Ad-Hoc網(wǎng)絡(luò)中基于狀態(tài)轉(zhuǎn)換概率的中繼選擇算法研究

陳春梅,吳 斌,江 虹

(1.中國工程物理研究院 電子工程研究所，四川 綿陽 621900；2.西南科技大學(xué) 信息工程學(xué)院，四川 綿陽 621010)

0 引 言

Ad-Hoc網(wǎng)絡(luò)是一種分布式的無線網(wǎng)絡(luò)，它不依賴任何固定的通信基礎(chǔ)設(shè)施，在緊急情況下可通過自組織網(wǎng)絡(luò)技術(shù)進(jìn)行快速組網(wǎng)，且抗毀性強，在當(dāng)代數(shù)字化戰(zhàn)爭、地震水災(zāi)、野外探險等領(lǐng)域具有良好的性能。但是，Ad-Hoc網(wǎng)絡(luò)隨著跳數(shù)的增加也帶來許多嚴(yán)重的問題。首先，由于網(wǎng)絡(luò)節(jié)點的移動特性使得網(wǎng)絡(luò)拓?fù)湟约皞鬏斅酚蓜討B(tài)多變，導(dǎo)致系統(tǒng)運算復(fù)雜且穩(wěn)定性差；其次，Ad-Hoc網(wǎng)絡(luò)節(jié)點能量有限，在許多應(yīng)用場合沒法及時補充或更換，網(wǎng)絡(luò)壽命也受到嚴(yán)重威脅[1-2]。因此，Ad-Hoc 網(wǎng)絡(luò)的能耗問題已成為制約其發(fā)展的主要瓶頸。如何降低節(jié)點的能耗并延長網(wǎng)絡(luò)壽命，學(xué)者們從不同角度開展了深入研究。在實際應(yīng)用中，為多跳Ad-Hoc網(wǎng)絡(luò)選擇恰當(dāng)?shù)闹欣^進(jìn)行下一跳傳輸是節(jié)省能量和縮短時延的有效手段。一直以來，基于位置信息的中繼選擇方法逐漸受到人們的青睞，這是因為在仿真時可在限制場景區(qū)域內(nèi)隨機生成節(jié)點坐標(biāo)，這樣便可計算節(jié)點之間的距離。文獻(xiàn)[3]通過推導(dǎo)最佳中繼節(jié)點區(qū)域包絡(luò)的曲線方程，將該區(qū)域劃分為具有相同誤碼率性能的同心圓環(huán)，同時結(jié)合中繼節(jié)點和目的節(jié)點的位置來選擇最佳中繼節(jié)點。該方法充分利用空間分集特性來提高系統(tǒng)誤碼率性能。文獻(xiàn)[4]為了延長網(wǎng)絡(luò)生命周期，基于節(jié)點位置信息來構(gòu)建節(jié)點發(fā)射能耗、接收能耗和剩余能量組成的代價公式，從而實現(xiàn)3種能量權(quán)衡下的最優(yōu)中繼路由選擇。文獻(xiàn)[5-7]重點考慮節(jié)點位置以及與目標(biāo)節(jié)點的距離等因素來選擇中繼?？梢姡@些方法都考慮到了位置與傳輸距離等影響，但卻忽略了重要的路徑干擾等因素。后來，一些學(xué)者又重點考慮了信道狀態(tài)的影響。文獻(xiàn)[8-11]研究了基于平均信噪比的中繼選擇方法，即選擇發(fā)送節(jié)點與中繼節(jié)點鏈接的各條鏈路上的平均信噪比大于指定門限的節(jié)點作為中繼，但這需要知道信道的先驗知識，且采用全面估計所有中繼節(jié)點的平均信噪比有較大的額外開銷。在動態(tài)移動的網(wǎng)絡(luò)拓?fù)湟约半姵貕勖挠绊懴?，效率會更低。文獻(xiàn)[12-14]采用基于本地測量得到的瞬時信道狀態(tài)信息來選擇合適中繼。在眾多可選中繼節(jié)點中決策出一條最佳中繼傳輸路徑，它不需要任何先驗知識，包括網(wǎng)絡(luò)拓?fù)湫畔⒑偷乩砦恢眯畔?，也不需要在中繼節(jié)點間相互通信。但最佳中繼傳輸路徑選擇成功與否取決于節(jié)點對當(dāng)前無線信道的即時統(tǒng)計信息，它是一種機會式的端到端的最佳中繼選擇方法，具有不穩(wěn)定性特征。近年來，以節(jié)能為目標(biāo)的中繼節(jié)點選擇算法已成為無線網(wǎng)絡(luò)中的研究熱點[15-19]。因此，本文綜合考慮實際情況下信道間的相互干擾、節(jié)點之間的傳輸距離以及能量損耗等問題，創(chuàng)新地提出一種基于網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)換概率的中繼選擇算法，旨在更好地實現(xiàn)多跳網(wǎng)絡(luò)的傳輸性能。

在實際應(yīng)用的多跳Ad-Hoc網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，每一跳能合作傳輸消息的中繼節(jié)點數(shù)量是變化的，本文提出在可用的鄰居節(jié)點集合中選擇合適的鄰居節(jié)點子集和最優(yōu)活動作為下一跳的中繼傳輸目標(biāo)，同時考慮網(wǎng)絡(luò)的能耗和時延。隨著網(wǎng)絡(luò)動態(tài)變化，其狀態(tài)空間也在不斷變化增加。當(dāng)狀態(tài)空間增大時，模仿貪心搜索和模擬退火算法，去除那些在下一傳輸環(huán)節(jié)有較小概率到達(dá)的節(jié)點和狀態(tài)，從而精簡用于運算的狀態(tài)空間，達(dá)到優(yōu)化中繼傳輸性能的目的。

本文研究了多跳給Ad-Hoc網(wǎng)絡(luò)帶來的性能影響。在Ad-Hoc網(wǎng)絡(luò)中，通過網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)換概率的約束在眾多中繼節(jié)點中選出最佳中繼，因此，本文首先給出了中斷概率的計算方法，然后通過中斷概率計算網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)換概率并確定最佳中繼。為了減少中繼選擇的復(fù)雜度，我們提出了一種有效的運算方法，即通過限制參與計算的中繼節(jié)點數(shù)量來提升運算速度，同時，確保參與計算的中繼節(jié)點質(zhì)量以優(yōu)化中繼傳輸性能。本文的主要貢獻(xiàn)：1)提出了網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)換概率的計算方法；2)提出了基于空間狀態(tài)剪枝技術(shù)的復(fù)雜度削減算法；3)在減少復(fù)雜度的條件下提出了一種有效的中繼選擇策略。

1 網(wǎng)絡(luò)模型

1.1 信道模型

考慮多跳Ad-Hoc網(wǎng)絡(luò)，其節(jié)點總數(shù)為ψ，一個節(jié)點只有一個天線接口。在傳統(tǒng)的中繼協(xié)同傳輸過程中，其基本過程：信息從源節(jié)點s發(fā)送到目標(biāo)節(jié)點t，首先源節(jié)點s向其所有鄰居節(jié)點廣播消息，所有收到該消息的節(jié)點再將其轉(zhuǎn)發(fā)至下一跳。以此類推，合作轉(zhuǎn)發(fā)不斷前傳直到到達(dá)終端節(jié)點t為止。可見，這種傳統(tǒng)的廣播方式將會產(chǎn)生很大的冗余和系統(tǒng)開銷。本文在此基礎(chǔ)上進(jìn)行優(yōu)化，采用恰當(dāng)?shù)募糁Σ呗垣@得鄰居節(jié)點的“最優(yōu)子集”作為轉(zhuǎn)發(fā)目標(biāo)，并通過譯碼轉(zhuǎn)發(fā)(decode and forward，DF)中繼協(xié)議向前轉(zhuǎn)發(fā)。假設(shè)參與協(xié)同傳輸?shù)摹白顑?yōu)子集”節(jié)點數(shù)為a，則在路徑損耗和衰落條件下，集合a中的節(jié)點到任意中繼接收節(jié)點的傳輸信道模型如圖1所示。在圖1中，信源s首先向其最優(yōu)鄰居子集發(fā)送消息，鄰居子集收到消息后又分別向各自的最優(yōu)鄰居子集繼續(xù)前傳，依此類推，直到最后消息經(jīng)過合并到達(dá)信宿t。在譯碼轉(zhuǎn)發(fā)的每一跳中，最優(yōu)鄰居子集總是選擇離信宿t更近的節(jié)點作為中繼，這有助于更快完成數(shù)據(jù)通信。

圖1 多跳Ad-Hoc網(wǎng)絡(luò)信道模型Fig.1 Channel model of multi-hop Ad-Hoc network

1.2 狀態(tài)轉(zhuǎn)換概率

本文假設(shè)網(wǎng)絡(luò)環(huán)境為Ad-Hoc多跳網(wǎng)絡(luò)，并在Rayleigh信道中以譯碼轉(zhuǎn)發(fā)中繼協(xié)議傳送消息，且無線節(jié)點的發(fā)射功率是相同的。因各鏈路質(zhì)量和損耗的不同，網(wǎng)絡(luò)可能出現(xiàn)延遲或閃斷等各種現(xiàn)象。因此，為了便于選擇合適的網(wǎng)絡(luò)狀態(tài)，本文定義網(wǎng)絡(luò)狀態(tài)間的轉(zhuǎn)換概率來描述Ad-Hoc網(wǎng)絡(luò)的動態(tài)變化。

假設(shè)發(fā)射節(jié)點以單位帶寬速率R進(jìn)行傳輸，令無線信道的容量為C，信道的信噪比為γ，則當(dāng)信道容量為

C=lb(1+γ)

(1)

當(dāng)C低于速率R時就會產(chǎn)生中斷事件[20]。設(shè)圖1中任意2節(jié)點鏈路間的信道增益為hi,j，發(fā)射功率為pi，σ2為加性高斯白噪聲功率，考慮相鄰鏈路的相互干擾,故信噪比可表示為

(2)

則概率密度函數(shù)(PDF)可表示為

(3)

則

(4)

由此可導(dǎo)出Rayleigh衰落信道模型DF方式下的中斷概率計算公式為

(5)

設(shè)處于當(dāng)前狀態(tài)x的節(jié)點集為A(x)，則a∈A(x)，令終點狀態(tài)為t，x≠t，則從中斷概率的定義可導(dǎo)出，當(dāng)前跳的合作節(jié)點子集a到下一跳任意節(jié)點n的成功傳輸概率為1-pout(n,a)，若令θ為

(6)

則根據(jù)Markov鏈的性質(zhì)，系統(tǒng)從狀態(tài)x到狀態(tài)y的轉(zhuǎn)換概率可以定義為

(7)

如果x,y均屬于終端狀態(tài)t，即當(dāng)x=y=t，顯然有pxy(a)=ptt(a)=1。在實際網(wǎng)絡(luò)傳輸過程中，轉(zhuǎn)換概率取決于傳輸節(jié)點的相對位置以及傳輸信道等綜合因素。

1.3 網(wǎng)絡(luò)回報值的計算

中繼網(wǎng)絡(luò)節(jié)點的能量消耗主要包括3部分：發(fā)送、接收和空閑。通常發(fā)送功耗是主要考慮的部分，而接收和空閑時的功耗往往視為常數(shù)或忽略不計[21]。實際中，發(fā)送功耗取決于協(xié)作節(jié)點的數(shù)目以及發(fā)送消息的環(huán)境參數(shù)。本文假設(shè)能量都作歸一化處理，設(shè)發(fā)送能耗為VE，時延消耗為VD，a為解析消息且協(xié)作的節(jié)點集合，m為其他解析消息非協(xié)作節(jié)點集合，此時，能耗VE可表示為

VE=|a|+ω|m|

(8)

(8)式中，參數(shù)ω≥0為調(diào)節(jié)額外節(jié)點解析消息時的開銷系數(shù)。(8)式說明某一跳若同時傳輸?shù)墓?jié)點越多，總的發(fā)射能耗將越大，反之，則可節(jié)省系統(tǒng)發(fā)射功率。

時延消耗VD可認(rèn)為由2部分組成。在傳輸路程上的時延和中繼節(jié)點上排隊處理的時延。排隊模型如圖2所示。

圖2 排隊模型Fig.2 Queuing model

在圖2中，待傳輸?shù)臄?shù)據(jù)隨機地來到服務(wù)機構(gòu)，按一定的排隊規(guī)則等待服務(wù)。在本中繼系統(tǒng)中，中繼節(jié)點為單天線，排隊系統(tǒng)即為單通道單服務(wù)，數(shù)據(jù)到達(dá)滿足泊松分布，服務(wù)時間服從指數(shù)分布，故該中繼傳輸系統(tǒng)的數(shù)據(jù)包在各中繼節(jié)點上的等待時間分布為[22]

Fq(w)=1-ρe-(μ-λ)w

(9)

(10)

本文設(shè)定傳輸路程上的時延為一常數(shù)qt，則

(11)

則系統(tǒng)狀態(tài)x經(jīng)由|a|個中繼節(jié)點到達(dá)狀態(tài)y的網(wǎng)絡(luò)回報值定義為

(12)

假設(shè)當(dāng)前狀態(tài)x經(jīng)過所有可能的路徑到達(dá)狀態(tài)y，則將所有的可能路徑進(jìn)行概率加權(quán)，尋找到達(dá)終點時耗費最少時的方程可定義為

ξ∈[0,1]

(13)

2 中繼選擇優(yōu)化策略

2.1 復(fù)雜度削減技術(shù)

本文采用修剪網(wǎng)絡(luò)狀態(tài)空間的策略降低系統(tǒng)復(fù)雜度。已知處在狀態(tài)x的所有節(jié)點為A(x)，鄰居集為N(x)，削減不必要的和貢獻(xiàn)率低的鄰居集與行為集，即可得到新的集合A′(x)和N′(x)。顯然有削減后的節(jié)點集A′(x)?A(x),A′(x)≠?，鄰居集N′(x)?N(x),N′(x)≠?。在實際復(fù)雜度削減過程中，根據(jù)(7)式計算得出各狀態(tài)轉(zhuǎn)換概率pxy(a)，剪去那些傳輸概率較小的鄰居節(jié)點，留下那些傳輸概率較大的路徑，從而優(yōu)化算法用于運算的狀態(tài)空間。如此，(13)式變?yōu)?/p>

(14)

這里S表示系統(tǒng)所有的狀態(tài)集。可定義系統(tǒng)從狀態(tài)x到狀態(tài)y的轉(zhuǎn)換過程中所有被剪掉的鄰居節(jié)點的最大削減概率為

(15)

那么聯(lián)合(13)和(15)式可知，削減前后能量消耗值的最大差值為

(16)

由(16)式變形得到狀態(tài)削減的上界

(17)

(15)式表示M(x)越小，由狀態(tài)轉(zhuǎn)換概率pxy得到的N′(x)以外的所有節(jié)點的概率之和越小，說明大概率的pxy已經(jīng)被選入N′(x)中。因此，為了使N′(x)中的節(jié)點適當(dāng)多，確定(17)式的上界M-，只要M(x)不超過M-均可。剪枝算法如Algorithm 1所示。

Algorithm 1: Reduce (x)

PROCEDURE Reduce(x)

Input:x

Output:A′(x) andN′(x)

Obtain setx′ from nodes inxclosed tot;

Obtain setA′(x) fromx′;

ψ′←ψ-x′;

k=1;v=0;V(x)=φ;

for ( eachninψ′)

v[k]←1-Pout(n,a);

k++;

end

sortascending(v);

k=1;M(x)=0;

Letm(j)∈ψ′,j=1,2,…,|ψ′|;

Repeat

ε(j)∈{0,1};

ifM(x)

V(x)←V(x)+m(k);

k++;

end

until (M(x)>M_(x) ork==|ψ′|);

obtainN′(x) fromV(x);

RETURN (A′(x),N′(x));

上述剪枝策略實現(xiàn)了對大量狀態(tài)空間的簡化運算，即每次迭代運算得到的M(x)只要超過上界M-就剔除所轉(zhuǎn)狀態(tài)y，否則就接受，以此得到剪枝后的鄰居子集N′(x)和活動子集為A′(x)。在此方案中，上界的值將直接影響剪枝的數(shù)目，當(dāng)上界取值太大，或接近狀態(tài)x的所有鄰居節(jié)點概率之和時，容易導(dǎo)致中繼合作子集稀少，失敗概率增大；當(dāng)上界取值太小，剪枝算法將基本失效。因此，在保證成功率的前提下為了降低系統(tǒng)復(fù)雜度，本文參考模擬退火算法(simulate anneal, SA)做進(jìn)一步優(yōu)化[22]。通過對Metropolis準(zhǔn)則的修改與運用，提出在M(x)

2.2 優(yōu)化算法設(shè)計

考慮多跳中繼Ad-Hoc網(wǎng)絡(luò)狀態(tài)削減上界與轉(zhuǎn)換為新狀態(tài)后剩余鄰居節(jié)點的概率統(tǒng)計的差值，若削減上界小于等于網(wǎng)絡(luò)轉(zhuǎn)換到一個新狀態(tài)后剩余節(jié)點的概率總計，即二者差值ΔC<0，則此狀態(tài)不予接受；當(dāng)ΔC≥0則以一定概率接受。由于在傳統(tǒng)的Metropolis準(zhǔn)則中，ΔC越小，接受的可能性越大。而在本文研究的中繼傳輸網(wǎng)絡(luò)中，ΔC越大，接受的可能性應(yīng)該越大。因此，本文利用Metropolis的變換準(zhǔn)則，令df=M--MX，則變換后的接受概率為

(19)

(19)式中：q表示接受概率，x,y表示系統(tǒng)狀態(tài)，Tk表示第k時刻的溫度值。變換后的Metropolis準(zhǔn)則的執(zhí)行步驟如下。

步驟1k=0時，Ad-Hoc網(wǎng)絡(luò)所處的當(dāng)前解為S(0)=x，在溫度T下進(jìn)行步驟2—5；

步驟2根據(jù)當(dāng)前解S(k)所處的狀態(tài)x，產(chǎn)生一個鄰域子集N(S(k))?S,S(k)≠φ，由N(S(k))隨機地得到一個新的狀態(tài)y，計算剪枝上界與到達(dá)新狀態(tài)y所耗費能量的差值ΔC=M--C(y)；

步驟4k=k+1執(zhí)行下一次迭代，根據(jù)給定的收斂準(zhǔn)則判斷算法是否應(yīng)該結(jié)束，若是則轉(zhuǎn)步驟5，否則轉(zhuǎn)步驟2；

步驟5返回。

基于此，本文提出了基于Metropolis變換準(zhǔn)則的改進(jìn)的模擬退火(improved simulated annealing，ISA)算法如Algorithm 2所示。ISA(S(a))旨在計算下一狀態(tài)是否被接受，其工作過程如下：設(shè)置初始值init_T，如果M(S(ai))沒有超過上界，以(19)式計算的接收概率qk(x,y)進(jìn)行接受，以1-qk(x,y)的概率進(jìn)行拒絕；超過上界的部分則直接拒絕。并在每次迭代過程中改變T值，設(shè)定T的上邊界，當(dāng)T按照一定斜率增長超過初始設(shè)定的terminal_T時，T將變?yōu)閕nit_T×β。當(dāng)下次迭代到來時，將繼續(xù)以之前斜率增長，直到再次達(dá)到terminal_T。如此反復(fù)變換T值，通過數(shù)學(xué)分析，當(dāng)?shù)螖?shù)不斷增加時，T將趨近于terminal_T。

Algorithm 2: ISA(S(a))

PROCEDURE ISA (S(a))

Initialize(init_T,terminal_T,discountβ);

WHILES(x) is non-terminal DO

generateTn+1fromTn,Tn+1=Tn·β;

IFTn

FOR i:=0 to |a| DO

a?A(S); generateai+1fromai

IFM_-M(S(ai)) ≤0 THENai?neighborai;

ELSE IF (|1-exp{-[M_-M(S(ai))]/Ti}|)>random[0, 1) THEN

ai+1∈neighborai;

END FOR

T實質(zhì)所進(jìn)行的是反復(fù)漸進(jìn)增加的過程，當(dāng)T增大時，根據(jù)(19)式，qk(x,y)將不斷變小，即會逐漸增大剔除的分支。當(dāng)T變?yōu)閠erminal_T時，退化為一個尋求較小分支的貪婪算法。

3 數(shù)值仿真

設(shè)定網(wǎng)絡(luò)場景為正方形區(qū)域，起點s和終點t分別位于場景兩端，其余各節(jié)點的坐標(biāo)在150 m×150 m的網(wǎng)絡(luò)場景內(nèi)隨機生成并均勻分布。在仿真過程中，設(shè)置相關(guān)參數(shù)的初值分別為n=10,ψ=15,ω=0.5,μ=0.9,λ=0.4,ξ=0.8,initT=0.01,termianlT=10,β=1.2。

將Ad-Hoc網(wǎng)絡(luò)的全局拓?fù)淇醋鳠o向完全圖，當(dāng)網(wǎng)絡(luò)的初始節(jié)點數(shù)為n時，則有n(n-1)/2條邊。設(shè)n=10,則形成的網(wǎng)絡(luò)狀態(tài)變化可高達(dá)數(shù)萬億次。為了闡述ISA算法削減狀態(tài)空間的有效性，本文在不同Δ取值情況下，驗證該算法迭代1 000次計算出的平均訪問狀態(tài)空間數(shù)目以及算法的平均失敗概率如表1所示。在表1中，實際訪問狀態(tài)空間數(shù)目表示了算法的計算復(fù)雜度或運算速度，平均失敗概率表達(dá)了本文算法不能找到最優(yōu)中繼的概率。從表1可知，Δ的取值直接影響到系統(tǒng)運算復(fù)雜度和算法失敗概率2個重要指標(biāo)。通常情況下，Δ的取值越大，實際訪問的狀態(tài)空間數(shù)目越少，算法失敗概率不斷增加；Δ的取值越小，實際訪問的狀態(tài)空間數(shù)目越多，算法失敗概率不斷減少?？傮w情況是隨著Δ的減小，訪問狀態(tài)數(shù)目呈增長趨勢，而失敗概率呈降低趨勢，這是因為由(17)式可知，當(dāng)Δ增大，則表示削減復(fù)雜度的上界增大，由此被剔除的狀態(tài)空間就越多，而剩下用于實際訪問的狀態(tài)空間隨之減少。但是，當(dāng)Δ<1時失敗概率卻出現(xiàn)了反向增長，這說明Δ太小，會使得狀態(tài)數(shù)目急劇增加反而導(dǎo)致某些決策失敗。所以，在實際的網(wǎng)絡(luò)設(shè)計中，需要根據(jù)需求情況在降低系統(tǒng)運算復(fù)雜度和降低算法失敗概率方面做個權(quán)衡。本文為了平衡二者的關(guān)系，取Δ=1進(jìn)行后面的仿真。

為了驗證多跳Ad-Hoc網(wǎng)絡(luò)的移動特性給系統(tǒng)性能帶來的各種影響，圖3給出了因節(jié)點移動時給系統(tǒng)能耗帶來的變化情況。由于場景大小的變化，節(jié)點之間的距離改變，當(dāng)總節(jié)點數(shù)目不變的情況下，源節(jié)點和目標(biāo)節(jié)點距離越遠(yuǎn)，系統(tǒng)總的能耗越大。從圖3可以看出，總節(jié)點數(shù)n=10和n=15時，系統(tǒng)的能耗在67 m處出現(xiàn)交叉，當(dāng)它們的網(wǎng)絡(luò)場景都小于67 m時，節(jié)點數(shù)目分布越密集，能耗越小。這是因為在小范圍內(nèi)，n=15時各個節(jié)點的鄰居節(jié)點增加，源節(jié)點到目的節(jié)點的可選中繼變得容易。當(dāng)網(wǎng)絡(luò)場景大于67 m時，節(jié)點的分布變得稀疏，受發(fā)送功率和解析消息節(jié)點數(shù)目的影響，n=15時比n=10時的系統(tǒng)能耗增加，此時說明，n=15時選擇了更多的中繼節(jié)點予以彌補場景的擴展。

表1 訪問狀態(tài)空間數(shù)目以及失敗率

圖3 場景大小與系統(tǒng)能耗的關(guān)系Fig.3 Relationship between the size of the scene and the energy consumption

圖4給出了場景大小變化與合作節(jié)點數(shù)目之間的關(guān)系。觀察圖4所示，在大約67 m處，小于該場景的情況下，n=15時的合作節(jié)點數(shù)少于n=10的時候，隨著場景的不斷增大，總節(jié)點數(shù)目增加后合作節(jié)點數(shù)目也將隨之增加，由此根據(jù)(12)式得到的能耗也將增大，這與圖3的能耗關(guān)系圖一致。

圖4 場景大小與合作節(jié)點數(shù)的關(guān)系Fig.4 Relationship between the size of scene and the number of cooperative nodes

4 結(jié) 論

基于網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)換概率的中繼選擇策略在一定程度上解決了多跳Ad-Hoc網(wǎng)絡(luò)環(huán)境中高冗余狀態(tài)空間帶來的運算復(fù)雜度問題。該策略將Metropolis準(zhǔn)則進(jìn)行適當(dāng)變換，以一定概率對網(wǎng)絡(luò)狀態(tài)空間實行狀態(tài)剪枝和貪心搜索，從而實現(xiàn)中繼節(jié)點的擇優(yōu)選擇。實驗結(jié)果表明，本文提出的ISA算法對系統(tǒng)運算量、能耗以及成功率等指標(biāo)都進(jìn)行了明顯優(yōu)化，所提方案可為后期進(jìn)一步實現(xiàn)最優(yōu)中繼傳輸提供可靠的技術(shù)支持。