无线mesh网络中的多目标优化研究综述

《ACM Computing Surveys》：MultiObjective Optimization in Wireless Mesh Networks – A Survey

无线网状网络（WMNs）在灾害恢复、智能城市等场景中提供可靠宽带连接，但动态拓扑、干扰、频谱受限和异构QoS需求带来设计挑战，需通过多目标优化（MOO）平衡性能指标。现有MOO方法可分为整数线性规划（ILP）、启发式、元启发式、进化算法、学习算法及混合算法，其中启发式（32%）和元启发式（26%）应用最广，而ILP仅占2%。通过分析16项设计维度发现，吞吐量优化占主导（44%），但移动性、安全性和功率控制研究不足（均<5%）。研究指出多目标交互关系仅被24.22%覆盖，未来需整合移动感知路由与跨层安全优化提升WMNs的扩展性和鲁棒性。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

无线mesh网络（WMNs）已成为在灾难恢复、智慧城市和农村部署等场景中实现弹性、可扩展且经济高效的宽带连接的有前景的解决方案。然而，动态拓扑结构、干扰、有限的频谱可用性和异构的服务质量（QoS）需求等固有特性带来了设计挑战，需要在相互冲突的性能目标之间进行权衡。这些相互依赖性使得多目标优化（MOO）成为WMN研究中的关键方法，能够同时考虑多个目标，包括最大化吞吐量、最小化延迟、降低能耗和提高公平性。本调查的目的是系统地回顾、分类和分析WMN的多目标优化技术，识别研究趋势和未充分探索的领域，并指出未来工作的潜在方向。我们将现有方法分为整数线性规划（ILP）、启发式方法、元启发式方法、进化算法、基于学习的算法和混合算法。我们对十六个设计方面的分析显示，启发式方法应用最广泛（32%），其次是元启发式方法（26%）、混合算法（21%）、进化算法（11%）和ILP（2%）。以吞吐量为中心的优化占主导地位（44%），而安全性、移动性和功率控制方面仍研究不足（<5%）。我们还发现了多目标相互依赖性方面的空白，以往的研究仅涵盖了潜在关系的24.22%。我们的研究结果建议集成移动性感知路由和跨层安全性优化，以提高下一代WMN的可扩展性和鲁棒性。

人工智能摘要

人工智能生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现相关内容、帮助读者评估文章的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是文章的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。