“车辆自组网的优化路由算法及路况监测研究”

工程科学与技术，国际期刊22（2019）754完整文章车辆自组网的一种优化路由算法H.上午10点，贝洛-萨劳Aibinub，刺果草Z.Wangc，A.J.Onumanyid，E.N.Onwukad，J.J.Dukiyaea尼日利亚扎里亚艾哈迈杜贝洛大学计算机工程系b尼日利亚明纳联邦理工大学机电工程系c南非佛罗里达州南非大学工程学院电气和采矿工程系d尼日利亚明纳联邦技术大学电信工程系e尼日利亚尼日尔州明纳联邦理工大学运输管理系阿提奇莱因福奥文章历史记录：2018年1月19日收到2019年1月29日修订2019年1月29日接受在线提供2019年保留字：遗传算法路由算法路由优化路由协议路由度量VANETA B S T R A C T有效的路由算法是保证车载自组织网络可靠通信的关键。在本文中，我们提出了一个双重的方法，需要设计一个新的路由度量VANET通信，它考虑了重要的参数，如接收信号强度，发射功率，频率和路径损耗。我们进一步提出了一种改进的遗传算法为基础的路由优化技术（IGAROT），保证更好的路由在VANESTO。我们使用IGAROT来确定最佳路线，以有效地沟通车辆之间的道路异常。在相同的仿真条件下，将该算法与传统的遗传算法进行了性能比较基于平均路线的结果，我们的研究结果表明，IGAROT提供了4.24%，75.7%和420%的增量比传统的遗传算法在低，中，高汽车密度的情况下，分别。我们的研究结果表明，IGAROT改善了车辆之间的道路异常通信，从而使驾驶员能够更好地导航异常道路，以减少道路异常引起的事故。我们的系统的进一步益处可以包括经由车辆到基础设施通信及时通知道路维护机构关于持续的道路状况。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍车辆自组网（VANET）是一种利用移动车辆作为网络中的节点来创建移动网络的技术。VANET将每辆参与车辆变成一个无线路由器或节点，允许车辆的传输半径在100到300米之间。因此，在此范围内的车辆可以连接并进而创建具有更宽范围的网络[1，2]。VANET包括两个主要组成部分，即车辆和路边基础设施。这些组件通常在车辆之间建立通信，描述为车辆到车辆（V2V）通信，或者在车辆和路边基础设施之间建立通信，称为车辆到基础设施（V2I）通信。通常，所传达的信息通常与交通状况[2，3]、路面状况[2，4-8]、信息保持[2，3，9]等相关，以确保生命和财产安全，*通讯作者。电子邮件地址：bellosalau@abu.edu.ng（H. Bello-Salau）。由Karabuk大学负责进行同行审查尽管VANET在VANET中，影响有效路由的动态因素很多，因此构建一个能够保证VANET中可靠路由的这些要求（包括开发鲁棒的路由通信指标以及有效的路由算法）是VANET开发人员的重要问题，在这方面的贡献有助于激励本文提出的方法。已知的是，通过开发鲁棒的VANET通信路由度量并使用鲁棒的路由优化技术来确定用于通信的最佳路由，可以容易地解决上述限制。然而，很少有度量存在，考虑必要的参数，如接收信号强度，发射功率，频率和有效通信所需的路径损耗因此，将尽可能多的参数合并到单个度量中是开发可靠的通信系统以用于在VAN中进行路线优化的关键要求此外，关于路由优化，关于使用遗传算法（GA）路由的主要限制在于其频繁收敛到次优解。因此，这意味着https://doi.org/10.1016/j.jestch.2019.01.0162215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchH. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754755通过优化不佳的路由发送的信息可能经历更长的延迟。这些延迟可能因此阻止驾驶员接收可能潜在地防止可能的道路事故的早期警告信号因此，有必要改进遗传算法的性能，设计一种新的综合评价指标来进行VANET路由优化。因此，在本文中，我们提出了一种双重方法来改善V2I通信。第一个需要开发VANET通信路由度量，该度量在其设计中考虑了基本参数，包括接收信号强度、发射功率、频率和路径损耗。其次，提出了一种改进的我们将IGAROT应用于温哥华的道路异常通信。我们的研究结果提供了以下贡献：1) 我们开发了一种新的路线优化指标，用于在车辆和基础设施之间传递路面信息。该指标包括接收信号强度、路径损耗、发射功率和通信频率等关键参数。2) 我们已经开发了一种改进的遗传算法为基础的路由算法称为IGAROT ， 以 确 定 数 据 传 输 的 最 佳 路 线 。 我 们 提 出 的IGAROT克服了与使用传统的遗传算法进行路由优化的收敛到次优解的挑战。3) 我们提出的IGAROT和开发的路由度量，导致了一个全新的V2I通信的VANET路由方案。我们组织其余的文件如下：第2提出了一个简短的文献综述，我们提出的路由算法在第3中描述。第4节介绍了分析方法，第5介绍并讨论了本文的研究结果我们在第6中提供了结论性意见。2. 相关作品本节概述了文献中报告的推动本研究的一些成就。基本上，大多数VANET通信系统模型的主要限制是它们未能在其设计中考虑许多基本指标，例如接收信号强度，路径损耗，发射功率和频率[10在这方面，研究人员已经多次尝试使用基于不同群体的元启发式优化技术，这些技术通常受到生物进化论和遗传学的启发，以优化通信路线[9，12在这种情况下，使用遗传算法（GA）脱颖而出[14然而，大多数基于GA的路由优化方法的主要限制在于它们在复杂网络（大量节点）中收敛到次优解。在[10]中提出了一种确保VANET通信中形成稳定集群和稳定性的技术，以及[11]中的类似方法。作者在[10，11]中将车辆移动性视为其设计中的一个因素。基于概率信息素浓度的路由信息被认为是具有较少跳数和较长生命周期的路由路径。此外，协议中规定的信标消息用于使车辆了解同一组中其他车辆的信息。这保证了稳定性和可靠性。得到的结果表明，在路由开销，端到端的延迟，以及数据包的交付率相比，多播ad-hoc按需距离矢量的性能得到了改善。然而，所提出的系统不监测的质量组播树链路，也不预测可能的链路故障。蚁群优化（ACO）算法已被应用于几种方式，以确保最佳和可靠的信息路由在VANET[9，12，17]。这需要开发目标函数，以确定多条路由中的最佳路由或在链路故障期间找到替代路由通常，报告的结果显示在减少链路故障以及在所有可能的通信路由中确定最佳路由方面的然而，他们的模型缺乏对发射功率、接收信号强度、频率和路径损耗等基本指标的考虑此外，蚁群算法中的信息素浓度、信息素蒸发速率等参数对算法性能的影响也没有进行研究。在[18]中分析了用于在最优链路状态路由（OLSR）中获得最优QoS参数配置的自动智能方法。在[13]中考虑了四种不同的元启发式算法，即GA、模拟退火、差分进化和粒子群优化。实验结果表明，模拟退火算法的性能优于其他元启发式算法。然而，与OLSR相比，计算路径需要更长的时间文献[14]提出了一种新的基于遗传算法的替代路径搜索算法。创建了一个流量数据库，用于记录流量状态。该方法在系统故障或高交通量期间基于当前道路状况动态地搜索替代路线实验结果表明，该方法可以有效地搜索车辆导航的最佳替代路线。没有考虑调整GA优化参数以保证最优值。此外，没有审查替代搜索路线的可靠性。在[19]中提出了一种新的基于可靠性的VANET路由方案，其中[20]中提出了一种基于进化图模型的类似方法。采用一种能够预测无线链路状态的概率函数对链路可靠性进行建模它需要从源节点到所有其他节点（车辆）的路由请求消息的连续更新和广播仿真结果表明，与基于预测的路由协议相比，该协议在端到端时延、数据包投递率、链路故障率和路由请求率等方面都有较好的性能然而，它在计算上是复杂的。此外，在其设计中未考虑路径损耗、发射功率和频率等基本在[21]中给出了针对VANET中路由提出的不同生物启发方法的调查。结果表明，仿生VANET路由方法具有更强的鲁棒性，能够适应网络中断，从而保证大规模VANET中数据包的高效传输，且复杂度较低VANET仿生路由方法分为三种，即：进化算法，群体智能和其他VANET仿生方法。从复杂性、可扩展性、移动模型、鲁棒性和QoS路由性能等方面对每一类协议进行了详细的概述。分析表明，仿生方法可以提高VANET路由性能的上述计算指标。类似地，VANET中不同的基于位置的路由方法的综述在[22]中给出。由于VANET网络拓扑结构的快速变化，基于位置的路由协议更适合于VANET网络。每一个基于位置的路由协议的优点和缺点突出。然而，一个混合协议的结论是在高速公路和城市环境中的VANET路由的最佳选择。这可以帮助解决由于定位不准确而导致的局部最大值问题的挑战。756H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754在[23]中，研究了基于位置的V2V路由协议在不同车辆密度和速度下的性能。根据调查得出的结论是，一些因素，如源节点到目的地的距离，车辆密度，速度和方向是至关重要的发展不同的基于位置的路由协议。我们的目标是提高性能的路由开销比，数据包投递率，平均端到端延迟方面。然而，有必要在一个单一的设计中考虑更多的指标，以开发更智能和鲁棒的VANET路由协议。类似地，在[24]中研究和分析了基于智能位置的VANET路由协议的开发中车辆密度和速度的影响。具体而言，两个基于位置的路由协议，即基于运动预测的路由（MOPR）和改进的贪婪流量感知路由（IGyTAR）算法进行了分析的数据包投递率，平均端到端延迟，链路故障率以及路由开销。结果表明，IGyTAR在端-端延迟、路由开销和分组投递率方面优于MOPR和贪婪边界无状态路由（GPSR）。而在链路故障检测方面，MOPR算法的性能更好。此外，在[25]中提出了车辆环境中的车辆延迟容忍网络（VDTN）路由协议的调查。不同的协议进行了检查，以确保是否适合在VDTN路由进一步的建议，开放的研究问题，以提高路由协议的性能其他VANET路由协议，这是非元启发式在关注多播方法的文献中也报道了基于的方法在[26]中对不同的组播路由协议进行了综述。目的是研究和分类组播路由协议到地理广播和基于簇的类别。指出在动态网络环境中，组播路由协议更适合于动态网络环境，更适用于动态网络环境该协议通过利用从源节点到多个目的地或通过洪泛、主动和被动技术向感兴趣的节点同时传输消息来最小化网络功耗、传输和控制开销关于每个多播路由协议的优点和缺点的更多细节可以在[26]中找到。然而，特别重要的是提高网络的可扩展性，吞吐量和减少端到端延迟。一种类似的方法，检查不同的VANET集群设计与各种方法中使用的选举，隶属和管理簇头在[27]中提出。此外，最近在[31]中提出了基于选择HLF染色体组中的个体的GA选择方法的另一种变体。类似地，在[16]中提出了用于全局数学测试函数和路线优化的自适应GA的变体。所获得的结果表明，更好的性能相比，遗传算法的基础上的轮盘轮选择方法。在[32]中，提出了一种GA方法，该方法需要选择弱仿真结果表明，与轮盘赌和秩选择的遗传算法相比，性能更好。在[33]中提出了一种基于流体遗传算法（FGA）的路线优化技术，该技术需要用智能种群多样性取代GA中的变异过程。与传统遗传算法相比，该算法在收敛性、速度和准确性方面都有明显的提高。在文献[34，35]中研究了几种遗传算法选择方法，即精英主义，轮盘赌和锦标赛，用于解决路线优化问题，并报告了改进的性能在[15，36，37]中还提出了具有一夫多妻选择方法的GA的其他变体，与传统GA相比具有改进的收敛性能。然而，GA选择方法的这些变体的主要限制是它们由于染色体过度拟合而收敛到次优解[15，33，38]。此外，这些技术的性能下降时，应用到路由优化涉及更多的节点/城市（超过10）。3. 推荐路由算法本节介绍了设计我们提出的优化路由算法所采用的方法。我们考虑了 三 个 阶 段 ， 即 ， 新 的 路 由 度 量 的 设 计 ， 建 议 的 优 化 路 由 算 法（IGAROT）和描述的车辆到基础设施（V2I）路由协议锚我们建议IGAROT。 我们在图中总结了这个过程。 1，并对每个阶段进行详细说明，如下所示：3.1. 路由度量我们提出了一个新的路由度量，确定如何合适的通信链路Lw将是两个点i和j之间的路由信息分开一定的距离，dij。每个车辆的全球定位系统（GPS）坐标用于计算欧几里得距离dij，表示为重点介绍了为VAN设计鲁棒的基于簇的路由协议的研究趋势，dijqyi-yj2xi-xj2ð1Þ[27]. 然而，在使用基于集群的路由方法的主要限制是缺乏一个现实的车辆信道模型。在 [28] 中 提 出 了 一 种使 用 VANET 集 群 方 案 （ VANET clusterscheme ， 简 称 RTVC ） 和 VANET 多 播 路 由 （ VANET multicastrouting，简称VMR）来开发用于实时车辆通信（RTVC）的框架的方法。提出的框架能够实现高吞吐量的消息传递到它通过分别利用VMR和GPRS的强度来确保车辆之间的稳定通信。在建议的RTVC框架中，车辆的平均速度和方向被用来形成车辆之间的集群，以实现消息路由的稳定性，同时利用VMR的数据包传递到目的地车辆。结果表明，该框架实现了高吞吐量和低开销，尽管网络的动态性在[29]中，轮盘赌轮和秩选择技术的混合被用于开发GA的新变体，其具有在[30]中提出的类似方法。这些变种的GA表现出更好的性能相比，GA与轮盘赌轮选择。其中，xi;yi和xj;yj表示车辆i和j的坐标分别在我们的计算中考虑了符合IEEE 802.11p（WAVE）标准的0dBm的传输功率Ptx。使用IEEE802.11P是因为其确保在VANET网络内以低延迟成功传递信息的优点[28]，因此满足安全应用的VANET延迟要求[39，40]。目的地基础设施处的接收信号强度（RSS）dv和每个链路上的路径损耗PLwLw提供了对通信链路质量的度量。考虑到自由空间路径损耗（dB），PLw建模为[41]：Fig. 1. 建议的路由系统的设计过程。H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754757¼¼Yð Þ¼ ðÞP2MPLW¼20log10dij 20log10f- 147： 552其中f是以Hz为单位的信号频率，并且di j是通过（1）计算的以米为单位的欧几里德距离。我们使用自由空间模型因为我们假设车辆之间的距离通常是无障碍的并且落在视线内。未来的工作可能会考虑更现实的路径损耗模型，而不一定违反我们提出的框架的原则。dv处的RSS计算如下：RSSw¼Ptx-PLw300因此，构成从车辆i到j的单个通信路线P的各个链路Lw的路线度量rw由下式给出：aexp1-RSSw计算图1中每个通信链路的路由度量的过程。 二、3.2. 推荐优化路由算法（IGAROT）IGAROT是GA的一个变种在IGAROT中，我们简单地将GA选择方法替换为K-Means聚类技术，该技术来自[15]中提出的路线优化的类似概念。IGAROT使用的车辆数量参与VANET通信方案随机初始化的人口的个人，这作为初始解决方案在预期的搜索空间。为了说明，如果我们考虑10辆车的低密度通信场景，那么这将导致随机生成，rw¼RSSThvijð4Þ1 × 10的初始种群规模。然后，算法形成通过从初始解中选择最佳解，经过几代人的进化，其中RSSTh是最大接收信号强度（阈值值），a是使用车辆的变化速度vij的标准偏差记录在路由表中，而B是引入的校正参数，以保证（4）存在于零速度（当车辆静止时）。当量（4）是一个标准化的路由度量，我们提出它来评估一个路由对于数据传输的适合程度。从本质上讲，我们构建了这个路线度量考虑以下关系：一个固定的车辆是更适合形成一个良好的通信链路比移动车辆，因为移动车辆是非常容易受到衰落信道条件。因此，随着车辆减速，建立稳定的通信链路变得更容易。这一要求说明了方程中的反比关系。（4）路径度量与车辆速度之间的关系此外，我们注意到，车辆收发器处的较强接收信号强度（RSS）值因此，该质量说明了RSS与等式（1）中的路由度量之间的直接关系。（4）.然而，为了确保我们的新度量在车辆停止时（速度= 0）不会趋于无穷大，我们在等式中引入了校正参数b。（4），而我们引入参数a归一化RSS的指数效应我们称之为尺度参数因为它简单地放大了通常由RSS的指数函数产生的小值。这些参数采用典型值的一个10，和b1。通常，每个车辆使用其速度计测量其速度，并将该速度值传送到其传输范围内的其他车辆。此外，在源车辆sv和目的地基础设施dv之间存在具有多个潜在路线的可能性。因此，在本发明中，K表示链 路 的总数，L11 1/4 ×v; n1× n，L2 1/4×n1; n2× n.。 .Lkn k;dv对于给定的路线，P。因此，给定P的总路由度量RP是形成路由的所有连接链路的路由度量的乘积：KRPsv;dvrw 5w1因此，路由任务简化为从存在于i和j之间的所有可能路由的集合Pnn1;2;：;M中选择候选路由Pω。因此，我们最大化目标函数如下：ZPωargmaxfRPng;8n1;2;：;M 6其中M是源车辆sv和目的地基础设施dv之间的可能路线的总数。最终目标是通过使用所提出的称为IGAROT的路由算法（将在下面描述）来最大化（6）我们提出的IGAROT以及在（6）提出了一种新的最优路由方案。我们提出一个总结称为解决方案。IGAROT评估每个单独解决方案的适应度，使用在（6）中提出的通信系统模型来进行通信。一种基于K-Means聚类技术的非概率方法选择单个染色体用于IGAROT中该技术在每个世代中选择好的组染色体簇（GGCC），从而提高群体的多样性。该算法通过评估个体染色体的适应度并根据其适应度值将其聚类为两个不重叠的组选择两组进行聚类的原因是为了确保图二.用于计算通信链路的路由度量的流程图。758H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）7542i1j1每条染色体属于GGCC或Fair Group染色体簇（FGCC）。从本质上讲，IGAROT在选择过程中使用K-Means在这里，GGCC包含基于其适应度值的最适合的染色体，而FGCC包含较弱的染色体。因此，IGAROT在选择过程中使用这种分组的确定性方法来过滤掉较弱的染色体，而不是使用通用GA算法中的概率轮盘方法。有趣的是，这种方法保证了更强的染色体被传递给后续的几代，这意味着在迭代过程中将计算出具有更高路由度量的更好的路由。总之，这解释了染色体和路由度量之间的关系，因为网络中每个链路的每个路由度量通常在IGAROT过程中被编码为染色体。此外，使用K-Means聚类方法通过引入高选择压力并通过选择GGCC的簇来增加平均适应度值来提高GA过程的收敛速度。迭代K-Means算法最小化每个染色体与其聚类质心之间的距离之和。K-Means将种群中个体的染色体移动到一个聚类中，以将它们适当地分组。与质心的距离。 在数学上，令T是在染色体组中的一组N个染色体的总分散点第i代表示为或者经过了预定数量的代，其用作停止标准。我们在图3的流程图中总结了IGAROT的过程。我们提出的IGAROT和[15]中开发的具有一夫多妻制的聚类GA之间在选择过程、交叉、突变和精英主义方面的主要差异总结在表2中。3.3. 车辆到基础设施（V2I）路由协议的描述我们基于以下假设开发了V2I路由协议：1. VANET中的每辆车都配备有GPS设备，以了解它们各自的位置。2. 每辆车都有一个收发器，以便进行通信。3. 每个车辆可以在任何时候通过其速度计测量其瞬时速度，并且可以通过其收发器将该信息发送到基础设施/车辆。4. 车辆仅在停止或减速到预定速度以下时才传输路面信息。我们呈现图4中的图示以便描述锚定所提出的IGAROT的V2I路由协议。本质上，整个路线选择过程涉及源车辆sv（参见图4），其能够检测道路异常的存在，并且能够N NT¼1X Xd xi;xj 7其中d=xi;xj=两条染色体之间的距离。我们将（7）以一般形式表示为T¼ W C BC 8其中W<$C<$是类内分散距离，B<$C <$是聚类之间的距离，Ci表示第i个观测的聚类数[15]。该算法选择聚类中距离较大的染色体我们在表1中总结了K-Means聚类算法。初始染色体群体的大小通常由于K均值聚类过程而减小，因为仅选择GGCCGGCC中的该染色体群体通常使用精英选择的方法增加回到初始群体大小这种概率替换确保算法随机选择一定百分比的更合适的个体染色体，以增加GGCC中的群体大小。然后，在交叉过程中，种群经历两点染色体倒置过程，以产生新的后代。然后，该算法使用一点染色体反转，以确保变异形式的人口的多样性。我们采用了精英主义，以确保达成一项全球解决方案。该算法在迭代过程完成后，生成计数器增加1，形成一个新的种群。我们提出的IGAROT与精英主义继续进行，直到它满足收敛标准要通过多个端口将此数据发送到目的地基础架构dv，啤酒花目的地基础设施接收感测到的数据并将其托管在数据库中，以供其他车辆获得关于道路状态的访问，并供道路维护机构安排可能的维护例程。我们提出的路由协议涉及以下步骤：1. 感测到道路异常的源车辆sv向其传输范围内的所有车辆发出广播请求，以确定目的地基础设施dv的地址。 在这种情况下（见图）。4），在源的传输范围内的所有车辆，诸如图4中的车辆1和2都接收请求分组。广播分组的结构如图5所示，其中给出了每个分组字段的描述表3所该分组包含源MAC地址（Smac）、目的地MAC地址（Dmac）、源GPS（Sgps）、源速度（SV）和通用目的地标志（GDF）字段。2. 源车辆的传输范围内的所有车辆接收广播分组，然后检查“通用目的地标志”字段以确定该消息是否用于基础设施。当标志设置为1时（意味着这意味着用于基础设施），车辆简单地将以下信息附加到分组的报头：跳MAC地址（ Hmac）、跳GPS（ Hgps）、跳速度（Hv），如图6所示，然后重新广播该消息，以便向基础设施向前传输。在每一跳车辆的转播过程中，每一辆车都检查表1K-Means聚类过程的摘要。算法1：K均值聚类1. 随机选择两个染色体适应度聚类质心C1和C2。2. 计算每个个体适应值与聚类质心之间的距离3. 根据计算的质心距离将个体适应值分配到适当的聚类中4. 在将染色体的适应值分配给聚类后，重新计算两个质心的位置5. 重新执行步骤2、3和4，直至获得质心稳定性，并且在染色体适应度值簇中未观察到变化，从而导致GGCC和FGCC6. 比较两个质心，具有较高数值质心值的一个被分配给GGCC，而另一个聚类被分配给FGCC7. 终止群集进程H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754759图3.第三章。开发的IGAROT与精英算法的流程图表2比较聚类遗传算法和建议IGAROT路由优化。表3数据包字段的说明。S/NO GA聚类GA IGAROT字段说明过程1.Yes Yes源MAC地址（Smac）识别源车辆2.适应度评估是是目的MAC地址（Dmac）确定目标基础架构3.选择拟合度较低的K均值染色体簇（LFCC）丢弃选择概率替换的K-均值源GPS（Sgps）确定源车辆震源速度（SV）记录震源4.交叉试验一夫多妻制与人口控制两点染色体倒位通用目的地车辆来标识目标目的地节点，它可以5.突变位恢复器或字符串重新排序一点染色体倒位国旗（GDF）取决于通用目的地标志是基础设施还是交通工具（1 =基础设施，6.精英主义子女父母更替不良染色体更替百分比跳MAC地址（Hmac）0 =溶剂）识别传输范围内接收到广播的跳车，检查广播并向下一跳转播到目的地基础设施图四、从源车辆发出的广播请求的图示跳GPS（Hgps）确定跳车辆跳速（HV）记录跳速车辆图五、从源车辆发送的广播数据包每个分组的跳字段，以便确定始发跳地址是否已经存在于分组中。如果它存在，跳车辆简单地丢弃数据包;否则，它在向前传输之前附加自己的跳信息。此机制有助于防止网络内的广播洪泛问题。此外，它还确保来自源车辆的消息始终朝着目的地基础设施前进，而不会在网络中循环。3. 基于定义的最大跳数，源消息通过多跳（例如，通过图4中的车辆1-5）被发送在此过程中，初始源数据包与附加到它的不同跳信息一起到达目的地基础设施。图六、从跳车发送的广播数据包4. 在目的地基础设施处，基础设施提取分组内的信息。然后，目的地基础设施使用数据包中的信息来开发整个网络的完整路由表，如表4所示。760H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754表4网络路由表。源车辆GPS（Sgps）通用目的地标志（GDF）跳GPS（Hgps）跳速度（HV）目的地（Ggps）5. 基于所获取的关于整个网络的信息，目的地基础设施使用IGAROT来计算返回源车辆的最佳路径，如图所示。7.第一次会议。6. 基础设施使用最佳计算的路径将确认发送回源车辆，例如，通过图1中的车辆5、4和2到源车辆。7.第一次会议。7. 然后，源车辆使用放置在确认分组内的最优路径将感测到的道路异常数据发送回基础设施，如图8所示。这些数据存储在基础设施的数据库中，并定期更新，以便其他车辆或道路维护机构将来访问。8. 在网络内已经发生收敛之后，基础结构的数据库被认为基于整个道路网络的当前状况而因此，行驶或打算行驶道路网络的驾驶员可以容易地查询最近的基础设施数据库以获得道路的状态，以便改善驾驶体验/决策。4. 分析方法我们分析了IGAROT，并将其性能与已知的传统GA布线算法进行了比较。我们考虑了三种不同的可能的汽车密度的情况下，可能存在于一个典型的VANET。它们是：（1）低汽车密度，（2）中等汽车密度和（3）高汽车密度场景，每个场景分别包括10，20和30辆汽车。这些是使用均匀随机分布生成的，并部署在1000 × 1000 m定义的物理网络空间内。我们的总体目标是基于IGAROT并将其性能与传统GA进行比较，根据（6）中我们在图1和图2中显示了汽车节点的不同分布。9 -11分别为了证明我们的概念。观察汽车密度如何在每个场景中增加，从而使更多的汽车参与通信过程。网络中更多的通信车辆通常会使路由过程复杂化，我们试图通过我们的新方法来调查。我们微调IGAROT和传统的GA，以确定最合适的参数值，更好的解决方案和收敛到最佳路由度量的路由。IGAROT的参数是交叉概率（Pc）、突变概率（Pm）、精英概率（Pe）、不良染色体选择替换概率（Ps）以及群体大小（Popsize）和世代数（Numgen）。而遗传算法参数的调整是Pc，Pm，Popsize以及Numgen对其性能的影响。在IGAROT微调中，Pc，Pm，Pe，Ps。Popsize和Numgen分别设定为0.4、0.01、0.3、0.6、100和1000。我们调整了传统的GA使用相同的初始值IGAROT。Pc在0.1-1范围内变化，增量为0.1，Pm在0 - 0.1范围内变化，增量为0.01，Popsize在20-100范围内变化，增量为10，Numgen在100 - 1000范围内变化，增量为100，Pe和Ps从0到1递增变化，增量为0.1。在调整这些路由算法，我们进行了100个独立的模拟的参数范围的基础上较早的声明。我们在表5中列出了100次独立模拟的平均最佳参数值。我们将这些参数设置用于IGAROT和常规GA，以优化（6）中的路由度量模型。这决定了最好图7.第一次会议。通过基础设施计算的最优路径的图示见图8。将检测到的异常发送到基础设施的最佳路径图示。图9.第九条。低密度VANET通信场景。H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754761--图10个。中密度VANET通信场景。图十一岁高密度VANET通信场景。可靠的通信路由，以将道路异常数据从发送车辆（节点）发送到目的地基础设施（V2I）。从表5中可以看出，IGAROT在低、中和高车辆密度情况下分别获得了这些值是较小的相比，0.5，0.6和0.7的最佳值为传统的遗传算法获得的低这可能归因于这些算法的统计性质。同样，可以看出，IGAROT的每个通信场景随着车辆数量的增加而增加。一个恒定的值Pm = 0.03，在三种情况下考虑GA。可以推断，通信网络越密集，所提出的IGAROT所需的变异概率这在种群中引入了多样性，以确保更好地收敛到最优解。我们注意到，对于低密度场景，所提出的IGAROT和GA两者都获得了60的最佳Popsize，这低于具有80Popsize的中密度和高密度场景。一个可能的原因可能是，低密度场景中较少数量的车辆（10）足以提供适当的搜索空间，而中密度和高密度场景由于V2I通信中涉及的车辆数量增加而较高。此外，对于低密度场景，GA和IGAROT分别获得了200和600 Numgen值;这可能是由于通信过程中涉及的车辆数量较少。然而，我们注意到，该算法通常需要更高的Numgen值，以便在中密度和高密度通信场景中收敛于全局最优值。一个原因可能是算法倾向于探索更多的搜索空间而不是利用。为提高IGAROT的性能而获得的精英主义概率值分别为0.2、0.3和0.4。0.4分别针对低密度、中等密度和高密度的情况观察到这些值随着网络中涉及的车辆越来越多而变得越来越密集而稳定地增加一个合乎逻辑的解释可能是，随着网络变得越来越密集，需要在算法中替换较差的染色体我们根据本节的参数对两种算法进行了评估，并在下一节中报告了我们的发现。5. 结果和讨论在本节中，我们将介绍并讨论基于GA和IGAROT应用于V2I路由优化问题的结果。5.1. 遗传算法在V2I路由优化中的应用使用具有如表5中所述的最优参数设置的GA来优化（6）中的路由度量通信模型，以确定最可靠的路由。 在图1A和1B中呈现了用于V2I通信场景中的每一个的初始解决方案。12-14分别用于低、中和高密度情景。显然，在所有的模拟进行的初始解决方案由GA形成的路线是不是最优的。低密度的第一次迭代后的总路由度量为3.3754e 5，而中等密度的第一次迭代后的总路由度量为3.2598e 10。 这些在图1和图2中可视化。分别为12和13。类似地，在高密度场景的第一次迭代之后，使用表5为每个V2 I通信场景调整最佳IGAROT/GA参数GA参数低密度中密度高密度IGAROTGAIGAROT GAIGAROTGA交叉概率（Pc）0.20.50.4 O.60.60.7突变概率（Pm）0.010.030.02 0.030.040.03人口规模（Popsize）606080 808080生成数量（Numgen）600200900 9001000900精英概率（Pe）0.2NR0.3 NR0.4NR不良染色体选择替换概率（Ps）0.5NR0.5 NR0.5NR762H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754-----------图12个。V2I路由优化低密度的初始GA解决方案图13岁V2I路由优化的初始GA解决方案中等密度。作为初始解的GA算法是1.0967e 14，具有图14所示的次优路线。通常观察到，使用GA获得的总路由度量随着图十四岁 V2I路由优化的初始GA解决方案高密度。随着车辆数量的增加，通信场景变得更加密集。注意，使用相同的GA最优参数设置进行了100个不同的独立模拟，并且在表6中总结了获得的最佳、平均和最小适应度路由度量。针对低密度通信场景获得的最佳、平均和最小适应性路由度量值分别为4.6944e 5、4.3921e 5和4.2272e 5（参见表6）。与中密度的1.4246e 9和高密度的0.8209e 13相比，该高的最佳适应性路线度量可以归因于与中密度和高密度V2I场景中分别涉及的20和30个车辆相比，V2I通信中涉及的车辆数量少（10个节点）图1是遗传算法形成的最优最佳可靠路线图。图15示出了用于低密度场景的最不可靠的通信路由，而图16示出了用于低密度场景的最不可靠的通信路由。中场景的最佳和最小适应性路由度量图如图1A和1B所示。17和18，而高密度的情况下，示出了图17和图18。 19和20使用单跳或多跳路由将道路异常传送到目的地基础设施。5.2. IGAROT在V2I路由优化中的应用我们在本节中展示了使用表5中给出的最佳参数设置获得的IGAROT结果。图21 -23分别介绍了IGAROT对低、中、高密度方案的初步解决方案。通常观察到IGAROT第一次迭代后形成的初始解收敛到次优解。该算法第一次迭代后得到的总路由度量为3.4156e5为低密度图21，图22中的中等密度为3.4457e 10，表7中的高密度为6.9059e14。对于低密度通信场景，获得了4.6944e 5、4.5782e 5和4.2822e 5的最佳路由度量适应度值（参见表7）。图图24和图25呈现了低密度场景的最少和最佳通信路由。IGAROT形成的初始解决方案具有更高的总路由度量与改进的性能相比，遗传算法。我们使用IGAROT进行了100次不同的独立模拟，最佳参数设置见表5。针对低场景获得的最佳、平均和最小路线度量适应度值归因于V2I通信中涉及的车辆数量较少（10个节点），而中等和高密度V2I通信中分别涉及20和30辆车辆。低密度的最佳适应值反映了IGAROT与GA相比对搜索空间的探索 我们在图中显示。图24是IGAROT在低密度情况下用次优解得到的最不可靠的结果。中场景的最小和最佳拟合路由度量图如图2和3所示。分别是26和27。虽然图图28和图29呈现了高密度情况下的最少和最佳可靠通信路由。仔细观察图23的初始解和图29中呈现的高密度的最佳适应可靠路线，示出了初始次优解的巨大改进。该路由协议利用可靠的通信路径将检测到的道路异常信息从发送车辆通过多跳路由到目的地基础设施。表6遗传算法最佳，平均和最小适应度可靠性的几个模拟。平均适合度4.3921e-5 1.1797e-9 0.9757e-13最小适合度4.2272e-51.0348e-90.8209e-13适应度值低密度中密度高密度最佳健身4.6944e-51.4246e-91.1150e-13H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754763图十五岁最佳适应度可靠通信路由低密度（GA）。图十八岁最小适应度可靠通信路由中密度（GA）。图十六岁 最小适应度可靠通信路由低密度（GA）。图十九岁最佳适应度可靠通信路由高密度（GA）。图十七岁最佳适应度可靠通信路由中密度（GA）。图20. 最小适应度可靠通信路由高密度（GA）。764H. Bello-Salau等人/工程科学与技术，国际期刊22（2019）754-图21岁低车辆密度场景下V2I路线优化的初始IGAROT解决方案图22.中等车辆密度场景下V2I路线优化的初始IGAROT解决方案。图23.高车辆密度场景下V2I路线优化的初始IGAROT解决方案。表7IGAROT几种模拟的最佳、平均和最小适应度可靠性。平均适合度4.5782e-5 2.0729e-9 5.0821e-13最小适合度4.2822e-51.9818e-94.3167e-13图24. 最低适应度可靠通信路由低密度（IGAROT）。图二十五最佳健身可靠通信路由低密度（IGAROT）。5.3. VANET路由优化我们在这里提出了一个比较性能分析GA和IGAROT模型的基础上（6）。使用表5中每个算法获得的最佳参数设置，在表8中报告了100个不同独立模拟的平均值。我们将这两种算法应用于物理