论文部分内容阅读
随着传感器节点能力的提升,无线传感器网络越来越多地被应用于对服务质量要求较高的通信环境当中,如火灾探测、智能化家居、医疗监控、工业处理以及交通管制等方面。在这些应用场景中,现有的部分无线传感器网络调节机制无法适应环境改变节点的通信参数,造成网络对复杂环境的适应能力低下。虽然也有一些调节机制可以对通信参数进行调节,由于调节速率较慢,难以满足不同通信环境下的服务质量的需求。本文针对目前无线传感器网络MAC层的关键技术以及常见的强化学习算法展开研究,将强化学习的理论和思想引入无线传感器网络的MAC机制中,将研究问题转化为信道接入机制与重传机制的问题。针对传统MAC协议应对复杂通信环境的能力不足的问题,提出了基于Q-learning算法的QoS优化MAC机制、基于分布式循环Q-learning算法的QoS优化MAC机制和基于重复更新Q-learning算法的QoS优化MAC机制。算法的创新点在于节点利用无线传感器网络通信中的可靠性和时延指标,引入Q-learning学习算法,并对优化机制进行改进,提高传感器节点针对环境的自我调节能力,提高网络的可靠性,并降低节点的通信时延。针对Q-learning算法的收敛性进行了验证,并验证了其运用于无线传感器网络通信中的可行性。本文基于CC2530实物验证平台,对三种通信协议的可靠性与通信时延两种QoS指标进行测试,并通过改变网络的拓扑对三种通信协议对QoS指标的调节能力进行测试,并将测试结果和原有的CSMA/CA机制和PQ-MAC协议的测试结果进行比较。测试结果表明,本文提出的三种基于学习算法的QoS优化MAC协议,在网络稳定后,和原有CSMA/CA机制以及PQ-MAC协议相比,具有更好的可靠性与时延特性。网络稳定后,三种协议的有效传输率均不低于99%,且通信时延均不高于2ms。