LAMP：基于学习自动机的多目标优化方法在物联网（IoV）中用于无线传感器单元（RSU）的部署

《IEEE Open Journal of Vehicular Technology》：LAMP: Learning Automata-Based Multi-Objective Optimization for RSU Placement in IoV

　　

摘要：

在车联网（IoV）中，部署在道路交叉口的路边单元（RSUs）实现了车对基础设施（V2I）通信，并支持各种智能交通系统（ITS）。然而，由于RSU的部署受到安装成本的限制，确定最佳放置策略成为一个具有挑战性的问题。不当的放置可能导致网络覆盖不足、中继引起的延迟增加以及由于多跳车辆中继而导致的能量消耗增加。为了解决这些问题，本文提出了一种基于学习自动机的多目标RSU放置框架，称为LAMP，该框架同时优化了空间覆盖范围、基于交通流量的覆盖范围、中继引起的延迟和能量消耗。在所提出的方法中，每个候选交叉口都被建模为一个独立的学习自动机，该自动机使用线性奖励-不行动更新机制自适应地学习放置RSU的概率。为了提高收敛速度和解决方案的质量，LAMP整合了一个自适应衰减的学习率、多次运行重启策略和两阶段局部搜索优化机制。该框架在印度安得拉邦Mangalagiri的一个SUMO模拟的城市道路网络上进行了评估，该网络包含854个交叉口，车辆到达遵循泊松分布以表示随机交通流。实验结果表明，在RSU预算为15、20和25个单元的情况下，LAMP实现了最高的综合性能，其性能优于最接近的竞争方法0.4%–4.2%，同时计算时间显著低于基于种群优化的方法。