沙特国王大学学报基于学习自动机的无线传感器网络Sateesh Gudlaa， Nageswara Rao Kudaba印度琼纳达Lendi工程技术学院计算机科学与工程b印度维沙卡帕特南安得拉大学计算机科学与系统工程阿提奇莱因福奥文章历史记录：收到2020年2021年4月15日修订2021年4月16日接受2021年4月30日在线提供保留字：A-star算法节能路由路径学习自动机寿命无线传感器网络A B S T R A C T无线传感器网络（WSNs）因其广泛的应用而成为主要的数据收集模式。实现节能可靠的数据传输是无线传感器网络的一个重要问题。在网络中，数据包丢失降低了可靠的数据传输速率.需要重传以增加可靠的数据传输速率。然而，重传的次数也增加了网络的能量消耗和分组传递延迟。为了降低无线传感器网络的丢包率，在路由路径上选择最佳的节点，提出了一种基于学习自动机的无线传感器网络路由机制，以实现能量有效性和可靠的数据传输。本文采用学习自动机，根据节点得分、链路质量和前一个节点的选择概率，计算路由路径中下一个节点的选择概率。在此基础上，提出了一种结合学习自动机和A-star搜索算法的节能可靠路由机制。该机制通过最大剩余能量、良好的链路质量、更多的空闲缓冲空间和更短的距离来确定能量有效和可靠的路由路径。仿真结果表明，该算法降低了能量消耗、数据传输延迟和数据传输量，延长了网络生存时间。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无线传感器网络（WSNs）由于其若干应用而成为主要的信息收集和传递范例，包括核电站和桥梁的健康监测、洪水警报报告、环境监测、森林火灾探测和军事监视（Akyildiz等人，2002; Akyildiz和Kasimoglu，2004; Rault等人， 2014年）。通常，传感器节点收集物理世界的数据，并使用多跳通信中继到汇聚节点（在那里进行数据处理传感器节点具有有限的资源，例如电池容量、存储器、计算和通信。此外，传感器网络将在动态环境中随机部署*通讯作者。电 子 邮 件 地 址 ： sateesh. lendi.org （ S.Gudla ） ， knrao2038@gmail.com（N.R.Kuda）。沙特国王大学负责同行审查（Misra等人，2014年）。因此，传感器节点可能由于链路质量差、没有空闲缓冲器（以容纳分组）和节点处的剩余能量而丢弃分组。可靠的数据传输和能量有效性是无线传感器网络中的主要问题，而数据包丢失率是影响数据传输和能量有效性的主要因素。传感器节点可以对丢弃的数据包进行重传以实现可靠的数据传递（Mahmood等人，2015; Lai等人，2017年）。然而，数据包重传增加了节点的能量消耗，也增加了数据包传输延迟。因此，分组重传在时间敏感的应用中不是一种有效的方法 ，报 告与 地 震和 海啸 、 化学 品 爆炸 和 森林 火灾 有 关的 警 报（Akyildiz和Kasimoglu，2004年;Alshawi等人，2012; Shen等人，2014; Gungor和Hancke，2009;Elshrkawey等人， 2018年）。 路由路径中后继节点的选择过程是能量有效路由协议设计的关键部分。通过选择具有最高剩余能量、空闲可用缓冲区、良好链路质量和较小距离的后继节点，可以降低丢包率。在这项工作中，学习自动机为基础的路由机制已被提出。采用学习自动机，通过考虑参数，如能量，链路质量，缓冲区和距离，找到最佳的邻居节点。此外，A-Star启发式https://doi.org/10.1016/j.jksuci.2021.04.0061319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS. Gudla和N.R. 库达沙特国王大学学报57601/4fg搜索算法已被应用到确定能量有效的路由路径的无线传感器网络。该文件的主要目标如下：设计了一种基于学习自动机的能量有效可靠的数据传输路由算法，以提高无线传感器网络的能量效率和可靠的数据传输使用A-star算法。基于学习自动机的路由路径最佳后继节点选择机制的设计仿真结果表明该算法的性能2. 相关工作和动机在这一节中，文献的能量有效的路由算法，能量估计在无线传感器网络。在Bhardwaj等人（2001）中，已经导出了传感器网络的寿命的上界。Lee和Lee（2010）讨论了基于簇的无线传感器网络的网络生命周期的上限。Alshawi等人（2012）提出了一种基于模糊的无线传感器网 络 路 由 协 议 ， 使 用 A-star 算 法 提 高 网 络 寿 命 。 在 Alshawi 等 人（2012）中，剩余能量和业务负载被认为是用于在模糊方法中找到节点成本的参数。在Alshawi等人（2012）中，作者在确定路由路径时未考虑链路质量和缓冲区容量。Li等人（2011）提出了一种在无线传感器网络中使用A-star搜索算法的路由算法。在Li等人（2011）中，贪婪转发已经被用于节省能量。在Li等人（2011）中，通过考虑唯一的距离参数来识别路由路径。剩余能量、缓冲和链路质量是Li等人（2011）中未考虑的重要参数。Alkadhmawee和Lu（2016）提出了一种使用模糊和A-star搜索算法来找到最佳路由的路由协议。在Alkadhmawee和Lu（2016）中，剩余能量和交通被认为是模糊逻辑系统的输入参数。在Yao et al.（2010）中，Yao等人提出了一种改进的A-star算法，用于在未知的障碍环境中寻找有效和准确的可行路径。Risma Septiana和Setiawan（2014）提出了一种使用A-star算法的路由协议，以获得WSN中的最佳路由路径。 在Ullah等人（2021）中，Ullah等人已经提出了一种节能且可靠的路由机制，以增强无线体域网中的稳定期。在我们的工作中，A-star算法和学习自动机已被用来确定最佳路由路径，考虑参数，如节点的能量，链路质量，距离和可用的缓冲空间。Thathachar和Sastry（2002）提出了各种不同应用的学习自动机模型。在Misra等人（2017）中，使用学习自动机为基于自主无人驾驶车辆的网络提出了一种容错路由机制。Pantazis等人（2013）说明了无线传感器网络中不同的节能路由协议。在Rault等人（2014）中，Rault等人提出了各种节能方案。Jakllari和Escherbenz（2012）已经基于传感器网络中的链路层传输和重传的数量计算了路由路径成本。利用学习自动机，综合考虑节点的剩余能量、缓冲区和链路质量以及节点先前的选择概率，估计节点2.1. 动机实现可靠的数据传输和能源效率是无线传感器网络面临的主要挑战。可靠的数据传输主要取决于数据包的成功传输。分组可能由于各种原因而被丢弃，诸如坏的链路质量，没有空闲的缓冲器来容纳分组，以及由于缺乏剩余能量而导致节点不可用。 通过重传丢失的数据包，可以实现可靠的数据传输。但是，重传导致更多的能量消耗，并且还增加了分组递送延迟（Liu等人，2017年;Wu等人，2014年）。因此，对于无线传感器网络这样的资源受限网络，重传机制是不可替代的.因此，应该有一个有效的机制来选择一个节点作为路由中的后继节点，以便可以减少丢包率。在这项工作中，学习自动机被用来找到下一跳节点，利用资源的一个节点，如剩余能量，缓冲区，链路质量，度和距离。此外，还采用了A星搜索算法来寻找路由路径在一个网络中。3. 基于学习自动机的A-star节能在本节中，介绍了一个网络模型。A-star算法被解释为寻找能量有效和可靠的数据传输路径。此外，学习自动机示出用于估计节点3.1. 网络模型无线传感器网络已经被表示为图GV[S;E]（参见图11）。 1），其中V^fv 1;v 2;v3。 . . v ng是n个传感器节点的集合，Ee1;e2;e3. e n是一组通信链路并且S是可以进行数据处理的汇聚节点。在无线传感器网络中（如图1所示），每个节点通过学习自动机模型计算其邻居节点的选择概率（pi），该模型通过获取节点的得分、链路质量和距离。使用链路质量、缓冲器和剩余能量来估计节点的得分（Yousefi等人，2009年）。此外，采用A星搜索算法，利用估计的选择概率pi确定能量有效的可靠路由路径。 在一轮数据收集中，网络中的节点通过以下方式向汇聚节点发送一个分组：多跳通信。3.2. 基于学习自动机的A-star能量有效路由算法A-star搜索算法是最流行的图形搜索算法之一。它是一种寻找低费用路径的有效启发式算法。A-star算法是一种最好的智能搜索算法图1.一、无线传感器网络中能量有效和可靠的路由路径的说明●●●S. Gudla和N.R. 库达沙特国王大学学报5761ð Þð Þð Þð Þ[[[1/4fg1/4fgð Þ¼ð Þþ ð =ð ÞÞ ð Þ该算法综合了广度优先搜索算法和深度优先搜索算法的优点。A-star算法使用局部信息和一些启发式信息来选择最短路径。A-star算法搜索从起 始 节 点 开 始 的 所 有 路 线 ， 直 到 找到 到 达 目 标 的 最 小 成 本 路 径（Alshawi等人，2012;Li等人，2011年; Passino和Antsaklis，1994年）。它使用一个评估函数来确定网络中评价职能如下：fngn hn1其中gn是从源节点（即传感器节点）到节点n（中间节点）的实际成本， 是一个估计的成本从节点n到目的地节点（即汇聚节点）的最优路径。在这项工作中，h n被视为从节点n到汇聚节点的实际距离（最短物理距离）的下限（Liet al.，2011年; Passino和Antsaklis，1994年）。优先级队列，找出下一个具有最大评估函数值（f n）的节点。CLOSE列表包含已访问的节点列表。最初，OPEN列表包含起始节点。在第一次迭代中，top（即，优先级列表中具有最大评估函数值（fN）的节点如果是，则算法完成。否则，它计算所有相邻节点的评估函数，并将它们添加到OPEN列表中。在完成A-star算法后，如果路径存在，则会找到路径。如果它没有找到路径，则算法保证不存在这样的路径（Alshawi等人，2012; Li等人，2011年）。传感器网络G V S;E、OPEN_List和CLOSE_List被给出作为所提出的机制的输入，该机制已经被呈现为算法1。网络中的每个节点都执行可靠和节能路径的算法。假设Node-i执行建议的机制。OPEN_List已使用Node-i及其f值（使用等式2估计）进行初始化。（2））。如果OPEN_List为NULL，则路径搜索失败，算法1.无线传感器网络中基于学习自动机的A-Star节能路由算法输入：G VS;E，OPEN_List= {Node-i}，CLOSE_List={NULL}输出：选择节能路径1：如果OPEN_List==NULL2：路径搜索失败，退出3：如果4：Node-j= POP（OPEN_List）//返回f值最大的节点5：CLOSE_List = CLOSE_List[节点-j]6：如果节点-j==宿节点7：路径搜索成功完成并重建路径，退出8：如果结束9：如果Find_Neighbors（Node-j）==NULL 10：转到步骤111：其他算法退出（第1-3行）。POP（）操作总是返回一个具有最高f值的节点，即Node-j，并将其推入CLOSE_- List（第4-5行）。如果Node-j是目的节点（即sink节点），则路径成功完成（第6-8行）。否则，搜索将继续寻找其邻居（相邻节点）。这里，FindNeighbors（）函数返回邻居.如果没有邻居，则转到步骤1（第9-10行）。对于每个相邻节点-k，使用等式（1）计算f值（二）、如果Node-k不在两个列表（OPEN_List和CLOSE_List）中如果Node-k位于OPEN_List或CLOSE_List中，则Node-j的f值将被调整为更大的值（第12-19行）。OPEN_List是一种优先级队列数据结构，它总是根据节点的f值从大到小对节点进行排序该算法一直运行，直到OPEN_List变为null或遇到目标节点。所提出的机制的流程图已在图中给出。 二、3.4. 学习自动机方法12：对于k/41到d//d，是节点j的邻居的数量假设，5元组A;aPb L代表着一个13：使用等式13计算每个节点-k的f_k_k（二）h;; ;i14：if（kR（OPEN_List^ CLOSE_List））15：OPEN_List = OPEN_List节点-k16：else17：根据节点j的f值选择最短路径18：如果结束19：结束20：根据f值将OPEN_List中的节点从大到小排序第二十一章：end if二十二：转到步骤-1学习自动机模型一组自动机可以表示为A a1;a2;. ;ad，并且每个自动机被放置在每个节点处（其中d是节点的度 一系列动作可以表示为a1;a2;. 其中A指示一组D个相邻节点。在随机环境中执行操作邻居节点的行为自动机执行重复的动作，并从动作集中选择特定的动作。然后，环境对特定的行为产生反应（奖励或惩罚）（Mothku和Rout，2019）。相邻节点的选择概率由P表示，并使用等式（1）计算（四）、此外，A在执行有限组的动作，L表示学习机制（更新邻居节点的概率值在这里，奖励是选择3.3. A-star算法网络中的每个节点执行A-star算法来找出到汇聚节点的路由。在该算法中，基于评价函数来探索节点，该评价函数被给出为：最佳邻居节点具有更多的剩余能量、度、缓冲区和更小的距离。每个节点使用学习自动机计算其邻居的选择概率。节点-j的得分（Sj）指示节点节点j的可用资源，如剩余j j jjf n P n1 SD n2能量（E）、缓冲（B）、度（D）和距离（Db）（Yousefi等人，其中，P n是节点n的选择概率，它是通过以下公式计算的：j j jj当量（4）它的值为1/2。 . . 1]。学习自动机方法S<$W能量ωE<$W度ωD<$W缓冲器ωB<$W距离ωDb<$3<$通过考虑节点的得分、链路质量和节点的选择概率来计算节点n距离SDn是从节点n到sink节点的最短距离其中，W能量、W度、W缓冲区和W距离分别是剩余能量、度、可用缓冲区和距离的权重。此外，本发明还节点选择概率P使用得分S计算此外，将选择具有最大值的节点作为最优节点。ð ÞIJ. - 是的伊 杰.jf n. A-star搜索算法有两个列表：OPEN列表和CLOSE列表名单OPEN列表跟踪其中的节点，它作为（方程式（3））、链路质量Lij.Pold），由下式给出：和先前选择概率值2009; Mothku和Rout，2019）。一个节点S. Gudla和N.R. 库达沙特国王大学学报5762IJ图二. 所提出的算法流程图。Pij ¼WscoreωSjWlinkωLijWPωPoldð4Þ在Network Simulator-3（NS 3）（NetworkSimulator 3，2020）中进行了模拟。提出的路由机制进行了比较其中Wscore、Wlink和WP是分数、链接质量和预处理的权重。前选择概率，分别和W得分=W链接=WP1。4. 绩效评价所提出的基于学习自动机的能量有效和可靠的数据传输机制，使用A-star搜索算法，利用重传方法（Wu等人，2014）和使用A-star算法（其由AlShawi等人提出）的路由机制。Alshawi等人（2012）在分组平均递送延迟、传输次数（包括重传）、网络能耗、网络寿命、节点死亡回合（数据收集回合）的一半数量和所有节点死亡的回合方面进行了比较。S. Gudla和N.R. 库达沙特国王大学学报5763¼4.1. 仿真设置模拟参数在表1中呈现（Bhardwaj等人，2001年）。通过考虑从50个节点到500个节点的传感器节点的数量进行了仿真。最初，传感器节点具有以下资源。已经假设传感器节点具有不同的剩余能量，即20同样，缓冲区的容量考虑从2 K到2.5 K字节。在0和1之间考虑不同的链路质量。数据收集轮的定义是每个节点感知一个数据包（大小为960位）并发送到sink节点。在仿真中进行了重传，以获得高可靠的数据传输。Es、Er和Et分别是用于量化传感器节点在距离d上感测、接收和发送分组时的能量消耗的参数。能量消耗为E s = a3;E r = a12;E t¼a11a2d n 其中，a11表示发射机电子设备的每比特能耗，2indi，A12表示接收器电子设备的每比特能量消耗，A3表示用于感测操作的每比特能量消耗，以及表示路径损耗指数（n2）（Bhardwaj等人，2001年）。在这项工作中，网络寿命是第一个节点死亡的数据收集回合（Imon et al.， 2015年）。4.2. 仿真结果和分析图3示出了所提出的机制、重传机制（Wu等人，2014）和使用A-star算法（其由AlShawi等人提出）的路由机制。Alshawi等人（2012年）。从图3可以观察到，与重传机制和路由机制相比，所提出的机制提供了更少的延迟（Alshawi等人，2012年）。在重传机制中，由于路由选择不当，导致丢包率增加。丢弃的数据包由源节点重新转发，实现高可靠的数据传输。 结果，与所提出的机制相比，分组递送延迟增加。在该机制中，路由路径中的下一跳节点的选择是基于链路质量，高剩余能量，高可用缓冲区和较小的距离。该机制采用学习自动机寻找路由路径中的最佳下一跳节点，从而降低了丢包率。在路由机制中（Alshawi等人，2012），下一节点选择基于剩余能量和业务负载参数。但是，链路质量和缓冲器参数也非常重要，这在Alshawi等人（2012）中没有考虑，因此，与所提出的机制相比，分组丢弃率已经增加。我们还可以从图3中观察到，随着节点数量的增加，由于更多的数据流量（更多的丢包），分组的传递延迟也增加。 图 4、显示网-图三. 平均数据包传输延迟（在一个数据收集回合中）。在所提出的机制、重传机制（Wu等人，2014年）和使用A-star算法（由AlShawi提出）的路由机制等）。Alshawi等人（2012年）。在重传方法和Alshawi等人（2012）中，与所提出的机制相比，重传的次数更多。因此，网络能耗也随之增加。 所提出的机制已经实现了更少的 能 源 消 耗 （ 高 达61% 和45% ）与 重 传 方 法 和 Alshawi et al.（2012）。在所提出的机制、重传机制和Alshawi等人（2012）之间比较了数据传输的总数，并在图5中示出。由于节点选择不当作为路由路径中的下一个节点，在重传方法中丢弃更多数量的分组，AlShawi等人）Alshawi等人（2012年）。与重传机制相比，所提出的方法减少了高达52%的数据传输。 图5还示出了增加节点的数量导致数据传输数量的增加（分组丢弃率随着节点数量的增加而增加）。表1模拟参数。参数值传感器节点50至500个节点传输距离30 m节点的初始能量20Es<$a3a3<$50× 10-9焦耳=位Er<$a12a12<$4 0： 787× 10-6焦耳=位Et<$a11a2dna11<$a 0： 937× 10-6焦耳=位a2¼10× 10-12焦耳=位=m2直径85米见图4。 网络能耗（一轮数据收集）。S. Gudla和N.R. 库达沙特国王大学学报5764图五.一轮中数据传输（包括重传）的总数。见图7。 半个节点在数据收集回合中死亡。图图6和图7分别示出了网络寿命（第一节点死亡回合）和半节点死亡回合（数据收集回合）。Half nodes dying round是一个数据收集回合，在该回合中，节点总数的一半死亡。与AlShawi等人提出的重传方法和使用A-star算法的路由机制相比，该机制提高了网络的生存时间。Alshawi等人（2012年）。建议的学习自动机机制选择最好的下一跳节点在路由路径的剩余能量，链路质量和可用的缓冲区。结果，降低了丢包率。从图中可以看出，从图6和图7中可以看出，随着节点数量的增加，由于网络能耗的增加，寿命和半节点死亡轮次减少。 与现有机制相比，所提出的机制在寿命上实现了显著的改善。图8显示了网络中最后一个节点死亡的情况。在采用A-star算法（AlShawi等人提出）的重传方法和路由机制中，提出了一种基于A-star算法的路由选择方法。Alshawi等人（2012），与所提出的基于学习自动机的节能和可靠的数据传输路由机制相比，最后一个节点死得早得多。5. 结论见图8。 最后一个节点死了。见图6。 网络的生存期（第一个节点死亡数据收集回合）能源效率和可靠的数据传输是无线传感器网络的主要挑战。为了提高无线传感器网络的可靠数据传输和能量效率，设计了一种基于学习自动机的高效采用学习自动机选择最佳节点的路由路径，考虑节点的剩余能量，链路质量和可用的空闲缓冲区的主要参数，导致丢包。本文采用A-星搜索算法来识别路由路径.该方法降低了丢包率，并实现了更小的平均数据包传输延迟和能量消耗。仿真结果表明，该机制可使网络能耗降低45%.此外，使用所提出的机制显著提高了寿命。作为一个未来的研究工作，它可能会扩展到考虑节点的移动性和能量收集节点在网络中S. Gudla和N.R. 库达沙特国王大学学报5765引用Akyildiz，I.F.，Kasimoglu，I.H.，2004年 无线感测器与行动者网路：研究挑战。特设网络2（4），351-367。Akyildiz，I.F.，Su，W.，Sankarasubramaniam，Y.，Cayirci，E.，2002.无线传感器网络综述。Comput. 网络 38（2），393-422。Alkadhmawee，A.A.，Lu，S.2016年。基于LPA-Star算法和模糊逻辑在无线传感器网络中延长网络寿命，第12届世界智能控制与自动化大会（WCICA）论文集。伊利诺伊州阿尔沙维延湖，加-地潘，W.，Luo，B.，2012年。基于模糊方法和a-star算法的无线传感器网络寿命增强。IEEE Sens. J. 12（10），3010-3018。Bhardwaj，M.，Garnett，T.，Chandrakasan，A.P.，2001.无线传感器网络生命周期的上界。IEEE国际Conf. Commun. （ICC），785-790.Elshrkawey，M.，Elsherif，S.M.，瓦希德法医2018.一种降低无线传感器网络能耗的增强方法。沙特国王大学计算机信息科学30（2），259-269。冈戈尔，V.C.，Hancke，G. P.，2009.工业无线传感器网络：挑战、设计原则和技术途径。IEEE工业电子学报，56（10），4258-4265。西蒙，S.K.A.，汗，A.，Francesco，医学博士，达斯，S.K.，2015年。树型无线传感器网络中最大化生存时间的节能随机切换。IEEE/ACM Trans. Netw. 23（5），1401-1415。Jakllari，G.，Escherichbenz，S.，2012.链路位置很重要：无线网状网络的非交换路由度量。IEEE Trans.暴徒Comput. 11（1），61-72.Lai，X.，吉，X.，Zhou，X.，中国科学院，Chen，L.，中国地质大学，2017.无线传感器网络中能量有效的链路延迟感知路由。IEEE传感器 J. 18（2），837-848。李，S.，李，H.S.，2010.分簇传感器网络中的网络生命周期分析。IEEE通信Lett. 14（10），900-902。Li，X.，洪，S.，Fang，K.，2011. WSNHA-GAHR：一种用于家庭自动化的无线传感器网络的贪婪和A* 启发式路由算法。IET通信5（13），1797-1805。Liu，Y.，Liu，A.，李，Y.，Li，Z.，崔，Y.，Sekiya，H.，Li，J. 2017 APMD：A fastdata transmission protocol with reliability guarantee for pervasive sensing datacommunication，Pervasive Mob.Comput. 41，413Mahmood，文学硕士，Seah，W.K.，韦尔奇岛，2015.无线传感器网络的可靠性：调查和未来的挑战。Comput. 网络79，166-187.米斯拉，S.，Kar，P.，罗伊，A.，Obaidat，M.S.，2014.静态无线传感器网络中哑节点的存在性。 J. 系统软件。91，135-146.米斯拉，S.，Krishna，P.，Saritha，V.，Agarwal，H.，Vasilakos，A.V.，Obaidat，M.S.，2017. 基于学习自动机的动态自主无人车网络容错系统。IEEE系统 J.11（4），2929-2938.Mothku，S.K.，Rout，R.R.，2019.无线传感器和执行器网络中可靠数据传输的马尔可夫决策过程和网络编码。无处不在的暴徒。Comput. 56，29-44。网络模拟器3网址：https://www.nsnam.org，访问时间：2020-07-15。Pantazis，N.A.，Nikolidakis，S.A.，Vergados，D. D.，2013.无线传感器网络节能路由协议研究综述。IEEE通信监视器Tuesday15（2），551-591.Passino，K.，Antsaklis，P.，1994. A* 算法的启发式函数规范的度量空间方法。IEEETrans. Syst. Man Cybern. 24（1），159-166。Rault，T.，Bouabdallah，A.，Challal，Y.，2014.无线传感器网络的能源效率：自上而下的调查。Comput. 网络67，104-122.Risma Septiana，I.S.，和Setiawan，N.A. 2014使用A-star算法评估无线传感器网络路由的功能有效性，在Proc.第四届网络和IT服务管理国际会议沈伟，张，T.，Barac，F.，Gidlund，M.，2014. PriorityMAC：一种优先级增强的MAC协议，用于工业无线传感器和执行器网络中的关键流量。IEEE Trans.Industr.Inf.10（1），824-835.Thathachar，M.A.L.，Sastry，P.S.，2002年。学习自动机的种类：概述。IEEE Trans. Syst. Man Cybern. 32（6），711-722。乌拉，F.，Zahid Khan，M.，Faisal，M.，H.U.，阿巴斯，S.，Mubarek，F.S.，2021年提高无线体域网稳定周期的节能可靠路由方案。Comput. Commun. 165，20-32。https://doi.org/10.1016/j.comcom.2020.10.017.url：https://www.sciencedirect.com/science/article/pii/S0140366420319654.吴，C.，Ji，Y.，徐，J，Ohzahata，S.，加藤，T.，2014.有损链路上的编码数据包：传感器网络中基于冗余的可靠快速数据收集机制。Comput.网络70，179-191.姚，J.，林芝，Xie，X.，王，A.J.，洪俊俊2010年，使用改进的A* 星算法进行虚拟人运动的路径规划，在Proc. IEEE第七届信息技术国际会议上，pp. 1154-1158年。Yousefi，H.，Dabirmoghoussa，A.，Mizanian，K.，2009.无线传感器网络中基于得分的可靠路由。IEEE会议INF. 网络，1-5
我的内容管理
展开
