

由于向東道路上車輛的概率密度函數(shù)為則鏈路斷開概率為：

根據(jù)上述分析，鏈路斷開期間數(shù)據(jù)包傳輸?shù)钠骄嚯x為：

將公式(15)、(16)和(17)代入公式(18)中，可以推導(dǎo)出鏈路斷開期間數(shù)據(jù)包傳輸?shù)钠骄嚯x。

在鏈路連通期間，在車輛之間的鏈路連通時(shí)，數(shù)據(jù)包的傳輸速度為v_1hop，傳輸距離需要分情況討論。

第一種情況，若向東道路上的連續(xù)車輛之間的距離不大于R，或者雖然距離大于R，但距離所對(duì)應(yīng)的向西道路上的塊內(nèi)至少有一輛車可以進(jìn)行修復(fù)，如圖3所示，那么這兩者之間是連通的，此時(shí)數(shù)據(jù)包傳輸方向上的兩個(gè)連續(xù)車輛之間的預(yù)期平均傳輸距離為：

若有y個(gè)連續(xù)鏈路連通，那么傳輸距離為y·E(X|C)，因此連通鏈路上的預(yù)期平均距離為：

第二種情況，若車輛間鏈路斷開的距離由向西道路上的車輛修復(fù)成功，則數(shù)據(jù)包仍以速度v_1hop進(jìn)行傳輸，如圖3所示，隨著兩端車輛的移動(dòng)，V_k和V_k+1之間的距離塊被連通情況2內(nèi)的車輛占用，此時(shí)數(shù)據(jù)包可以進(jìn)行跳與跳之間的轉(zhuǎn)發(fā)，V_k和V_k+1之間的距離為平均傳輸距離，表達(dá)式如下：

最終路段部分連通狀態(tài)下數(shù)據(jù)傳輸?shù)钠骄嚯x為：

d_cp＝d_cp1+d_cp2 (22)

本文將公式(20)和(21)代入公式(22)中，得到路段部分連通下數(shù)據(jù)包傳輸?shù)钠骄嚯x，根據(jù)公式(14)、(18)和(22)，推導(dǎo)得出路段延遲D_np。

當(dāng)路段全部連通時(shí)，如圖4所示，路段上的鏈路全部連通，因此利用跳與跳之間的貪婪算法進(jìn)行數(shù)據(jù)包的傳輸，則相鄰十字路口i,j之間的傳輸延遲為：

D_nc＝H_nc·t_p (23)

其中，表示i,j之間的跳數(shù)，t_p表示一跳的傳輸時(shí)間。

根據(jù)上述分析，兩個(gè)相鄰十字路口i,j之間的平均傳輸延遲為：

D(i,j)＝D_np·(1-P_c(i,j))+D_nc·P_c(i,j) (24)

其中，P_c(i,j)表示路段的連通概率。

圖7-9分別是路段平均延遲與傳輸距離、車輛數(shù)目和車輛速度三者之間的關(guān)系。在圖7中路段平均延遲是關(guān)于傳輸距離和車輛密度的函數(shù)，交通信息的參數(shù)設(shè)置如下，車輛速度v₁,v₂分別為10m/s和25m/s，路段長(zhǎng)度L為2000m，車輛密度λ₁＝λ₂＝λ分別為0.01、0.02、0.03和0.04vehicles/m，由圖可知：(1)車輛密度相同時(shí)，傳輸距離增大，數(shù)據(jù)包傳輸所需的延遲會(huì)減??；(2)傳輸距離一定時(shí)，車輛密度越大，傳輸延遲越小。在圖8中路段平均延遲是關(guān)于車輛數(shù)目和路段長(zhǎng)度的函數(shù)，傳輸距離R為200m，車輛速度v₁,v₂分別為10m/s和25m/s，路段長(zhǎng)度L分別為1000、1500、2000和2500m，由圖可知：(1)車輛數(shù)目一定時(shí)，路段長(zhǎng)度減小，延遲會(huì)逐漸減小；(2)路段長(zhǎng)度相同時(shí)，車輛數(shù)目越多，傳輸延遲會(huì)減少。在圖9中路段平均延遲是關(guān)于車輛速度和車輛密度的函數(shù)，路段長(zhǎng)度L為2000m，傳輸距離R為200m，車輛密度λ₁＝λ₂＝λ分別為0.01、0.015、0.02和0.025vehicles/m，由圖可知：(1)車輛密度相同時(shí)，隨著車輛速度的增加，延遲逐漸減少；(2)車輛速度一定時(shí)，車輛越密集，則延遲越小。上述曲線圖詳細(xì)顯示了路段平均延遲與不同變量之間的變化趨勢(shì)。

路由協(xié)議探索：如圖6，本實(shí)施例的遺傳算法的基礎(chǔ)協(xié)議是基于十字路口的路由協(xié)議，此協(xié)議中的車輛配備GPS與導(dǎo)航系統(tǒng)，根據(jù)交通狀況與地理位置信息預(yù)測(cè)車輛的移動(dòng)方向，動(dòng)態(tài)選擇下一跳十字路口，同時(shí)，行駛在路段上的車輛利用攜帶轉(zhuǎn)發(fā)策略進(jìn)行數(shù)據(jù)包的傳輸。

遺傳算法是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的計(jì)算模型,其本質(zhì)是從一個(gè)隨機(jī)的初始群體出發(fā),依據(jù)優(yōu)勝劣汰原則,通過(guò)選擇,交叉,變異等遺傳優(yōu)化作用,產(chǎn)生更優(yōu)的下一代群體，遺傳算法基本處理流程參見(jiàn)圖5。另一方面，遺傳算法還保留有巨大搜索空間的多樣性的特點(diǎn)。

基于路由探索的可用路徑，根據(jù)下面五個(gè)步驟對(duì)遺傳算法進(jìn)行路徑優(yōu)化，不斷重復(fù)迭代，尋找QoS最佳的路徑。具體步驟如下：

1.編碼：根據(jù)網(wǎng)絡(luò)路由的特點(diǎn)和遺傳算法的編碼原則，本文采用直接編碼，無(wú)需解碼，即對(duì)于一條給定的從源點(diǎn)端點(diǎn)十字路口到目的節(jié)點(diǎn)端點(diǎn)十字路口的路徑，該路徑上的十字路口的編號(hào)即為染色體編碼，一條編號(hào)序列就是一條染色體，即一條路徑對(duì)應(yīng)著一個(gè)個(gè)體。此種編碼方式中染色體的長(zhǎng)度不定，但編號(hào)數(shù)目不會(huì)超過(guò)十字路口的總數(shù)，因而有效地避免了循環(huán)路由的問(wèn)題。

2.設(shè)置初始群體：本文根據(jù)基于十字路口的路由協(xié)議的路由選擇策略，探索到G條路由路徑，作為初始群體，規(guī)模大小為G。

3.進(jìn)行選擇操作：遺傳算法中個(gè)體的優(yōu)劣由適應(yīng)度函數(shù)值決定，個(gè)體的適應(yīng)度函數(shù)值越高，則說(shuō)明個(gè)體越優(yōu)秀，即對(duì)應(yīng)的路由路徑越優(yōu)，適應(yīng)度函數(shù)表示如下：

S＝α·P_n+β·(1/D_nth) (25)

其中，P_n表示第n個(gè)個(gè)體的連通性概率；D_nth表示第n個(gè)個(gè)體(第n條路徑)的平均傳輸延遲；α和β為加權(quán)系數(shù)，α,β∈[0,1]。

本文采用最佳策略選擇和輪盤賭選擇相結(jié)合的選擇方法，即在每對(duì)染色體進(jìn)行交叉之前，先根據(jù)適應(yīng)度值選擇最佳個(gè)體，取代子代群體中適應(yīng)度值最差的個(gè)體，直接遺傳到子代群體中，其余個(gè)體都采用輪盤賭法進(jìn)行選擇，適應(yīng)度值越高，被選擇的概率越大。

4.進(jìn)行交叉操作：交叉操作是交換兩個(gè)個(gè)體中的子路徑，本文采用后向交叉，如圖10所示，在群體中隨機(jī)選取兩個(gè)染色體P1,P2作為父代個(gè)體，兩條路徑共同經(jīng)過(guò)的十字路口(源點(diǎn)端點(diǎn)十字路口與目的節(jié)點(diǎn)端點(diǎn)十字路口除外)作為備選的交叉位置，從備選的交叉位置中隨機(jī)選擇作為交叉位置，將交叉位置之后的部分進(jìn)行交換，形成兩個(gè)子代個(gè)體P1’,P2’。

5.進(jìn)行變異操作：如圖11所示，群體中隨機(jī)選擇一個(gè)染色體P，在P中隨機(jī)選擇節(jié)點(diǎn)ni作為變異節(jié)點(diǎn)，在ni的鄰居節(jié)點(diǎn)集中隨機(jī)選擇節(jié)點(diǎn)nj，產(chǎn)生從源點(diǎn)到nj和nj到目的節(jié)點(diǎn)的兩條路徑r1,r2，若r1,r2中存在重復(fù)的節(jié)點(diǎn)，則放棄此路徑，不進(jìn)行變異，否則連接兩條路徑形成新的染色體P’，進(jìn)入下一代。

6.重復(fù)執(zhí)行選擇、交叉和變異操作，直到達(dá)到迭代次數(shù)為止，最終得到最優(yōu)個(gè)體，優(yōu)化路由路徑。

本實(shí)施例還提供了利用MATLAB仿真軟件對(duì)GABR的性能指標(biāo)進(jìn)行的仿真分析，并且與IBR、CAR協(xié)議進(jìn)行性能參數(shù)的比較。仿真環(huán)境選取上述城市道路進(jìn)行模擬，相關(guān)仿真參數(shù)如表1所示。

表1仿真參數(shù)設(shè)置

Tab.1 Settings of simulation parameters

如圖12，為傳輸范圍與平均延遲的曲線，由圖可知GABR的平均延遲始終低于IBR和CAR，CAR協(xié)議是一種基于源點(diǎn)位置的路由協(xié)議，不能及時(shí)自適應(yīng)地處理拓?fù)涞淖兓赡軙?huì)導(dǎo)致數(shù)據(jù)包傳輸?shù)木徛?；IBR協(xié)議是基于十字路口的路由協(xié)議，利用實(shí)時(shí)交通信息動(dòng)態(tài)選擇下一跳十字路口，但未考慮車輛密度，可能會(huì)導(dǎo)致傳輸延遲稍大；但所提出的GABR協(xié)議將路段進(jìn)行分塊，估計(jì)平均延遲時(shí)考慮路段連通性，再利用遺傳算法進(jìn)行路由優(yōu)化，尋找出最佳路由。

如圖13，為車輛數(shù)目與數(shù)據(jù)包傳輸比值的曲線，由圖可知車輛越多，數(shù)據(jù)包丟失越少，同時(shí)針對(duì)不同的車輛數(shù)目，GABR協(xié)議的數(shù)據(jù)包傳輸能力較優(yōu)，GABR協(xié)議實(shí)時(shí)獲取交通信息，對(duì)路段進(jìn)行分塊，分析路段的連通性，動(dòng)態(tài)地選擇下一跳十字路口，利用遺傳算法優(yōu)化路徑，有利于數(shù)據(jù)包傳輸成功；IBR協(xié)議主要考慮車輛數(shù)目與車輛速度，未考慮連通性，可能會(huì)導(dǎo)致數(shù)據(jù)包傳輸失?。籆AR協(xié)議根據(jù)源點(diǎn)位置確定一條完整的路由路徑，但對(duì)于不斷變化的網(wǎng)絡(luò)結(jié)構(gòu)而言，固定的路徑會(huì)導(dǎo)致大量數(shù)據(jù)包的丟失。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。