移动自组网分簇算法研究：面向层次式协作应用

"这篇国防科学技术大学研究生院学位论文主要探讨了人工智能和机器学习在移动自组网（Mobile Ad-hoc Network, MANET）中的应用，尤其是面向层次式协作应用的分簇算法研究。论文深入研究了移动环境下的协作模式、协作组模型、路由协议以及分簇算法，并提出了一种名为MECCA的新分簇算法。" 本文首先介绍了研究背景，包括移动环境协作研究的发展，移动自组网的基本概念，以及层次路由协议和分簇算法的概述。在第二章中，作者详细阐述了移动自组网中的协作组模型，包括基本协作模式、协作组移动模型和通信模型，强调了移动自组网中协作的特点。 第三章则关注于移动自组网中协作应用的路由和分簇优化。作者回顾了路由协议的概述，研究了现有的层次路由协议，并提出了针对协作应用的层次路由方案。同时，论文对现有的分簇算法进行了详尽分析，包括简单分簇、基于节点移动性、复合式、多跳和被动分簇算法，最后提出了针对协作应用的分簇方案。 第四章是论文的核心部分，作者设计了一种名为MECCA（ Mobility-aware Energy-efficient Clustering for Cooperative Applications）的分簇算法。MECCA利用通信量启发式信息来优化簇的生成和维护，旨在提高能源效率和网络稳定性。这一章节详细描述了通信启发式信息的获取、簇生成和维护的过程，并对MECCA算法进行了分析。 第五章对MECCA算法进行了模拟和性能分析。通过NS-2和MANET仿真工具，作者对比了不同分簇算法的簇首数目，分析了网络环境对分簇算法平均簇首数目的影响以及簇首变化频率的影响，验证了MECCA算法的有效性和适应性。 最后，论文总结了研究成果，并指出了未来可能的研究方向。附录中列出了作者在攻读硕士学位期间发表的论文和参与的科研项目，为读者提供了更全面的参考。 这篇论文深入探讨了移动自组网中的人工智能和机器学习应用，特别是如何利用机器学习优化分簇算法以提升协作效率和网络性能，对于理解移动自组网中的协作机制和算法设计具有重要的理论和实践价值。