1摘要
智能集群的研究起始于生物学家研究发现昆虫之间存在高度结构化组织完成远远超出个体能力的复杂任务，蚁群的工作模式就是这种智能集群的经典代表。它们通过单体之间简单的相互沟通协调，表现出大规模集群的智能行为[1]。
大规模集群系统中，个体之间需要相互进行通信，其通信不能依赖于基础网络设施（基站、卫星等），也不能采取有中心的控制方式。无中心的移动Ad Hoc网络的运行可不依靠任何基础网络设施，可实现临时的、快速的自动组网，并且支持节点快速自由运动[2]。Ad Hoc网络的动态特性使得精确维护网络状态信息变得困难，其路由算法不得不依靠本来就不精确的信息来工作，因此，研究大规模智能集群自组织网络中的智能路由是当前的一个研究热点。
2无线自组织网络中的路由协议
在无线自组织网络中，如何快速地计算源节点到目标节点的路由，并且对路由进行更新和维护，是无线自组织网络技术研究的一个核心问题。无线自组织网络路由协议根据它的工作方式的不一样，大致可以分为这样三类：按需路由协议、表驱动路由协议和混合路由协议。
表驱动路由协议又叫先验式路由协议，该类协议维护网络中的节点到其它节点精确详细的路由信息。网络中的节点通过不断和其他的节点交换路由信息，从而不断更新路由表信息[3]。这种协议适合规模比较小拓扑结构变化比较慢的网络，常用的表驱动路由协议有：WRP、DSDV、OLSR等[4]。
按需路由协议又叫反应式路由协议。该类协议只需对到它邻节点路由信息进行管理维护，减少了负载。当网络中的节点有通信需求进行寻找路由时，就启动路由发现机制，发送一个路由请求寻找路由，并按需建立到目的节点路由表信息。按需路由协议很适合动态变化的网络拓扑结构，常用的按需路由协议有：AODV、TORA、DSR等。
如果在网络中如果单纯采用上面的两种协议中的任何一种都不能解决路由问题，可以结合前面的二种协议各自的优点，使用一种新的机制：在局部范围内使用上面的表驱动路由协议。常用的混合路由协议主要有ZRP协议。
3基于QoS的路由算法
网络QoS主要是指网络在进行数据传输时所需要满足服务的一些量化指标，如链路延迟、抖动、带宽、吞吐量、丢包率等。目前无线自组网路由算法常根据某些上层网络管理策略或规则、业务优先级和/或网络状态(如可用资源、拥塞程度、链路质量、跳数/距离)等因素进行选路，大多都是只考虑其中的一个或两个，而没有把它们结合在一起考虑。这样就导致很多时候，选择的路由无法综合满足QoS要求[5]。
无线自组网的QoS路由是一种基于网络可用资源和业务流的QoS要求来选择路径的路由机制。但是，当路由选择时需要考虑的约束条件包含两个或者两个以上的可加性参数或包括可加性参数和可乘性参数组合时，这种无线自组网网络的QoS路由选择就是非线性多项式问题。在这种情况下，很难用常规的方法寻求满足QoS约束的最优路径，通常需要采用智能优化算法寻找次优解。
4自组网智能优化路由算法
针对多约束QoS路由问题，可以采用智能优化算法。智能优化算法是一类通过模拟某自然现象而形成的优化方法，典型算法有进化算法、禁忌搜索、人工免疫系统、分散搜索、模拟退火、粒子群算法、蚁群算法、神经网络算法等。和传统的数学优化方法相比，智能算法对求解多目标优化问题更为适用[6]。智能算法是启发式搜索算法中的一类，其被广泛应用于解决多目标优化问题，并应用于多个领域，包括工业生产、资源调度、电力系统等等。使用智能算法对路由算法进行改进是提高路由算法性能的有效途径，近年来针对这方面的研究大致分为三类，基于粒子群算法的路由算法研究、基于遗传算法的路由算法研究和基于蚁群算法的路由算法研究。
5智能学习路由算法
在大规模集群自组织网络中，由于节点数目多，拓扑变化快，QoS参数也变化快，传统的路由算法和智能优化路由算法存在一定的局限性。而机器学习带来的新机会。近年来，以深度学习为代表的机器学习技术的发展，给了大规模自组织网络智能路由的发展可能。基于机器学习技术，可以通过对网络历史数据的挖掘来学习到“隐式”的路由决策。机器学习对自组网网络路由主要带来了以下优势：[7]
1）提高了网络感知能力。深度学习算法可以大大提高在复杂环境下的目标识别能力，应用到路由场景中，可对以流量类型识别、拓扑故障识别等问题取得较好的解决效果。
2）提高了流量拟合能力。深度学习算法，极大提升了对时序数据的曲线拟合能力，应用到路由场景中，可以大大提高对流量矩阵、链路负载、拓扑故障等问题的预测能力，从而提升路由的动态响应能力。
3）提高了规划决策能力。强化学习算法，提高了对复杂环境下动态规划决策的准确率，应用到路由场景中，可以加强对流量动态场景下的路由规划能力。
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/229402.html