光载无线工业互联网络MAC层关键技术研究

摘要

随着新时代下接入网技术高速发展，在宽带化、无线化的潮流中，光载无线网络应运而生，其不仅支持数据高速传输，还拥有便于动态控制及维持维护的优势。在未来工业互联控制网络中拥有庞大的应用前景。对光载无线网络MAC层关键技术进行研究，针对光载无线特点为工业互联网络MAC层信道接入设计一种专门的高速稳定的优化策略，相信可以在未来工业互联网络中实现极为重要的应用价值。　　本文对现有MAC层信道接入技术算法的效率及对复杂环境的适应能力进行了研究，针对网络环境中节点数量范围的不同提出两种改进方法并使用MATLAB对其进行了仿真实验。具体的研究工作如下：　　1.针对P-坚持算法无法动态自适应的缺点，提出一种基于周期递推式的动态P-坚持CSMA改进算法。P-坚持CSMA算法主要运用在节点通过侦听信道状态来占用信道发送数据，其主要关注的是怎样选取数据传输概率P值来使得该协议在网络中获得最佳性能。在经过学习后发现，使用固定P值难以保证不同网络负载情况下的协议性能，从而无法适用在高速传输的光载无线网络中。针对这个问题，本文提出基于递推式统计的动态P-坚持CSMA改进算法，其采用依次递推式统计方法，实现了发送概率的动态调整。从仿真实验中可以看到较好的效果，效率明显优于1坚持、非坚持及P-坚持等三种CSMA算法。　　2.针对使用Q学习算法的节点状态空间复杂度会随着节点数的增加而指数性增长且Q学习算法存在学习效率不高的现象。提出一种基于多态Q学习的过程中共享经验的CSMA优化策略。如何在节点自身容量有限的情况下，采用合适方法来降低维数，减少搜索量和计算量成为关键点。同时，Q学习是一种无监督的在线学习，对环境先验知识不作要求，也正因如此节点需要花一定的学习时间来积累经验，而且对于节点来说无论是动作，还是状态，甚至于是奖赏都是独立的，无法及时适应复杂的环境。针对这些问题，本文提出了基于多态Q学习过程中共享经验的CSMA优化策略。在该优化策略中为节点定义了状态空间，简化了节点决策过程，同时节点通过单独学习，并阶段性地分享经验。实验证明，该优化策略降低了状态空间的复杂度，减少了搜索量，在学习过程中共享经验，更好的利用了经验知识。

目录

第一个书签之前

摘 要

Abstract

第一章 绪论

1.1 研究背景及意义

1.2 研究现状及趋势

工业控制网络经历了好几代发展，由最开始的计算机集中管控CCS至分布式控制系统DCS，再到现在目前还在

1.2.2 光载无线网络关键技术的研究

1.2.3 光载无线网络MAC层关键技术研究

1.3 本文的主要工作及结构安排

第二章 P-坚持与强化学习理论及主要算法

2.1 P-坚持学习理论

2.1.1 工作原理

2.1.2基于P坚持CSMA的IEEE 802.11 CSMA/CA

2.2 强化学习的基本原理和模型

2.3 强化学习的主要组成要素

2.4 强化学习的主要算法

2.5 强化学习的应用

2.6 本章小结

第三章 基于动态递推P-坚持的CSMA改进算法

3.1 标准P-坚持存在的问题

3.2 基于自计数的动态P-坚持算法

3.3 改进的基于动态递推周期的P-坚持算法

3.4 真实环境中实验及结果分析

3.5 本章小结

第四章 基于多态Q学习过程中经验共享的CSMA优化策略

4.1 Q学习算法存在的问题

4.2 基于多态Q学习的CSMA优化策略

4.2.1 系统模型和设置

4.2.2 定义节点状态空间

4.2.3学习算法

4.3 基于多态Q学习过程中共享经验的CSMA优化策略

4.3.1 已有的共享经验的Q学习算法

4.3.2 过程中共享经验的Q学习算法

4.4 仿真实验及结果分析

4.4.1 模拟环境搭建

4.4.2 实验结果分析

4.5 本章小结

第五章 总结与展望

5.1 本文工作总结

5.2 展望

参考文献

攻读学位期间主要成果

致 谢