文化的基本路径范例(3篇)

文化的基本路径范文

动态环境移动机器人遗传算法路径规划

1绪论

移动机器人在进行工作时，往往要求根据某一准则（如路线长度最短、能量消耗最少等），在结构化空间中沿一条最优（或次优）的路径行走。为寻求这条行走路径，人们提出了路径规划的可视图法、人工势场法等。但是，可视图法搜索路径的算法复杂，效率不高；而人工势场法有可能产生极小路径点，使得机器人停滞不前，从全局上把握不了路径的质量。近来随着遗传算法等新的全局最优化方法的发展和应用，也有文献利用遗传算法来规划机器人路径。但文献所介绍的方法产生的无效路径太多，使得计算效率太低，甚至找不出最优路径。

针对这种动态环境的特点，本文从系统的观点提出一种路径规划新方法。整个系统包括两个层次，全局规划层采用改进遗传算法根据整体环境信息决策出初始全局优化路径，而局部规划层采用基于行为的方法根据局部高分辨率信息实时修正初始全局优化路径.基于行为的方法，是一种简单、实时性强的控制机器人运动的方法。该方法根据任务的不同将机器人的运动分解为几个基本行为，通过传感器和通信信息对环境做出快速反应，以利于机器人迅速完成任务。设计了三个基本行为，即跟踪全局路径的行为、避碰的行为和目标制导的行为。其中，避碰的行为采用强化学习得到。

2模型的建立

2.1遗传算法

遗传算法是基于自然选择和遗传学原理的搜索算法。它将“适者生存”这一基本的达尔文进化理论引入串结构，并且在串之间进行有组织但又随机的信息交换。伴随着信息交换的进行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体。遗传算法的基本思想是：在问题的求解过程中，把搜索空间视为遗传空间，把问题的每一个可能解看作一个个体，个体里面有基因，所有的个体组成群体。依据某种评价标准对每一个个体进行评价，计算其适应度，并根据适应度对每一个个体进行选择、变异和交叉操作，淘汰适应度小的个体，留下适应度大的染色体，从而得到新的群体，新的群体优于旧的群体。对新的群体再施加自然选择法则，结果一代胜过一代，直到达到预定的优化标准。以上就是遗传算法的基本原理。

2.2路径规划建模

本文在对移动机器人路径规划时采用栅格法来表示，即用大小相同的栅格来划分机器人的工作空间。首先，移动机器人通过势场生成一个障碍物地图，然后机器人利用障碍物地图来规划一条安全的路径，该路径是使机器人由起点运动到终点的一条无碰路径。

障碍物的位置一旦被传感系统如视觉传感器探测到，则赋给与那些位置相对应的栅格一定的初始值，并根据规定的减函数向相邻栅格传播，这样就得到一张障碍物地图。在地图中，用“0”来代表开放的空间，“1”代表障碍物或墙壁，“8”为起始点，“5”为出口。整数表示的地图数组如图1所示：

（1）将环境空间划分为独立的栅格空间；

（2）首先将环境空间的每个栅格初始化为0；

（3）探测障碍物所占据的部分栅格；

（4）把1赋给障碍物所占据的栅格；

（5）在障碍物地图中，被占栅格上、下、左、右的四个相邻栅格的值neighbor通过规定的减函数decrease来计算，直到计算值小于或等于0，即neighbor[Edirection]=decrease（s，dtreclion），其中direction为0，1，2，3，表示赋值为0的左右四个相邻栅格，s为当前栅格的值，在屏幕上显示的仿真效果图如图2所示：

3基于遗传算法的路径规划实现

3.1问题定义

本文研究的移动机器人运动环境为二维平面空间，环境中的静态障碍物已知，动态障碍物可以探测。这样使得问题便于着手，有利于把重点放在探索遗传算法在这类问题的实际应用上来，为今后研究三维空间内机器人的运动路径规划打下基础。本文将移动机器人视作一个质点，即不考虑机器人的尺寸。本文的目标是要在静态环境和具有少量动态障碍物出现或运动的环境里，为机器人找到一条从当前位置到目标位置的行动路线，要求这条路径满足以下条件：（1）该路径不与任何障碍物发生冲突；（2）该路径应尽可能短；（3）该路径应与障碍物保持一定的安全距离；（4）该路径应尽可能平滑。

3.2算法参数选择

在遗传算法中，个体的长度、种群的长度、遗传操作概率等都是影响算法优化性能和效率的因素之一。交叉概率（CROSSOVER_RATE）用于控制交叉操作的频率。概率太大时，种群中串的更新很快，进而会使高适应度的个体很快被破坏掉；概率太小时，交叉操作很少进行，从而会使搜索停滞不前。变异概率（MUTATION_RATE）是加大种群多样性的重要因素。概率太小则不会产生新的个体；概率太大则使遗传算法成为随机搜索。

适应度值是引导算法搜索的唯一依据。在路径规划问题上，适应值函数由路径的长度、路径的安全程度以及路径的平滑程度共同构成。目标是在满足一定的安全条件下寻求一条尽可能短的比较平滑的路径。在程序中，单个个体的适应值为：：m_vecGenomes[i].dFitness=1/（double）（DiffX+DiffY+1）（3-1），其中：DiffX=abs（posX-m_iEndX）；（3-2），DiffY=abs（posY-m_iEndY）；（3-3）。式中，posX为机器人当前位置的X轴坐标；posY为机器人当前位置的Y轴坐标；m_iEndX为机器人终点位置的X轴坐标；m_iEndY为机器人终点位置的Y轴坐标；总的适应度值为单个个体的总和，如式3-4所示：m_dTotalFitnessScore+=m_vecGenomes[i].dFitness（3-4）。

3.3算法的终止条件

本文使用种群长度作为终止条件。被优选后的群体储存在m_vecGenomes种群中，用NewBabies记录群体的长度，如果其长度不小于给定的种群长度m_iPopSize，则退出循环，否则继续循环。

4动态环境仿真试验

图3所示为机器人向出口运动过程中，出现运动障碍物的情况下，利用算法不断寻找到通向出口的路径。图中分别作出最优个体的路径规划图和种群适应值及最优路径仿真过程图。需要说明的是，路径规划是寻找满足安全的最短路径，这是求最小值的问题，因此以下各图中适应值（或称路径代价）越小，则该路径越好。随着进化代数的增加，适应度值逐渐减少，路径长度也减少。参数同前三次试验的结果作比较可知，迭代次数同适应度成正比，同路径长度成反比。可以看出，本文所进行的仿真试验能够成功地利用遗传算法找到了近似最优路径，并且具有很强的实施性、实用性。

6结论

本文在分析比较目前各种移动机器人路径规划算法的优缺点的基础上，对采用遗传算法解决静态和动态环境里路径规划问题的方法作了进一步的分析研究。通过在多个复杂程度不同的环境下，分别进行静态和动态情况下的仿真，仿真结果表明，该算法能够成功地规划出近似最优的路径。

参考文献：

[1]徐国华，谭民.移动机器人的发展现状及其趋势.机器人技术与应用，2001，20（2）：45-51.

文化的基本路径范文

（济南大学管理学院，济南250022）

（SchoolofManagement，UniversityofJi´nan，Ji´nan250022，China）

摘要：在静态路径优化问题的基础上，本文引入了动态规划思想，将道路阻塞情况与受灾点需求信息不断更新等因素考虑进来，构建了动态需求条件下的应急物流路径优化模型。结合相关研究成果探讨了模型的求解思路，并利用改进的蚁群算法进行算例分析，得出了动态更新的优化路径，验证了模型的有效性。

Abstract:Basedonthestaticpathoptimization,thispaperbringsintheideaofdynamicplanning.Itconsidersthefactorssuchastheroadcongestionandtheconstantlyupdateddemandinformationofdisaster-affectedareatobuildtheemergencylogisticspathoptimizationmodelundertheconditionofdynamicdemand.Combinedwiththerelatedresearchresults,thispaperdiscussesthethinkingofsolvingthemodelandanalyzestheexamplesbytheadvancedantcolonyalgorithmtoobtainthedynamicupdateofoptimizedpathandverifythevalidityofthemodel.

关键词：应急物流；动态路径优化；蚁群算法

Keywords:emergencylogistics；dynamicpathoptimization；antcolonyalgorithm

中图分类号：TP18文献标识码：A

文章编号：1006-4311（2015）06-0024-03

0引言

基于现实条件的限制，当大规模自然灾害突发以后，相关部门第一时间得到的信息往往是模糊的、不确定的。随着道路情况、受灾点需求等信息的不断更新，应急物流路径优化的决策也应随时进行调整，这就是本文要研究的动态需求条件下的路径优化问题，也可称为“实时”问题或“在线”问题，但国内外相关文献研究中使用“动态”问题的描述更为广泛。1977年，Wilson和Colvin研究了顾客如何搭载车辆到达目的地的问题，这是首次将动态特性与VRP问题结合的文献[1]；Potvin（2006）[2]、Xiang（2008）[3]等通过考虑不同的动态因素，提出了相应的调配策略；Guner[4]（2012）、饶卫振[5]（2013）等针对不同起讫点的路径优化问题，建立了具有模糊需求的动态多目标约束规划模型。本文在分析国内外相关研究成果的基础上综合考虑了四种动态事件，建立了动态路径优化模型，为动态规划理论在该领域的应用提供了相关理论依据；通过算例分析验证了模型的有效性，可以更加适用于实际灾情发生后信息不断更新的情况，为动态事件发生后如何优化配送方案提供了有效参考。

1问题描述

静态需求条件下的路径优化问题是应急物流领域的热点问题，也是本文研究的动态路径优化问题的基础，可以简单描述为：大规模自然灾害发生后，假设受灾地区的需求信息是确定的并可以一次性得到的，相关救援部门根据第一时间获取的灾情信息制定救援方案，从临时中转站调配车辆完成配送任务。静态需求条件下的路径优化模型有时间和成本两个目标：

1.1时间最小化目标

目标函数（1）为模型第一目标，即保证运载过程中的物资运输时间总和与未满足时间窗限制的惩罚最小。对于突发自然灾害来说，各灾区对于救援物资响应时间的要求是较高的，随着时间的推移，需求的重点转化为对物资数量的要求。

1.2成本最小化目标

目标函数（2）的目标是追求运载过程的总成本最小，包括车辆固定成本与变动成本两方面。

在实际突发自然灾害中，信息总是不断更新的，本文在此基础上考虑了四种情况下的动态信息：①出现新的受灾点；②原有受灾点改变需求信息；③原有受灾点撤销应急需求；④道路阻塞。静态和动态应急物流路径优化问题的区别在于，前者假设灾害发生后的需求信息是确定的，其物资配送方案是配送前一次性求解得到的；而动态需求条件下的应急物流路径优化问题需要基于灾害初始时刻的已知信息求解得到初始配送方案，进而在执行的过程中将不断更新的信息考虑进来，产生新的配送方案。假设在配送的过程中共有M次新信息的出现，则求解的过程就是M+1次。因此，动态需求条件下的应急物流路径优化问题可以看成是在出现新信息的时刻点分别将新的因素考虑进来，得出新的优化配送方案。静态与动态应急物流车辆路径问题的对比分析如图1所示。

从图1可以看出，动态问题的初始求解是基于静态问题的，而当新信息出现后，运载物资的车辆正在执行初始的配送方案，如何调整配送方案使之达到全局最优就是本文需要解决的问题。

2动态需求条件下的路径优化模型

由上述分析可知，建立动态需求条件下的路径优化模型，就等价于建立能够表示M+1个静态车辆路径问题的模型，具体来说就是在M个动态事件发生的时刻点{EventTime1，EventTime2…EventTimem}下，动态路径优化模型的求解会分别对应M个静态路径优化问题。

因此，本文的动态路径优化模型的最终解是M+1个静态路径优化问题在时刻点{EventTime1，EventTime2…EventTimem}下的组合。

2.1模型假设为了更好地描述和理解灾后需求不断更新的路径优化模型，模型的构建应满足如下假设：

①只考虑一个受灾分组内的需求点物资配送信息，即所有配送车辆从同一个中转站出发，中转站坐标已定。

②每个受灾点的物资需求都只由同一辆车供应，且需求点的需求量小于车辆的载重。

③只考虑局部道路阻塞问题，即不考虑大面积交通瘫痪致配送方案无法执行的问题。

④整个救援任务以所有需求点的需求量得到满足为止。

⑤运载车辆的平均速度是已知的。

2.2模型构建动态需求条件下的路径优化问题在时刻点t下的模型是一个多目标优化模型，根据上述分析，结合动态规划的原理和已构建的静态路径优化模型，现构建动态路径优化模型如下：

Objfd=ft0-tE+optftE-te（3）

式（3）为本文建立的动态路径优化模型，其中t0为配送方案开始的时刻点，tE为配送过程中新的动态信息Eventm出现的时刻点，ft0-tE表示从配送方案开始到动态信息出现的过程中，配送车辆按静态路径优化模型得出的优化方案所执行得到的最优解；te为整体配送方案结束的时刻点，ftE-te表示动态信息出现后根据静态路径优化模型所得到的新的配送方案，新的动态事件可能有M种，其中用d（t）表示t时刻点的动态信息，是一个离散函数。

d（t）=dtt=0，1，2…end（4）

在物资配送过程中，原有信息不断更新，本文考虑的动态信息包括四类：①出现新的受灾点；②原有受灾点改变需求信息；③原有受灾点撤销应急需求；④道路阻塞。

3模型求解思路

针对以上分析，形成了适用于本文构建动态路径优化模型的求解思路：将动态路径优化问题看成M+1个静态问题，即接收动态事件后，将新信息替换原有信息得到一个新的静态路径优化问题，在每次动态事件发生后整合接收的新信息，从全局角度出发重新优化配送方案。

通过引用关于静态需求条件下路径优化问题设计的改进蚁群算法，结合动态路径优化模型的特点，本文设计的算法步骤如图2。

4算例分析

4.1问题的初始条件在静态需求条件下的应急物流路径优化问题中，通过考虑临时中转站与受灾点坐标、灾情等级、受灾点需求信息等数据，将15个受灾点分成两个受灾分组，利用设计的改进蚁群算法进行了相关分析，最终的总目标函数值是由5条子路径的目标函数值分别相加并赋予权重获得：f1=3004，f2=8035；0.7f1+0.3f2=4513.3。并将改进蚁群算法的改进之处分别限制从而构造了另外两种蚁群算法进行比较，证实了改进蚁群算法的优越性。

图3为静态路径优化问题其中一个受灾分组得到的最优解，即本文动态路径优化问题的初始配送方案。初始最优解的车辆数目为3，临时中转站为Ⅰ。子路径1：Ⅰ8391Ⅰ；子路径2：Ⅰ476Ⅰ；子路径3：Ⅰ25Ⅰ。

现对配送过程中发生的动态事件进行假设如下：

①在EventTime1（3）时刻，受灾点3和4改变应急需求，其中受灾点3对物资1和物资2的需求量更新为（3；5），受灾点4对物资1和物资2的需求时间窗更新为（7；9）；

②在EventTime2（6）时刻，受灾点9撤销应急物资需求；

③在EventTime3（9）时刻，受灾点1和5之间的道路阻塞，经过5个时间段后修复完好，这一过程中车辆选择继续等待或者寻找新的路径；

④在EventTime4（10）时刻，新的受灾点10和11提出应急需求，其中受灾点10的坐标为（14，8），对物资1和物资2的需求量为（5；4），时间窗为（9；6），受灾点11的坐标为（18，22），对物资1和物资2的需求量为（14；10），时间窗为（8；9）。

4.2实验结果分析本算例中设定车辆的平均行驶速度为1，车辆的载重负荷为65吨，车辆行驶的固定成本为500元/辆，车辆行驶的变动成本为50元/小时，时间窗限制的惩罚系数假定为100元/小时。本算例中设定改进蚁群算法的参数如下：迭代次数为200，种群大小为20，α=2，β=2，ρ=0.5，Q=1，τmin=3，τmax=10。

将上述设定的实际问题的初始条件代入本文建立的动态路径优化模型中，并根据上述模型求解思路的分析求解算例，结果如下：

①t0时刻的配送方案已知，在EventTime1（3）时刻，子路径1中受灾点8已完成配送，下一配送点为3；子路径2中受灾点4即将接受配送；子路径3中受灾点2即将接受配送。

根据更新的信息，当前时刻最优解的车辆数目为3，子路径1：Ⅰ8391Ⅰ；子路径2：Ⅰ476Ⅰ；子路径3：Ⅰ25Ⅰ。

②在EventTime2（6）时刻，子路径1中受灾点8、3已完成配送，下一配送点为9；子路径2中受灾点4已完成配送，下一配送点为7；子路径3中受灾点2即将接受配送。

根据更新的信息，当前时刻最优解的车辆数目为3，子路径1：Ⅰ8315Ⅰ；子路径2：Ⅰ476Ⅰ；子路径3：Ⅰ2Ⅰ。

③EventTime3在（9）时刻，子路径1中受灾点8、3已完成配送，下一配送点为1；子路径2中受灾点4、7已完成配送，下一配送点为6；子路径3中受灾点2即将接受配送。

根据更新的信息，当前时刻最优解的车辆数目为3，子路径1：Ⅰ831Ⅰ；子路径2：Ⅰ476Ⅰ；子路径3：Ⅰ25Ⅰ。

④在EventTime4（10）时刻，子路径1中受灾点8、3已完成配送，下一配送点为1；子路径2中受灾点4、7已完成配送，下一配送点为6；子路径3中受灾点2已完成配送，下一配送点为5。

根据更新的信息，当前时刻最优解的车辆数目为4，子路径1：Ⅰ83111Ⅰ；子路径2：Ⅰ476Ⅰ；子路径3：Ⅰ25Ⅰ；子路径4：Ⅰ10Ⅰ。

由上述假设可知，在时刻点EventTime4（10）后不再有动态事件出现，配送方案执行至结束。最终解的最优路径如图4所示。

最终的总目标函数值是由4条子路径的目标函数值分别相加并赋予权重获得：

f1=4631.5，f2=6510

0.7f1+0.3f2=5195.1

从上述实验结果可以看出，动态需求条件下的应急物流路径优化问题比较复杂，最终解的值要大于相同数据下静态路径优化问题的值，这是因为在动态需求条件下，配送方案是不断修正并更新的，车辆可能会在两个受灾点之间时接受新的配送方案，从而修正原路径，因而会增加时间和成本。

5结论

本文在静态需求条件下路径优化问题的基础上，根据实际应急物资配送过程中会不断有信息更新的情况，构建了动态路径优化模型。结合改进蚁群算法解决静态路径优化问题的特点，本文分析了动态路径优化模型的思路，并通过相应的算例分析了四种动态事件发生后配送方案的更新过程，以此证实了本文构建动态路径优化模型的有效性，为实际灾情发生时相关部门的决策提供了参考。

参考文献：

[1]WiIsonN，ColvinN.Computercontroloftherochesterdial-a-ridesystem[Z].Cambridge，Massachusetts，1977.

[2]PotvinJY，YingXB，BenyahiaH.Vehicleroutingandschedulingwithdynamictraveltimes[J].Computers&OperationsResearch，2006，33(4):1129-1137.

[3]XiangZH，ChuCB，ChenHX.Thestudyofadynamicdial-a-rideproblemundertime-dependentandstochasticenvironments[J].EuropeanJournalofOperationalResearch，2008，185(2):534-551.

[4]GunerAR，MuratA，ChinnamRB.Dynamicroutingunderrecurrentandnon-recurrentcongestionusingreal-timeitsinformation[J].Computers&OperationsResearch，2012，39（2）：358-373.

[5]饶卫振.大规模动态车辆路径问题优化方法研究[D].大连理工大学，2012.

文化的基本路径范文篇3

关键词：网络编码；无线传感器网络；多径路由

中图分类号：TP212.9文献标识码：A文章编号：1007-9599(2011)17-0000-01

SensorNetworksMulti-PathModelAnalysis

BasedOnNetworkCoding

ChenJingqi

(LiaoningEngineeringTechnologyUniversityofElectronicandInformationEngineering,Huludao125105,China)

Abstract:Multi-pathroutingpronetolossofpacketsoutoforder,andthephenomenonofnetworkcodingtechnologyintotheChineseandmulti-path,theestablishmentoftwoweb-basedcodingofmulti-pathroutingmodelforsensornetworks.Bythesourcenode,relaynodeencodinganddecodingthereceivingend,packetsoutoforderandinsomecases,isstillmissingsourcepacketscanberecovered,inensuringthepremiseofreducingredundancy,improvingthenetwork'ssuccessfuldeliveryrate.Carriedoutusingmatlabsimulationmodelandfoundtwomodelsfordifferentsizesofnetworks,andfinally,proposedaroutebasedonnetworksizeselectionmethod.

Keywords:Networkcoding;Wirelesssensornetworks;Multi-pathrouting

一、引言

由于无线传感器节点多且网络具有不稳定性，WSN的路由成为了制约其推广和应用的瓶颈，传统的单径传输很难满足网络传输的要求，因此很多学者研究使用多径路由技术方案来解决这个问题。多径路由是指在一次路由发现过程中找到多条路径，从而减少路由发现的次数，同时它可以利用多条链路的冗余特性，提高了整个网络的成功交付率，降低了控制开销与端到端延迟。多径路由所具有的稳定性和提高网络资源利用率的特点，使得多径路由更适合QoS路由的要求。相对于单径路由，多径路由技术在带宽有效使用、拥塞和突发流量处理、传输的可靠性等方面都具有其独特的优势，因此越来越多的学者开始研究多路径路由技术在无线传感器网络中的应用。但在WSN中应用多径路由技术也面临一些新的挑战：一方面，由于多径路由技术采用并行方式传输数据报文，各路径的带宽、跳数以及节点处理能力的差异导致报文传输延时差别较大，在目的端会出现报文乱序现象；另一方面，WSN拓扑变化和链路差错引起的路径中断会导致某些路径拥塞，从而产生报文丢失现象。当网络规模较大时，采用传统的解决方案如报文重排序和报文重传机制将极大地增加网络传输代价，因此，多径路由应用在WSN中也有一定的局限性。

二、基于网络编码的多径路由传感器网络模型

（一）应用网络编码的不相交多路径传感器网络模型

本节采用一个经典的多径网络模型。网络拓扑。对于所有的节点，把它们分为N条不相交的路径，分别记为第1到N条，其中每条路径里面除发射端包含的节点个数记为ni，i=1…...N。而接收端为第ni个节点。

（二）应用网络编码的相交多路径传感器网络模型

网络拓扑是建立了一个基于簇的相交多路径路由模型[1]。对于所有的节点，把它们分为N个簇，分别记为第1到N簇。其中每个簇里面包含的节点个数记为ni，其中i=1…...N。而接收端在第N个簇中。

三、性能分析比较

（一）使用网络编码前后性能分析

通过模型可以看出，加入网络编码后在部分数据包出错的情况下仍旧能够通过网络编码还原出初始数据包，因此信道容错能力得到了大幅度提升，网络成功交付率必定能够得到大幅度提升。使用网络编码后，增加了部分数据冗余，但是随着网络成功交付率的提升，也会抵消部分冗余，网络标准化冗余度不会大幅度增加。

在簇数为5、每个簇中节点个数为2、传输数据为512个字节、每一组数据包个数为3时，在matlab中进行仿真计算，指标变化如图3所示，可以看出，仿真结果跟分析基本一致。对于不相交多径路由来说，虽然使用网络编码技术时有一定的冗余，但是成功交付率的提升幅度更大，因此标准化冗余度还是比未使用网络编码模型有大幅度降低；而对于相交多径路由来说由于网络成功交付率在使用了网络编码后提升幅度较小，不能抵掉数据冗余度增加的幅度，因此使用网络编码后标准化冗余度略微变大。

通过上面分析和仿真计算，我们可以发现，网络编码技术在多径传感器网络中能获得较好的效果，在保证系统冗余度的同时提高了网络了成功交付率。

（二）两种基于网络编码技术多路径传感器网络模型比较

在跳数分别为[2510204060]时，两种模型成功交付率：

1.基于网络编码的相交多径路由（BMRNC）受簇数影响较小，当跳数大于5时成功交付率基本不再发生变化；而基于网络编码的不相交多径路由（DMRNC）模型随跳数变化较大并且随着跳数增加而降低。

2.当跳数较小时DMRNC模型成功交付率要比BMRNC络模型高，随着跳数增加，DMRNC模型成功交付率逐渐下降，在跳数大于40后，成功交付率要比BMRNC模型低。

3.跳数分别为10、20、40、60时，其变化基本与成功交付率一致。

当层数为5，簇中节点变化（2、3、5、8）时，仿真计算结果：

1.随着节点变多，两种模型的成功交付率都随之提高，且BMR模型提高的幅度要比DMR+NC模型大。

2.当节点较少时相交网络编码模型成功交付率比不相交的低，随着节点个数变多，相交网络编码模型成功交付率逐渐超越不相交网络编码模型。

可以看出BMRNC模型随着簇中个数的增加由于成功交付率变稳定，标准化冗余度逐渐变得稳定，但是误码率较低的时候标准化冗余度随着节点个数变大而变高，主要是因为节点变多后，路径变多，冗余增加。而DMRNC模型由于采用了分包传输，虽然路径变多，但是每条路径上传输的数据变小，因此标准化冗余度随节点个数变化不大。

通过本节分析可以看出，两种基于网络编码的多路径传感器网络适用的网络不同：DMRNC模型适用于网络规模较小的网络（簇数较小，簇中的节点较少），而BMRNC模型则适用于网络规模较大的网络，且对正确交付率和标准化冗余度的影响基本保持一致。这样一来，在实际应用中我们就可以根据网络规模来选择使用的模型，使得网络达到最优，简单期间，只把网络的正确交付率作为选择路由的评判标准，得知网络规模（N，ni），通过计算两种模型的正确交付率，选择正确交付率高的路由模型来组建网络。

四、结束语

通过仿真计算可以看出，使用网络编码后的多径路由成功交付率和标准化冗余度都得到了很好的改善，极大地提高了传感器网络的整体性能。通过对两种基于网络编码模型的性能比较，发现不同的多径路有适合的网络规模不同，提出的根据规模选择网络编码多径路由的方法能够使网络的整体性能进一步提升。