1.本发明涉及车联网领域，尤其涉及一种基于图论分析的车联网分簇管理方法。
背景技术：
：：2.随着智能汽车不断增长的数据传输需求，车联网也成为移动无线通信的研究热点。现有对车联网的研究主要集中在信息安全和隐私保护、路由规划和聚类算法等方面。针对分簇管理而言，现有的算法研究大多注重簇头的快速选择和网络稳定性的考虑。比如文献：senoucio,aliouatz,harouss.dca-ds:adistributedclusteringalgorithmbasedondominatingsetforinternetofvehicles[j].wirelesspersonalcommunications,2020,115(1):401-413.提出了一种基于支配集的分布式聚类算法。簇头可以在复杂程度不同的网络拓扑中快速选择。文献：chengx,huangb.acenter-basedsecureandstableclusteringalgorithmforvanetsonhighways[j].wirelesscommunicationsandmobilecomputing,2019,2019(5):1-10.作者引入了一种基于中心的聚类算法，帮助高速公路上的自组织车辆自组网形成稳定的聚类网络，且提出了两种提高车载自组网安全性的指标。文献senoucio,harouss,aliouatz.anewheuristicclusteringalgorithmbasedonrsuforinternetofvehicles[j].arabianjournalforscienceandengineering,2019.中为了保持聚类网络的稳定性，提出了一种基于道路侧单元(rsu)的启发式汽车聚类算法，该算法提出以道路侧单元(rsu)为簇头进行汽车聚类管理。文献b.ghimireandd.b.rawat,"dynamicclusteringiniovusingbehavioralparametersandcontentionwindowadaptation,"inieeetransactionsonvehiculartechnology,vol.71,no.2,pp.2031-2040,feb.2022,doi:10.1109/tvt.2021.3134965.中为了形成稳定的聚类，提出了一种基于车辆聚类适应度评分(cfs)的聚类方法。但是现有的研究大多集中在车辆较少的高速公路场景下的聚类选择。[0003]随着汽车数量激增，车联网节点数量必然增加，在大规模、超密集场景下，如何避免大规模控制信息交互引发的网络风暴，是未来车联网亟待解决的问题。这个问题可以通过建立骨干网来解决，减少控制信息的交互，提高传输效率。在大规模、超密集的环境下，如何选择最少数量的簇头来构建最简单的骨干网络是一个难题。现有的聚类算法主要关注vanet路由的可靠性，没有考虑如何选择最少的簇头来构建最简单的骨干网络。因此，现有技术还难以满足未来超密集的城市大规模车联网的需求。技术实现要素：[0004]基于上述需求，本发明的目的在于提出一种基于图论分析的车联网分簇管理方法，基于骨干网的数据传输可以减少数据传输前控制信息的交互，从而避免网络风暴，简化骨干网可以减少数据传输前更多的控制信息交互，因此通过采用两级配置检查策略和评分机制，从而减少多个集群覆盖的节点数量。[0005]为了实现上述目的，本发明所采用的具体技术方案如下：[0006]一种基于图论分析的车联网分簇管理方法，其特征在于，包括以下步骤：[0007]s1：在预设范围内根据道路规划、路侧节点位置以及车载节点的分布关系建立车联网场景模型图；[0008]s2：在车联网场景模型图中随机选择节点v，从节点v的邻接节点n(v)中选择顶点分值最大的节点加入支配集s中；[0009]s3：在除去节点v和邻接节点n(v)的其它节点中随机选择节点u，并从节点u的邻接节点n(u)中选择顶点分值最大的节点加入到支配集s中；[0010]s4：重复步骤s2和步骤s3，直至所有的节点要么在支配集s中，要么在支配集s中各个节点所对应的邻接节点中，并将最终支配集s中的各个节点作为当前车联网场景模型下骨干网络的簇头节点。[0011]可选地，所述顶点分值按照计算，其中：[0012]给每个节点预先赋予一个频率值freq[i]，scoref(j)表示节点j的顶点分值，c1表示当前由未被覆盖变为覆盖状态的节点集合，c2表示当前由覆盖变为未被覆盖状态的节点集合。[0013]可选地，根据当前时刻各个节点的位置，确定两个节点之间的距离，如果两个节点之间的距离小于最大传输距离，则认定两个节点属于邻接节点。[0014]可选地，按照以下模型对支配集s中节点的数量进行优化：[0015][0016][0017][0018][0019]其中公式(1)为目标函数，表示寻找最少的支配节点数量，公式(2)为约束条件，表示所有n个节点中，要么属于支配节点，要么属于支配节点的邻接节点，公式(3)中a(i,j)表示节点i和节点j之间的通信标识，公式(4)中xi表示节点i的支配标识。[0020]可选地，在支配节点互换过程中，设置格局检测策略，具体包括：[0021]引入一个数组confchange(i)，i＝1～n，数组中的每个元素对应为一个节点的标志位，confchange(i)＝1表示节点i自上次从支配集s中移除后格局发生了变化，confchange(i)＝0则相反；[0022]在数组初始化时，每个元素都设置为1，表示任何节点都可以被选为支配节点，在选择过程中，confchange(i)的更新按照以下规则进行更新：[0023]规则1：节点i中支配集s中移除时，则设confchange(i)＝0；[0024]规则2：当节点j状态发生变化时，节点j的邻接节点n(j)和二层邻接节点n2(j)的格局都发生变化，则设confchange(n(j))＝1。[0025]可选地，利用禁忌算法的思想引入禁忌表，用于避免新加入到支配集s中的节点立刻被删除。[0026]本发明的技术效果是：[0027]针对城市场景中的车联网具有大规模、超密集的特点，本发明提出的一种基于图论分析的车联网分簇管理方法，通过构建骨干网模型，减少了控制信息，提高了通信效率，避免信息激增引起的网络风暴，通过对聚类算法进行优化，有效简化了骨干网，减少了集群数量，达到了预期目标。附图说明[0028]为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。[0029]图1是本发明实施例中的大规模超密集的车联网场景示意图；[0030]图2是本发明实施例中的格局检测策略工作原理示意图；[0031]图3是本发明实施例中的算法流程图；[0032]图4是节点分布区域为4000m*4000m时不同算法的效果对比图；[0033]图5是节点分布区域为4000m*5000m时不同算法的效果对比图；[0034]图6是节点分布区域为4000m*6000m时不同算法的效果对比图；[0035]图7是不同算法产生的簇头优化百分比对比关系图。具体实施方式[0036]下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。[0037]需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。[0038]实施例1：[0039]本实施例提供了一种基于图论分析的车联网分簇管理方法，以图1所示的曼哈顿网格结构场景为例做进一步说明。[0040]从图1可以看出，该网络场景由水平和垂直的街道组成，在相同的方向上建造了多条车道，并在街道两边设置了建筑。假设车辆分布服从泊松分布，车辆间距离服从指数分布。路侧单元(rsu)部署问题属于多模式资源约束项目调度问题。因此，rsu节点是根据组合粒子群算法部署的。每个节点都有一个全向天线，所有rsu与车载节点具有相同的通信范围。忽略建筑物对信号衍射和散射的影响，当两个节点之间的欧氏距离小于其通信距离时，可以直接通信，因此，利用这些节点构建的车联网也可以实现相互通信。[0041]根据光滑高斯半马尔可夫动力学模型，将车辆的行驶时间(即进入车联网到离开车辆网的时间)分成等间隔，每一段时间可以表示为：[0042]tk＝tk-1 δt；k＝1,2,....[0043]以平面行走为例，假设车辆节点i的初始位置为在第k时刻的位置是那么我们可以得到：[0044][0045]为时刻k-1车辆节点i的移动速度，为时刻k-1车辆节点i的移动方向。[0046]根据上式，设车辆节点i的位置为(xi,yi)，车辆节点j的位置为(xj,yj),则车辆节点i和车辆节点j之间的欧氏距离可以表示为：[0047][0048]通过将上式与车辆节点的最大传输距离r进行比较，车辆节点间的通信关系可以表示成：[0049][0050]aij＝1表示车辆节点i和车辆节点j之间可以通信，aij＝0表示车辆节点i和车辆节点j之间不能通信，网络中的所有车辆节点之间的关系可以用邻接矩阵a表示：从而可以得到车联网场景模型图，并在此基础上构建出骨干网络。[0051]结合前文分析，本实施例提供的一种基于图论分析的车联网分簇管理方法，具体包括以下步骤：[0052]s1：在预设范围内根据道路规划、路侧节点位置以及车载节点的分布关系建立车联网场景模型图；[0053]s2：在车联网场景模型图中随机选择节点v，从节点v的邻接节点n(v)中选择顶点分值最大的节点加入支配集s中；[0054]s3：在除去节点v和邻接节点n(v)的其它节点中随机选择节点u，并从节点u的邻接节点n(u)中选择顶点分值最大的节点加入到支配集s中；[0055]s4：重复步骤s2和步骤s3，直至所有的节点要么在支配集s中，要么在支配集s中各个节点所对应的邻接节点中，并将最终支配集s中的各个节点作为当前车联网场景模型下骨干网络的簇头节点。[0056]在本实施例中，所述顶点分值按照计算，其中：[0057]给每个节点预先赋予一个频率值freq[i]，scoref(j)表示节点j的顶点分值，c1表示当前由未被覆盖变为覆盖状态的节点集合，c2表示当前由覆盖变为未被覆盖状态的节点集合。[0058]实施例2：[0059]本实施例在实施例1的基础上进一步优化，可以极大减少支配集中节点的数量，为了进一步理解本方法的可行性，本实施例中给出以下定理：支配集s是一个最小支配集，当且仅当任意一个节点u∈s，满足以下两种条件之一：[0060](1)u是s中的孤立节点；[0061](2)存在一个节点v∈v-s，使得n(v)∩s＝{u}。[0062]证明：假设s是图g中的最小支配集。则对于每个节点s-{u}不是支配集。这表示在v-s∪{u}中的节点不被s-{u}中的任何节点支配。现在u＝v，其中u是s中的孤立顶点，或者v∈v-s.如果v不被s-{u}支配，但是被s支配，则顶点v是s中的顶点u的邻接顶点，也就是n(v)∩s＝{u}。相反地，假设s是支配集，对于每个节点两个条件中的一个成立。证明了s是一个最小支配集。假设s不是最小支配集，即存在一个节点使s-{u}是支配集。因此，u至少与s-{u}中的一个顶点相邻，即条件(1)不成立。同样，如果s-{u}是支配集，那么v-s中的每个顶点至少与s-{u}中的一个顶点邻接，即条件(2)对u不成立。因此，条件(1)和(2)都不成立，这与我们的假设相矛盾，即至少有一个条件成立。[0063]因此，本优化算法可以按照以下模型对支配集s中节点的数量进行优化：[0064][0065][0066][0067][0068]其中公式(1)为目标函数，表示寻找最少的支配节点数量，公式(2)为约束条件，表示所有n个节点中，要么属于支配节点，要么属于支配节点的邻接节点，公式(3)中a(i,j)表示节点i和节点j之间的通信标识，公式(4)中xi表示节点i的支配标识。[0069]为了减少优化过程中无意义的更换支配节点，本实施例还提出了格局检测策略，记为cc2策略，只有节点的格局发生变化才是有意义的替换。[0070]如图2所示，框线标识的两个状态是相同的，通过格局检测，路径(a)是合理的，节点v的格局发生了变化，途径(b)是应该避免的。[0071]为了实现cc2策略，本实施例引入一个数组confchange(i)，i＝1～n，数组中的每个元素对应为一个节点的标志位，confchange(i)＝1表示节点i自上次从支配集s中移除后格局发生了变化，confchange(i)＝0则相反；[0072]在数组初始化时，每个元素都设置为1，表示任何节点都可以被选为支配节点，在选择过程中，confchange(i)的更新按照以下规则进行更新：[0073]规则1：节点i中支配集s中移除时，则设confchange(i)＝0；[0074]规则2：当节点j状态发生变化时，节点j的邻接节点n(j)和二层邻接节点n2(j)的格局都发生变化，则设confchange(n(j))＝1。[0075]为了避免新加入到支配集s中的节点立刻被删除，本实施例还利用禁忌算法的思想引入禁忌表forbid_list，最后根据cc2策略和顶点评分规则设计了支配集的优化算法，伪代码如图3所示。[0076]为了体现本发明的可行性，下面我们通过仿真实验对上述方法的效果做进一步验证。[0077]模拟城市中大规模、超密集的车联网场景，在该场景中，节点按均匀分布随机放置在4000m*4000m的二维正方形中。每个节点的最大传输距离设置为1000m。通信距离以内的节点可以直接通信，通信距离以外的节点可以通过骨干网通信。我们将实施例1提出的方法定义为bn算法，将实施例2提出的方法定义为simplestbn算法，将其与参考文献：陈瑶,梁加红,邹顺,等.无人机adhoc网络拓扑控制算法研究[j].计算机仿真,2010(7):5.中提及到的lowest-id算法和highest-degree算法的性能进行对比，具体结果如图4所示，通过图4可以看出，随着节点数量的增加，每个算法选择的簇数也会增加。与其他三种算法相比，simplestbn算法添加的节点数量要少得多，与bn算法相比，簇头数量平均减少了28.87％。实验结果表明，本发明提出的方法，特别是优化后的方法具有较好的减少簇头数量的能力。这是因为本方法在优化时考虑了节点的配置，减少了多个簇头覆盖的节点数量。[0078]同时，图5-图6还展示了不同算法在不同节点、不同区域大小得到的聚类数的比较。从图4、图5和图6也可以看出，在不同的分布区域下，实施例1的性能与现有的算法相当，实施例2选取的簇头数量明显低于其他算法。另外，其他算法得到的簇数随着节点数量的增加而逐渐增加，而实施例2得到的簇头数趋于稳定。特别是从图4-图6可以看出，随着节点密度的增加，实施例2所提及的方法选择的簇头数量变得更加稳定。[0079]最后，由图7可以看出，在不同区域，节点的优化效率随着节点密度的增加而增加，其表达式为：结果表明，节点越密集，算法的优化性能越好。[0080]综上可以看出，本发明提出的一种基于图论分析的车联网分簇管理方法，建立了大规模超密集车联网骨干网络模型，并采用一种新的局部搜索迭代算法对骨干网络进行优化，仿真结果表明，随着节点密度的增加，本方法选择的簇数趋于稳定，优化后的簇数平均减少28.87％，能有效地简化骨干网络。[0081]最后需要说明的是，以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，这样的变换均应涵盖在本发明的权利要求和说明书的范围当中。当前第1页12当前第1页12
背景技术：
：：2.随着智能汽车不断增长的数据传输需求，车联网也成为移动无线通信的研究热点。现有对车联网的研究主要集中在信息安全和隐私保护、路由规划和聚类算法等方面。针对分簇管理而言，现有的算法研究大多注重簇头的快速选择和网络稳定性的考虑。比如文献：senoucio,aliouatz,harouss.dca-ds:adistributedclusteringalgorithmbasedondominatingsetforinternetofvehicles[j].wirelesspersonalcommunications,2020,115(1):401-413.提出了一种基于支配集的分布式聚类算法。簇头可以在复杂程度不同的网络拓扑中快速选择。文献：chengx,huangb.acenter-basedsecureandstableclusteringalgorithmforvanetsonhighways[j].wirelesscommunicationsandmobilecomputing,2019,2019(5):1-10.作者引入了一种基于中心的聚类算法，帮助高速公路上的自组织车辆自组网形成稳定的聚类网络，且提出了两种提高车载自组网安全性的指标。文献senoucio,harouss,aliouatz.anewheuristicclusteringalgorithmbasedonrsuforinternetofvehicles[j].arabianjournalforscienceandengineering,2019.中为了保持聚类网络的稳定性，提出了一种基于道路侧单元(rsu)的启发式汽车聚类算法，该算法提出以道路侧单元(rsu)为簇头进行汽车聚类管理。文献b.ghimireandd.b.rawat,"dynamicclusteringiniovusingbehavioralparametersandcontentionwindowadaptation,"inieeetransactionsonvehiculartechnology,vol.71,no.2,pp.2031-2040,feb.2022,doi:10.1109/tvt.2021.3134965.中为了形成稳定的聚类，提出了一种基于车辆聚类适应度评分(cfs)的聚类方法。但是现有的研究大多集中在车辆较少的高速公路场景下的聚类选择。[0003]随着汽车数量激增，车联网节点数量必然增加，在大规模、超密集场景下，如何避免大规模控制信息交互引发的网络风暴，是未来车联网亟待解决的问题。这个问题可以通过建立骨干网来解决，减少控制信息的交互，提高传输效率。在大规模、超密集的环境下，如何选择最少数量的簇头来构建最简单的骨干网络是一个难题。现有的聚类算法主要关注vanet路由的可靠性，没有考虑如何选择最少的簇头来构建最简单的骨干网络。因此，现有技术还难以满足未来超密集的城市大规模车联网的需求。技术实现要素：[0004]基于上述需求，本发明的目的在于提出一种基于图论分析的车联网分簇管理方法，基于骨干网的数据传输可以减少数据传输前控制信息的交互，从而避免网络风暴，简化骨干网可以减少数据传输前更多的控制信息交互，因此通过采用两级配置检查策略和评分机制，从而减少多个集群覆盖的节点数量。[0005]为了实现上述目的，本发明所采用的具体技术方案如下：[0006]一种基于图论分析的车联网分簇管理方法，其特征在于，包括以下步骤：[0007]s1：在预设范围内根据道路规划、路侧节点位置以及车载节点的分布关系建立车联网场景模型图；[0008]s2：在车联网场景模型图中随机选择节点v，从节点v的邻接节点n(v)中选择顶点分值最大的节点加入支配集s中；[0009]s3：在除去节点v和邻接节点n(v)的其它节点中随机选择节点u，并从节点u的邻接节点n(u)中选择顶点分值最大的节点加入到支配集s中；[0010]s4：重复步骤s2和步骤s3，直至所有的节点要么在支配集s中，要么在支配集s中各个节点所对应的邻接节点中，并将最终支配集s中的各个节点作为当前车联网场景模型下骨干网络的簇头节点。[0011]可选地，所述顶点分值按照计算，其中：[0012]给每个节点预先赋予一个频率值freq[i]，scoref(j)表示节点j的顶点分值，c1表示当前由未被覆盖变为覆盖状态的节点集合，c2表示当前由覆盖变为未被覆盖状态的节点集合。[0013]可选地，根据当前时刻各个节点的位置，确定两个节点之间的距离，如果两个节点之间的距离小于最大传输距离，则认定两个节点属于邻接节点。[0014]可选地，按照以下模型对支配集s中节点的数量进行优化：[0015][0016][0017][0018][0019]其中公式(1)为目标函数，表示寻找最少的支配节点数量，公式(2)为约束条件，表示所有n个节点中，要么属于支配节点，要么属于支配节点的邻接节点，公式(3)中a(i,j)表示节点i和节点j之间的通信标识，公式(4)中xi表示节点i的支配标识。[0020]可选地，在支配节点互换过程中，设置格局检测策略，具体包括：[0021]引入一个数组confchange(i)，i＝1～n，数组中的每个元素对应为一个节点的标志位，confchange(i)＝1表示节点i自上次从支配集s中移除后格局发生了变化，confchange(i)＝0则相反；[0022]在数组初始化时，每个元素都设置为1，表示任何节点都可以被选为支配节点，在选择过程中，confchange(i)的更新按照以下规则进行更新：[0023]规则1：节点i中支配集s中移除时，则设confchange(i)＝0；[0024]规则2：当节点j状态发生变化时，节点j的邻接节点n(j)和二层邻接节点n2(j)的格局都发生变化，则设confchange(n(j))＝1。[0025]可选地，利用禁忌算法的思想引入禁忌表，用于避免新加入到支配集s中的节点立刻被删除。[0026]本发明的技术效果是：[0027]针对城市场景中的车联网具有大规模、超密集的特点，本发明提出的一种基于图论分析的车联网分簇管理方法，通过构建骨干网模型，减少了控制信息，提高了通信效率，避免信息激增引起的网络风暴，通过对聚类算法进行优化，有效简化了骨干网，减少了集群数量，达到了预期目标。附图说明[0028]为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。[0029]图1是本发明实施例中的大规模超密集的车联网场景示意图；[0030]图2是本发明实施例中的格局检测策略工作原理示意图；[0031]图3是本发明实施例中的算法流程图；[0032]图4是节点分布区域为4000m*4000m时不同算法的效果对比图；[0033]图5是节点分布区域为4000m*5000m时不同算法的效果对比图；[0034]图6是节点分布区域为4000m*6000m时不同算法的效果对比图；[0035]图7是不同算法产生的簇头优化百分比对比关系图。具体实施方式[0036]下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。[0037]需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。[0038]实施例1：[0039]本实施例提供了一种基于图论分析的车联网分簇管理方法，以图1所示的曼哈顿网格结构场景为例做进一步说明。[0040]从图1可以看出，该网络场景由水平和垂直的街道组成，在相同的方向上建造了多条车道，并在街道两边设置了建筑。假设车辆分布服从泊松分布，车辆间距离服从指数分布。路侧单元(rsu)部署问题属于多模式资源约束项目调度问题。因此，rsu节点是根据组合粒子群算法部署的。每个节点都有一个全向天线，所有rsu与车载节点具有相同的通信范围。忽略建筑物对信号衍射和散射的影响，当两个节点之间的欧氏距离小于其通信距离时，可以直接通信，因此，利用这些节点构建的车联网也可以实现相互通信。[0041]根据光滑高斯半马尔可夫动力学模型，将车辆的行驶时间(即进入车联网到离开车辆网的时间)分成等间隔，每一段时间可以表示为：[0042]tk＝tk-1 δt；k＝1,2,....[0043]以平面行走为例，假设车辆节点i的初始位置为在第k时刻的位置是那么我们可以得到：[0044][0045]为时刻k-1车辆节点i的移动速度，为时刻k-1车辆节点i的移动方向。[0046]根据上式，设车辆节点i的位置为(xi,yi)，车辆节点j的位置为(xj,yj),则车辆节点i和车辆节点j之间的欧氏距离可以表示为：[0047][0048]通过将上式与车辆节点的最大传输距离r进行比较，车辆节点间的通信关系可以表示成：[0049][0050]aij＝1表示车辆节点i和车辆节点j之间可以通信，aij＝0表示车辆节点i和车辆节点j之间不能通信，网络中的所有车辆节点之间的关系可以用邻接矩阵a表示：从而可以得到车联网场景模型图，并在此基础上构建出骨干网络。[0051]结合前文分析，本实施例提供的一种基于图论分析的车联网分簇管理方法，具体包括以下步骤：[0052]s1：在预设范围内根据道路规划、路侧节点位置以及车载节点的分布关系建立车联网场景模型图；[0053]s2：在车联网场景模型图中随机选择节点v，从节点v的邻接节点n(v)中选择顶点分值最大的节点加入支配集s中；[0054]s3：在除去节点v和邻接节点n(v)的其它节点中随机选择节点u，并从节点u的邻接节点n(u)中选择顶点分值最大的节点加入到支配集s中；[0055]s4：重复步骤s2和步骤s3，直至所有的节点要么在支配集s中，要么在支配集s中各个节点所对应的邻接节点中，并将最终支配集s中的各个节点作为当前车联网场景模型下骨干网络的簇头节点。[0056]在本实施例中，所述顶点分值按照计算，其中：[0057]给每个节点预先赋予一个频率值freq[i]，scoref(j)表示节点j的顶点分值，c1表示当前由未被覆盖变为覆盖状态的节点集合，c2表示当前由覆盖变为未被覆盖状态的节点集合。[0058]实施例2：[0059]本实施例在实施例1的基础上进一步优化，可以极大减少支配集中节点的数量，为了进一步理解本方法的可行性，本实施例中给出以下定理：支配集s是一个最小支配集，当且仅当任意一个节点u∈s，满足以下两种条件之一：[0060](1)u是s中的孤立节点；[0061](2)存在一个节点v∈v-s，使得n(v)∩s＝{u}。[0062]证明：假设s是图g中的最小支配集。则对于每个节点s-{u}不是支配集。这表示在v-s∪{u}中的节点不被s-{u}中的任何节点支配。现在u＝v，其中u是s中的孤立顶点，或者v∈v-s.如果v不被s-{u}支配，但是被s支配，则顶点v是s中的顶点u的邻接顶点，也就是n(v)∩s＝{u}。相反地，假设s是支配集，对于每个节点两个条件中的一个成立。证明了s是一个最小支配集。假设s不是最小支配集，即存在一个节点使s-{u}是支配集。因此，u至少与s-{u}中的一个顶点相邻，即条件(1)不成立。同样，如果s-{u}是支配集，那么v-s中的每个顶点至少与s-{u}中的一个顶点邻接，即条件(2)对u不成立。因此，条件(1)和(2)都不成立，这与我们的假设相矛盾，即至少有一个条件成立。[0063]因此，本优化算法可以按照以下模型对支配集s中节点的数量进行优化：[0064][0065][0066][0067][0068]其中公式(1)为目标函数，表示寻找最少的支配节点数量，公式(2)为约束条件，表示所有n个节点中，要么属于支配节点，要么属于支配节点的邻接节点，公式(3)中a(i,j)表示节点i和节点j之间的通信标识，公式(4)中xi表示节点i的支配标识。[0069]为了减少优化过程中无意义的更换支配节点，本实施例还提出了格局检测策略，记为cc2策略，只有节点的格局发生变化才是有意义的替换。[0070]如图2所示，框线标识的两个状态是相同的，通过格局检测，路径(a)是合理的，节点v的格局发生了变化，途径(b)是应该避免的。[0071]为了实现cc2策略，本实施例引入一个数组confchange(i)，i＝1～n，数组中的每个元素对应为一个节点的标志位，confchange(i)＝1表示节点i自上次从支配集s中移除后格局发生了变化，confchange(i)＝0则相反；[0072]在数组初始化时，每个元素都设置为1，表示任何节点都可以被选为支配节点，在选择过程中，confchange(i)的更新按照以下规则进行更新：[0073]规则1：节点i中支配集s中移除时，则设confchange(i)＝0；[0074]规则2：当节点j状态发生变化时，节点j的邻接节点n(j)和二层邻接节点n2(j)的格局都发生变化，则设confchange(n(j))＝1。[0075]为了避免新加入到支配集s中的节点立刻被删除，本实施例还利用禁忌算法的思想引入禁忌表forbid_list，最后根据cc2策略和顶点评分规则设计了支配集的优化算法，伪代码如图3所示。[0076]为了体现本发明的可行性，下面我们通过仿真实验对上述方法的效果做进一步验证。[0077]模拟城市中大规模、超密集的车联网场景，在该场景中，节点按均匀分布随机放置在4000m*4000m的二维正方形中。每个节点的最大传输距离设置为1000m。通信距离以内的节点可以直接通信，通信距离以外的节点可以通过骨干网通信。我们将实施例1提出的方法定义为bn算法，将实施例2提出的方法定义为simplestbn算法，将其与参考文献：陈瑶,梁加红,邹顺,等.无人机adhoc网络拓扑控制算法研究[j].计算机仿真,2010(7):5.中提及到的lowest-id算法和highest-degree算法的性能进行对比，具体结果如图4所示，通过图4可以看出，随着节点数量的增加，每个算法选择的簇数也会增加。与其他三种算法相比，simplestbn算法添加的节点数量要少得多，与bn算法相比，簇头数量平均减少了28.87％。实验结果表明，本发明提出的方法，特别是优化后的方法具有较好的减少簇头数量的能力。这是因为本方法在优化时考虑了节点的配置，减少了多个簇头覆盖的节点数量。[0078]同时，图5-图6还展示了不同算法在不同节点、不同区域大小得到的聚类数的比较。从图4、图5和图6也可以看出，在不同的分布区域下，实施例1的性能与现有的算法相当，实施例2选取的簇头数量明显低于其他算法。另外，其他算法得到的簇数随着节点数量的增加而逐渐增加，而实施例2得到的簇头数趋于稳定。特别是从图4-图6可以看出，随着节点密度的增加，实施例2所提及的方法选择的簇头数量变得更加稳定。[0079]最后，由图7可以看出，在不同区域，节点的优化效率随着节点密度的增加而增加，其表达式为：结果表明，节点越密集，算法的优化性能越好。[0080]综上可以看出，本发明提出的一种基于图论分析的车联网分簇管理方法，建立了大规模超密集车联网骨干网络模型，并采用一种新的局部搜索迭代算法对骨干网络进行优化，仿真结果表明，随着节点密度的增加，本方法选择的簇数趋于稳定，优化后的簇数平均减少28.87％，能有效地简化骨干网络。[0081]最后需要说明的是，以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，这样的变换均应涵盖在本发明的权利要求和说明书的范围当中。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
