基于蟻群算法的自適應(yīng)車路協(xié)作消息傳輸方法研究*

劉明劍 張思佳 孫華

（1.大連海洋大學(xué)，大連 116023；2.大連海洋大學(xué)，設(shè)施漁業(yè)教育部重點(diǎn)實(shí)驗(yàn)室，大連 116023）

主題詞：車載自組織網(wǎng)絡(luò) 路側(cè)單元 協(xié)作通信 蟻群算法 中繼選擇

1 前言

車載自組織網(wǎng)絡(luò)（Vehicular Ad-hoc Network，VANET）通過車輛與道路基礎(chǔ)設(shè)施節(jié)點(diǎn)的相互通信，形成信息交互共享的自組織通信網(wǎng)絡(luò)，但在車輛高速移動(dòng)和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)快速變化等情況下，大文件傳輸以及高精內(nèi)容精準(zhǔn)分發(fā)效率過低[1-2]。目前，許多學(xué)者正在試圖利用車載容遲網(wǎng)絡(luò)（Vehicular Delay Tolerant Network，VDTN）解決這一問題。VDTN借助于智能交通基礎(chǔ)設(shè)施路側(cè)單元（Road Side Unit，RSU），在車輛相遇或車輛到達(dá)RSU覆蓋區(qū)域時(shí)通過無線網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交換，使得RSU可以延伸車輛數(shù)據(jù)轉(zhuǎn)發(fā)的覆蓋范圍，增加網(wǎng)絡(luò)中數(shù)據(jù)傳播種類和傳輸量[3]，對(duì)于傳輸時(shí)延要求相對(duì)較低的VANET非行車安全類應(yīng)用是一種高效的數(shù)據(jù)傳輸模式。

基于VDTN模式實(shí)現(xiàn)車路協(xié)同，提升網(wǎng)絡(luò)傳輸性能已經(jīng)取得了一些研究成果：Gred[4]等人以節(jié)點(diǎn)之間歐幾里得距離為輸入，設(shè)計(jì)了基于貪婪算法的信息分發(fā)策略；Spray[5]等人提出了基于地理位置的多副本路由機(jī)制，選擇位置最優(yōu)車輛作為載體進(jìn)行消息轉(zhuǎn)發(fā)；Jalooli[6]等人設(shè)計(jì)了一種城市路網(wǎng)中路側(cè)單元優(yōu)化部署方法，能夠提高信息傳輸效率，縮短信息傳輸延時(shí)；文獻(xiàn)[7]、文獻(xiàn)[8]采用基于貨幣交易的激勵(lì)機(jī)制，鼓勵(lì)節(jié)點(diǎn)間進(jìn)行合作通信。在此基礎(chǔ)上，文獻(xiàn)[9]～文獻(xiàn)[11]基于博弈論，選擇進(jìn)行協(xié)作的路側(cè)單元進(jìn)行信息交互，最終達(dá)到納什均衡狀態(tài)，提高信息傳輸?shù)男?；Li[12]等人設(shè)計(jì)基于車輛數(shù)據(jù)緩存機(jī)制的信息傳輸方法，路側(cè)單元在覆蓋范圍內(nèi)，將信息傳輸至特定車輛，其他車輛可以從指定車輛獲取相關(guān)內(nèi)容，降低路側(cè)單元通信壓力；楊月輝[13]基于圖劃分理論，提出了基于重邊粗化的多級(jí)聯(lián)盟劃分（Multilevel Hyper-Graph Partitioning Based on Heavy Edge Matching Scheme，MHEMs）車路協(xié)作策略。

上述方案均能提高車路協(xié)作條件下的信息傳輸效率，但存在如下問題：需要在車輛自組織網(wǎng)絡(luò)中獲得路網(wǎng)的全局拓?fù)浣Y(jié)構(gòu)；基于博弈理論，多RSU形成協(xié)作組考慮了協(xié)作組內(nèi)利益而忽略某些個(gè)體RSU 的利益；基于圖劃分理論的合作系統(tǒng)考慮網(wǎng)絡(luò)整體利益，而忽略了協(xié)作組內(nèi)部各RSU和車輛之間的協(xié)作關(guān)系。

本文針對(duì)上述問題，提出基于蟻群算法的自適應(yīng)車路協(xié)作消息傳輸方法，能夠在快速變換的車輛拓?fù)浣Y(jié)構(gòu)中，拓寬車輛信息的傳輸范圍，為VANET數(shù)據(jù)的高效傳輸提供支持。

2 車路協(xié)作消息傳輸問題建模

2.1 車路協(xié)同消息傳輸模式分析

基于車路協(xié)作的消息傳輸?shù)哪康氖峭ㄟ^車車和車路協(xié)作發(fā)掘VANET 的潛在通信能力，提高整個(gè)網(wǎng)絡(luò)中信息的傳輸效率。假設(shè)某個(gè)路網(wǎng)區(qū)域包含2 個(gè)RSU 節(jié)點(diǎn)，并且RSU之間可以進(jìn)行協(xié)作，向其覆蓋范圍內(nèi)的車輛發(fā)送不同類型的數(shù)據(jù)，如圖1所示。RSU1向其覆蓋范圍內(nèi)駛向RSU2的車輛發(fā)送數(shù)據(jù)c1，同時(shí)RSU2向其覆蓋范圍內(nèi)駛向RSU1的車輛發(fā)送數(shù)據(jù)c2，當(dāng)相向行駛車輛相互靠近至某一范圍時(shí)，依靠V2V 方式交換已經(jīng)獲得的不同的數(shù)據(jù)c1和c2。通過上述傳輸模式，車輛無需經(jīng)過多個(gè)RSU 便可以獲取所需的多種類型數(shù)據(jù)，從而提高路網(wǎng)中單位時(shí)間內(nèi)信息的傳輸數(shù)量和類型，有效解決車輛因高速運(yùn)動(dòng)在RSU覆蓋范圍內(nèi)通行時(shí)間較短導(dǎo)致下載數(shù)據(jù)量有限的問題。

圖1 RSU間協(xié)作式通信

雖然在圖1 所示的車路協(xié)作模式下可以有效提高信息傳輸效率，但是這種模式需要在多個(gè)RSU 之間進(jìn)行同步，并協(xié)調(diào)需要發(fā)送的數(shù)據(jù)類型，這一過程會(huì)增加因維持多個(gè)RSU 進(jìn)行協(xié)作所帶來的成本（如維持一個(gè)特定信道來交換信息）。當(dāng)網(wǎng)絡(luò)中需要傳輸?shù)男畔⒘坑邢藁蛘呗肪W(wǎng)規(guī)模較小時(shí)，RSU間協(xié)作進(jìn)行消息傳輸所花費(fèi)的成本高于帶來的收益，因此需要設(shè)計(jì)一種高效的車路協(xié)作通信方法，依據(jù)RSU 間相向車流量形成多個(gè)車路通信協(xié)作組，在組內(nèi)采用協(xié)作通信模式，組與組之間采用非協(xié)作模式，不僅能夠有效發(fā)掘出潛在的車路協(xié)作通信能力，同時(shí)可控制多個(gè)RSU同步所帶來的成本。

2.2 協(xié)作式車-路通信系統(tǒng)模型

分析車路協(xié)作的信息傳輸模式可知，車路協(xié)作消息傳輸需要解決如下問題：如何在路網(wǎng)中合理選擇RSU建立協(xié)作組內(nèi)穩(wěn)態(tài)的鏈接完成信息傳輸，從而提升VANET 中合作信息分發(fā)的效率；如何將不同的數(shù)據(jù)類型和內(nèi)容分發(fā)給能夠相遇的車輛，從而拓展車輛的信息獲取范圍，最大化提升車路協(xié)作的效用。

針對(duì)上述需求，建立協(xié)作式車-路通信系統(tǒng)模型。在城市道路網(wǎng)絡(luò)中，設(shè)車輛節(jié)點(diǎn)集合為V：

式中，vi為車輛節(jié)點(diǎn)集合V中第i個(gè)車輛的節(jié)點(diǎn)。

路側(cè)單元節(jié)點(diǎn)集合為R：

式中，ri為路側(cè)單元集合R中的第i個(gè)RSU節(jié)點(diǎn)。

從集合V和R中選取參與者進(jìn)行協(xié)作通信，在集合R中ri和rj（i≠j）進(jìn)行協(xié)作的依據(jù)是RSU 之間能夠進(jìn)行車-車通信共享信息的車對(duì)數(shù)，設(shè)Rcop∈R為某一個(gè)進(jìn)行協(xié)作的RSU節(jié)點(diǎn)集合，在Rcop中如果ri和rj之間存在直達(dá)道路，有效通信路程設(shè)為d，那么能夠發(fā)生這種相對(duì)車-車通信共享信息的車對(duì)數(shù)為mij：

式中，δ∈[0,1]為ri和rj之間每距離1 km 其間相向行駛車輛能夠進(jìn)行V2V 通信的比例；vij為某一時(shí)段所有從ri駛向rj的車輛的節(jié)點(diǎn)集合，|vij|表示vij中車輛節(jié)點(diǎn)的數(shù)量。

在協(xié)作組Rcop中，車輛節(jié)點(diǎn)vk∈vij在從ri駛向rj過程中，能夠下載獲得的平均數(shù)據(jù)量為pk,i，pk,i主要由2個(gè)部分組成：車輛節(jié)點(diǎn)vk在ri通信范圍內(nèi)下載獲得的平均數(shù)據(jù)量pkV2I；車輛節(jié)點(diǎn)vk從ri駛向rj過程中，通過V2V 通信進(jìn)行信息交互獲得的平均數(shù)據(jù)量pkV2V。pk,i的表達(dá)式為：

式中，pkV2I=dkI·punit(V2I)/vkI；dkI為車輛節(jié)點(diǎn)vk在ri覆蓋范圍內(nèi)能夠進(jìn)行數(shù)據(jù)下載的有效距離；punit(V2I)為單位時(shí)間內(nèi)車輛能夠下載的平均數(shù)據(jù)量；vkI為車輛節(jié)點(diǎn)vk依據(jù)移動(dòng)模型和車流量密度在ri覆蓋范圍內(nèi)行駛的平均速度；pkV2V=mij·dkij·punit(V2V)/vkij；dkij為車輛節(jié)點(diǎn)vk在ri與rj覆蓋范圍內(nèi)能夠進(jìn)行數(shù)據(jù)下載的有效距離；punit(V2V)為單位時(shí)間內(nèi)車輛在相遇過程中能夠交換進(jìn)行傳輸?shù)钠骄鶖?shù)據(jù)量；vkij為車輛節(jié)點(diǎn)vk依據(jù)移動(dòng)模型和車流量密度從ri駛向rj覆蓋范圍內(nèi)行駛的平均速度；R(ri)為ri的通信范圍。

需要進(jìn)行傳輸?shù)臄?shù)據(jù)類型集合為C={ci|1≤i≤L}，數(shù)據(jù)類型數(shù)量為L=|C|；ci∈C為車輛節(jié)點(diǎn)vk從ri下載到的數(shù)據(jù)；wci∈(0,1)為數(shù)據(jù)ci的權(quán)重，且wc1＞wc2＞…＞wci＞…＞wcL。

通過采用上述路側(cè)單元協(xié)作機(jī)制，對(duì)于單一協(xié)作組Rcop，建立某一時(shí)段產(chǎn)生的總收益目標(biāo)函數(shù)為：

其中，單個(gè)協(xié)作組采用車路協(xié)作通信模式所獲得的收益為：

式中，bc={bi|1≤i≤L,L∈N}為在此協(xié)作組中每個(gè)RSU選擇一種要傳輸給車輛的數(shù)據(jù)類型組成的集合；bi為ri從數(shù)據(jù)集合C中選擇的要傳輸給車輛的數(shù)據(jù)類型；Bc為bc的排列所組成的所有元組的集合；β∈(0,1)為車輛節(jié)點(diǎn)vk每下載一個(gè)數(shù)據(jù)塊，協(xié)作組所能夠獲得的收益系數(shù)。

式（6）描述了單個(gè)協(xié)作組的收益，然而在整個(gè)城市路網(wǎng)中，可以形成多個(gè)RSU 集合進(jìn)行車路協(xié)作，因此基于式（4），建立整個(gè)城市路網(wǎng)中車路協(xié)作的收益函數(shù)fall：

其中：

式中，E為在集合R中形成RSU協(xié)作組的集合；ε為E中的一個(gè)車路協(xié)作組；λ 為協(xié)作組ε中與ri∈ε采用協(xié)作式通信方式的RSU節(jié)點(diǎn)集合。

3 基于蟻群算法的車路協(xié)作消息傳輸方法

3.1 RSU間協(xié)作通信蟻群算法

為了提高整個(gè)路網(wǎng)中的收益，進(jìn)而提升VANET 數(shù)據(jù)傳輸效率，發(fā)揮車路協(xié)作通信模式的實(shí)時(shí)效用，本文設(shè)計(jì)了基于蟻群算法的車輛協(xié)作消息傳輸方法：

a.假設(shè)將ma只螞蟻，在路網(wǎng)RSU節(jié)點(diǎn)集合R中隨機(jī)選擇一個(gè)RSU 節(jié)點(diǎn)（設(shè)nr為路網(wǎng)中RSU 的數(shù)量，一般情況下ma=nr），每只螞蟻以選定的ri為起點(diǎn)，根據(jù)轉(zhuǎn)移概率選擇協(xié)作通信可能性最大的rj（i≠j），并進(jìn)行局部信息素更新；

b.每只螞蟻按照選擇的RSU 排列順序依次選擇協(xié)作RSU，全部選擇完畢后對(duì)此次協(xié)作選擇中每只螞蟻的適應(yīng)度進(jìn)行評(píng)價(jià)，進(jìn)行全局信息素更新；

c.根據(jù)程序設(shè)定循環(huán)kmaxiter次后，給出最終分組策略。

圖2 給出了路網(wǎng)RSU 協(xié)作示例。圖2a 中，RSU2和RSU3間為單向車流，其他均為雙向車流。圖2b中，蟻群算法開始工作：初始RSU 數(shù)量nr=5 個(gè)，螞蟻數(shù)量ma=5只，其中，螞蟻a3遍歷完成一次路網(wǎng)給出劃分策略，如表1所示。

圖2 車路協(xié)作過程

表1 初步分組策略

3.2 轉(zhuǎn)移概率

a.信息素初始值。初始時(shí)刻，設(shè)定RSU之間的信息素濃度的初始值τ為：

式中，avg(ri)為與ri存在V2V通信的車輛對(duì)數(shù)的平均數(shù)。

b.信息素分布更新的啟發(fā)函數(shù)為：

式中，iter(ηij)為自適應(yīng)更新函數(shù)；kiter為此時(shí)迭代次數(shù)；ηmax、ηmin分別為信息素更新的最大值和最小值；rvij為通信能力評(píng)估函數(shù)。

c.狀態(tài)轉(zhuǎn)移概率。車聯(lián)網(wǎng)中RSU 間協(xié)作通信的關(guān)鍵是發(fā)掘車輛間共享信息的能力，而這與RSU 間存在的車輛數(shù)量密切相關(guān)。當(dāng)2 個(gè)RSU 之間具有較多可進(jìn)行V2V通信的車輛時(shí)，這2個(gè)RSU應(yīng)劃分在同一個(gè)協(xié)作組中，在路網(wǎng)中螞蟻會(huì)根據(jù)轉(zhuǎn)移概率決定從當(dāng)前的ri到達(dá)的下一個(gè)rj，即訪問同一協(xié)作組內(nèi)部RSU的可能性較大，螞蟻從ri選取rj的轉(zhuǎn)移概率Pij為：

式中，A為路網(wǎng)中螞蟻從ri到達(dá)的下一個(gè)RSU 所有可能性集合；τij(t)為在路網(wǎng)中t時(shí)刻ri與rj之間道路上的信息素濃度；ηij(t)為t時(shí)刻ri與rj之間的啟發(fā)信息；α、γ為0～1范圍內(nèi)的常數(shù)。

3.3 信息素更新

在用蟻群算法求解車輛協(xié)作基本問題過程中，每條線路的選擇依據(jù)路徑上信息素濃度進(jìn)行。在算法初始階段，每對(duì)RSU之間首先設(shè)定初始信息量，蟻群建立的第1條引導(dǎo)信息主要是節(jié)點(diǎn)間的潛在車輛數(shù)量，所以蟻群在后續(xù)經(jīng)過的路徑上留下的信息不一定能反映最優(yōu)路徑的方向。因此螞蟻在后續(xù)選擇RSU 過程中，選擇可以進(jìn)行通信的潛在車輛數(shù)量最多的路徑作為最優(yōu)搜尋方向，確保螞蟻創(chuàng)建第1條ri→rj路徑便能引導(dǎo)算法找到最優(yōu)全局路徑，但所有螞蟻在后續(xù)搜索過程中留下的信息不能完全反映最佳前進(jìn)方向，因此不能確保蟻群創(chuàng)建的第1 條路徑就能引導(dǎo)蟻群找到全局最優(yōu)路徑。隨著算法不停迭代，信息素容易積累到某些局部最優(yōu)的路徑上，最終導(dǎo)致算法陷入局部最優(yōu)，出現(xiàn)結(jié)果迭代的停滯現(xiàn)象。因此，需要在信息素的更新方式以及局部搜索策略等方面進(jìn)行調(diào)整，以尋找最優(yōu)協(xié)作策略。

3.3.1 局部更新規(guī)則

局部更新是為了防止算法早熟，找到協(xié)作規(guī)模相對(duì)較弱的情況。在每一只螞蟻訪問完成一個(gè)ri，選擇要訪問的下一個(gè)rj時(shí)，在路徑ri→rj依據(jù)局部信息素濃度更新公式為：

為了避免某條路徑ri→rj的信息素因累積過少，導(dǎo)致被選中概率較低的情況出現(xiàn)，設(shè)τlow為信息素取值的下限，當(dāng)路徑上信息素低于τlow時(shí)，強(qiáng)制更新路徑ri→rj信息素為τlow。

3.3.2 全局更新規(guī)則

在對(duì)螞蟻進(jìn)行全局更新過程中，為了使得螞蟻在本次搜索選擇過程中獲得協(xié)作方案，并且不會(huì)對(duì)之后蟻群搜索協(xié)作方案產(chǎn)生誤導(dǎo)，需要在每次循環(huán)后對(duì)路徑上的信息素進(jìn)行相應(yīng)處理。在每一只螞蟻完成對(duì)集合R中所有RSU的訪問后，即完成一次循環(huán)后，對(duì)殘留信息進(jìn)行更新處理：

式中，Δτij為螞蟻在路徑(i,j)上留下的信息素；ρ∈(0,1)為信息素?fù)]發(fā)程度；Lb、Lw分別為在此次求解過程中找到的最優(yōu)策略和最差策略。

3.4 適應(yīng)度函數(shù)

在車路協(xié)作過程中，為提高車聯(lián)網(wǎng)數(shù)據(jù)傳輸效率，需要付出額外成本以維持路側(cè)單元之間的協(xié)作，如在某一個(gè)車路協(xié)作組內(nèi)部路側(cè)單元間需要進(jìn)行通信同步、維持一個(gè)開放信道來交換信息等。這些成本會(huì)在一定程度上抵消車路協(xié)作通信所帶來的優(yōu)勢(shì)，成本增加量與協(xié)作組總路側(cè)單元規(guī)模成線性相關(guān)。為了對(duì)這部分成本進(jìn)行描述，設(shè)定成本函數(shù)：

式中，θ為維護(hù)車路協(xié)作組進(jìn)行協(xié)作的成本常量。

湖口縣漢族女性MTHFR C677T位點(diǎn)的基因型分布與尚志、烏魯木齊、長春、淶水、銀川、淄博、新鄉(xiāng)、鎮(zhèn)江、眉山、荊州、惠州、柳州和瓊海等地差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；MTHFR A1298C位點(diǎn)的基因型分布與尚志、長春、淶水、淄博、新鄉(xiāng)、鎮(zhèn)江、惠州、柳州和瓊海等地差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；MTRR A66G位點(diǎn)的基因型分布與長春、淄博、新鄉(xiāng)、鎮(zhèn)江、荊州和瓊海等地有統(tǒng)計(jì)學(xué)意義(P<0.05)。

某個(gè)協(xié)作組產(chǎn)生的總收益更新為：

整個(gè)路網(wǎng)中產(chǎn)生收益的集合為：

3.5 時(shí)間復(fù)雜度分析

評(píng)估車路協(xié)作消息傳輸方法執(zhí)行效率的一個(gè)重要指標(biāo)是系統(tǒng)運(yùn)行時(shí)間，在本文提出的協(xié)作方法中，主要考慮RSU 節(jié)點(diǎn)從一個(gè)協(xié)作組轉(zhuǎn)換到另一個(gè)協(xié)作組中，完成整個(gè)路網(wǎng)協(xié)作組間動(dòng)態(tài)調(diào)整所花費(fèi)的代價(jià)。在每次調(diào)整過程中，需要判斷哪些是需要進(jìn)行轉(zhuǎn)換的RSU 節(jié)點(diǎn)，如果存在需要進(jìn)行轉(zhuǎn)換的節(jié)點(diǎn)，則需要進(jìn)行轉(zhuǎn)換操作，直至所有符合要求節(jié)點(diǎn)完成轉(zhuǎn)換為止，本次協(xié)作組轉(zhuǎn)換工作完成，建立新的協(xié)作組。故轉(zhuǎn)換次數(shù)決定了算法的執(zhí)行時(shí)間?；谙伻核惴ǖ淖赃m應(yīng)車路協(xié)作消息傳輸方法（ANT Control）執(zhí)行時(shí)間定義為：

式中，count(ANT)為RSU 節(jié)點(diǎn)進(jìn)行轉(zhuǎn)換的次數(shù)；|R|為整體路網(wǎng)中RSU 節(jié)點(diǎn)的總數(shù)量；|E|為形成RSU 協(xié)作組的規(guī)模；time(rk,Rcopi,Rcopj)為某個(gè)RSU 從一個(gè)協(xié)作組轉(zhuǎn)換到另一個(gè)協(xié)作組需要的時(shí)間，轉(zhuǎn)換的時(shí)間復(fù)雜度為O(N2)；time(s)為更新的RSU節(jié)點(diǎn)參加過的歷史協(xié)作組，時(shí)間復(fù)雜度為O(N)。

4 仿真結(jié)果

為了對(duì)本文提出的基于蟻群算法的車路協(xié)作消息傳輸策略（ANT Control）的準(zhǔn)確性和執(zhí)行效率進(jìn)行驗(yàn)證，在交通仿真器SUMO 中，以本地地圖選擇真實(shí)地理結(jié)構(gòu)構(gòu)建路網(wǎng)，在信息傳輸量與路網(wǎng)收益等指標(biāo)方面，對(duì)ANT 協(xié)作策略與非協(xié)作、聯(lián)盟博弈（Coalition Formation Games，CGS）[11]和MHEMs[13]策略的性能進(jìn)行對(duì)比評(píng)估。

4.1 仿真參數(shù)設(shè)定

在構(gòu)建的路網(wǎng)中選取包含15個(gè)交叉路口的交通區(qū)域，某個(gè)時(shí)刻車流量情況如圖3 所示，箭頭代表此時(shí)刻路段中車流量正在行駛的方向，在SUMO中每個(gè)交叉路口均布置1 個(gè)路側(cè)單元：為了便于仿真，假設(shè)路側(cè)單元設(shè)置在路口中心點(diǎn)；設(shè)置路側(cè)單元之間可以通過有線網(wǎng)絡(luò)進(jìn)行消息傳輸；車輛行駛速度依據(jù)交通流變化進(jìn)行調(diào)整，初始設(shè)定RSU 通信范圍為300 m，車輛通信范圍為150 m，生成車輛數(shù)量分布服從泊松分布，交通流分布服從格林希爾治（Greenshiedl）模型；路網(wǎng)中需要傳輸3 種數(shù)據(jù)類型，C={c1,c2,c3}，相對(duì)應(yīng)的權(quán)重為{wc1=0.9,wc2=0.8,wc3=0.5}。在仿真過程中，設(shè)定每30 s 對(duì)路網(wǎng)中每一條通路進(jìn)行車流量數(shù)據(jù)采集，仿真獲得1 000組模擬的車流量數(shù)據(jù)。

圖3 某時(shí)刻仿真路網(wǎng)

4.2 仿真結(jié)果分析

4.2.1 初始路網(wǎng)固定參數(shù)對(duì)比驗(yàn)證

4.2.1.1 數(shù)據(jù)塊傳輸量

在路網(wǎng)中，在仿真運(yùn)行時(shí)間小于0.8 h時(shí)，所有策略處理數(shù)據(jù)傳輸量的能力基本持平，但當(dāng)仿真運(yùn)行時(shí)間超過1 h時(shí)，本文提出的ANT協(xié)作策略與CGS策略處理數(shù)據(jù)傳輸量高于其他2種策略。當(dāng)運(yùn)行時(shí)間超過1.3 h時(shí)，ANT 策略能夠處理超過6 000 個(gè)數(shù)據(jù)塊，性能優(yōu)與其他策略，如圖4所示。

圖4 數(shù)據(jù)塊傳輸量對(duì)比

4.2.1.2 路網(wǎng)RSU協(xié)作規(guī)模分析

在路網(wǎng)中，設(shè)置RSU 規(guī)模不超過于3 個(gè)時(shí)，每種協(xié)作策略獲得的平均收益基本持平，當(dāng)RSU規(guī)模超過3個(gè)時(shí)，RSU平均收益均呈現(xiàn)出增加趨勢(shì)，在RSU規(guī)模為4～9 個(gè)時(shí)，RSU 平均收益出現(xiàn)波動(dòng)狀態(tài)，這是因?yàn)樾略黾勇肪W(wǎng)區(qū)域中車流量相對(duì)較低而導(dǎo)致平均收益下降，但ANT協(xié)作策略獲得的平均收益較其他協(xié)作策略高，相對(duì)于CGS 和MHEMs 策略，RSU 平均收益分別增加了7.2%和7.9%，如圖5所示。

圖5 RSU平均收益關(guān)系

4.2.2 路網(wǎng)參數(shù)變化情況下的對(duì)比驗(yàn)證

4.2.2.1 不同收益系數(shù)β對(duì)比

在路網(wǎng)中，設(shè)θ=10，pk,i=10個(gè)數(shù)據(jù)塊，δ=0.8，評(píng)估收益系數(shù)β取值變化對(duì)策略性能的影響。收益系數(shù)β從0.2增加至1.0過程中，統(tǒng)計(jì)不同路網(wǎng)規(guī)模下的ANT策略的執(zhí)行效率情況，如圖6所示，隨著β的增大，ANT策略的RSU平均收益均提高，路網(wǎng)中RSU數(shù)量越多，則取得收益越大。

圖6 不同路網(wǎng)規(guī)模條件下ANT性能

4.2.2.2 不同RSU通信覆蓋范圍對(duì)比

設(shè)置RSU 通信覆蓋距離為分別為200 m、250 m、300 m和350 m，對(duì)ANT策略執(zhí)行效率進(jìn)行評(píng)估，車輛通信距離設(shè)置仍為150 m，punit(V2I)和punit(V2V)取值均為3 個(gè)數(shù)據(jù)塊，設(shè)β=1.0。

隨著路網(wǎng)中RSU 規(guī)模的增加，在不同RSU 通信范圍覆蓋下，ANT策略整體收益均增加，但當(dāng)RSU節(jié)點(diǎn)超過4個(gè)時(shí)，不同RSU通信覆蓋范圍下ANT策略產(chǎn)生的收益增加開始放緩。在RSU 節(jié)點(diǎn)達(dá)到15 個(gè)時(shí)，ANT 策略在通信范圍為350 m較300 m、250 m和200 m收益分別提高了9%、26%、45%，可見隨著RSU 通信覆蓋范圍增加，路網(wǎng)平均收益也在提高，但收益提升程度隨著通信范圍增加逐步降低，如圖7所示。

圖7 不同RSU通信覆蓋范圍ANT策略性能對(duì)比

4.2.2.3 參數(shù)δ變化對(duì)比

δ對(duì)RSU間協(xié)作通信的影響至關(guān)重要，不同參數(shù)δ條件下RSU平均收益如圖8所示，設(shè)路網(wǎng)中RSU數(shù)量為10個(gè)，隨著能夠進(jìn)行V2V通信車輛的比例系數(shù)提升，RSU平均收益均增加（除非合作策略），這是因?yàn)棣奶嵘沟玫缆分熊嚶烽g共享數(shù)據(jù)的能力明顯加強(qiáng)，當(dāng)δ＞0.4時(shí)，ANT協(xié)作策略使RSU能夠獲得更多的平均收益，當(dāng)δ=1.0時(shí)，ANT協(xié)作策略能使路側(cè)單元平均收益增加達(dá)到最優(yōu)狀態(tài)，與CGS和MHEMs協(xié)作策略相對(duì)比，分別提升了5.72%、10.88%。

圖8 不同參數(shù)δ條件下RSU平均收益

4.2.3 系統(tǒng)運(yùn)行效率分析

4.2.3.1 系統(tǒng)運(yùn)行時(shí)間分析

當(dāng)RSU 數(shù)量為15 個(gè)時(shí)，隨著δ增大，ANT 與CGS、MHEMs 策略的轉(zhuǎn)換次數(shù)均增加，但相較于CGS、MHEMs策略，ANT的轉(zhuǎn)換次數(shù)明顯低于上述2種策略，如圖9所示。

圖9 不同參數(shù)δ條件下RSU轉(zhuǎn)換次數(shù)

設(shè)δ=0.8，不同路網(wǎng)規(guī)模下RSU 轉(zhuǎn)換時(shí)間如圖10 所示，隨著路網(wǎng)規(guī)模增加，每種策略的RSU轉(zhuǎn)換時(shí)間均增加，ANT策略在路網(wǎng)中RSU數(shù)量不超過7個(gè)時(shí)，轉(zhuǎn)換時(shí)間低于其他2種策略，當(dāng)RSU數(shù)量大于7個(gè)時(shí)，ANT策略的轉(zhuǎn)換時(shí)間長于MHEMs 策略所花費(fèi)時(shí)間，但仍然維持在可接受時(shí)間范圍內(nèi)，基本滿足系統(tǒng)對(duì)運(yùn)算時(shí)間的要求。

圖10 不同路網(wǎng)規(guī)模下RSU轉(zhuǎn)換時(shí)間對(duì)比

4.2.3.2 系統(tǒng)運(yùn)行精度分析

建立一個(gè)能夠以全遍歷方式進(jìn)行搜索的全局搜索策略（Global Search），與ANT策略在執(zhí)行效率方面進(jìn)行對(duì)比評(píng)估。在路網(wǎng)中設(shè)置RSU規(guī)模取值2～15個(gè)。設(shè)定每次取值，通過全遍歷暴力搜索方式獲取最優(yōu)的RSU平均收益率為100%，ANT 策略按照實(shí)際獲得收益與全局搜索策略相比較，進(jìn)行百分比轉(zhuǎn)換，對(duì)ANT策略性能進(jìn)行評(píng)估，設(shè)置δ=0.8。執(zhí)行效率分析結(jié)果如圖11所示，隨著路網(wǎng)規(guī)模的增加，ANT 策略獲得RSU 平均收益呈現(xiàn)下降趨勢(shì)，但ANT 控制策略仍高于全局搜索策略獲得RSU平均收益的90%，基本滿足系統(tǒng)性能需求。

圖11 執(zhí)行效率分析

5 結(jié)束語

針對(duì)車輛自組織網(wǎng)絡(luò)中車輛高速移動(dòng)以及拓?fù)渥兓焖贄l件下車路協(xié)作過程中車輛只能與路側(cè)單元維持較短通信時(shí)間，限制信息傳輸?shù)臄?shù)量與種類的問題，本文提出基于蟻群算法的車路協(xié)作消息傳輸方法，將網(wǎng)絡(luò)劃分成若干個(gè)車輛通信協(xié)作組，達(dá)到提高數(shù)據(jù)傳輸效率，并降低通信成本的目的。由仿真分析結(jié)果可知，相對(duì)于非協(xié)作、聯(lián)盟博弈方案與多級(jí)聯(lián)盟劃分方案，路網(wǎng)中RSU平均收益顯著提升，提升了VANET信息傳輸效率。

然而，本文在理想通信條件（不存在丟包和延時(shí)等情況）下開展分析，并不能完全反映真實(shí)路網(wǎng)情況，因此未來將開展在無線通信環(huán)境下仍能高效運(yùn)行的車輛協(xié)作控制策略設(shè)計(jì)，在趨近于真實(shí)交通環(huán)境中，提高路網(wǎng)中的信息傳輸效率。