简介压缩包共31个文件、约116KB以Matlab的m脚本为主并辅以fis模糊推理文件、fig图形文件及md说明文件完整实现了车联网场景下AODV、GPSR、LSPR三种经典路由算法。AODV采用按需距离向量机制适应动态拓扑GPSR依赖贪婪转发与边界恢复策略LSPR借助模糊逻辑评估链路稳定度三者可覆盖多种路由设计思路。资源面向车联网方向的研究生、工程师与算法爱好者主程序划分清晰直接运行即可观察路由建立、数据转发与链路切换过程还可通过修改车辆节点数量、移动轨迹等参数比较端到端时延与丢包率。配套的链路剩余时间计算、节点邻居表构建、模糊推理系统等模块代码为二次开发和协议优化提供了便利。目前已有287人学习下载适合作为理解VANET路由机制并开展仿真实验的参考实现。1. 车联网路由仿真为什么从这三个算法开始写做车联网路由仿真的人几乎都绕不开 AODV、GPSR、LSPR 这三组缩写。AODV 是拓扑驱动的经典代表按需建路GPSR 是地理位置路由的标杆完全靠节点坐标转发LSPR 这个名字稍微冷门一些但在车联网语境下通常指基于链路状态的优化路由或者在 GPSR 基础上引入稳定链路选择的变体。把三个算法放进同一套 Matlab 框架里对比等于同时看到了车联网路由的两条技术主线一条走拓扑一条走位置而第三条往往在两者之间找平衡。这个标题说“Matlab语言编写”实际上是在要求一份可运行的仿真代码而不是论文里的伪代码。这套仿真对谁最有用正在做毕设、准备投交通类或通信类期刊的学生以及刚进入车联网仿真方向、想把协议层和移动模型串起来的一线工程师都能从中找到可落地的比对方法。真正的价值不是把某个算法调到最好而是用一个统一的仿真平台控制变量量化比较端到端时延、投递率和路由开销。毕竟论文评审和答辩时最常问的一句话是你的改进到底比原版好在哪里数据从哪来的参数是不是公平的。2. 三个算法在车联网场景下的原理与选型关键2.1 AODV拓扑路由在高速移动下的适应逻辑AODV 属于按需路由协议源节点需要发数据时通过路由请求RREQ泛洪查找路径中间节点收到 RREQ 后建立反向路由目标节点回复 RREQ 后建立正向路由。它的核心优势是节点不需要周期性维护全网路由表只在真正通信时才启动路由发现网络开销因此被控制住。车辆环境下 AODV 的问题也很明显。车速快拓扑变化剧烈链路断裂后必须重新发起路由发现这个过程带来的时延可能超过数据包本身的传输时延。另一个问题是泛洪风暴在车辆密度高的路口RREQ 会被大量转发信道竞争加剧丢包率上升。AODV 里还有一个参数直接影响车联网场景表现即ACTIVE_ROUTE_TIMEOUT。这个值设得太短链路稍不稳就判定失效太长则会持续使用一条已经断开的路径造成黑洞。车道直线行驶时可以给一个相对高的值十字路口密集区域应当调低。这种参数级别的调整能力正是拿 Matlab 写协议栈时最容易做实验的部分。2.2 GPSR贪婪转发与周边转发的地域路由机制GPSR 的路由决策不依赖端到端路径而是依赖一跳范围内的邻居位置信息。源节点把数据包交给在传输方向上最接近目标的邻居这种贪婪模式一直执行下去直到进入路由空洞即当前节点找不到比自身更接近目标的邻居算法便切换成周边转发模式借助右手法则沿平面图边界绕行。车联网里 GPSR 的强项是开销低、反应快因为不维护全球路由表也不需要在通信前先建路。它的问题集中在地图约束和定位精度上。车辆只能沿着道路移动如果道路的几何形状导致了空洞GPSR 的周边恢复模式在稀疏路网下容易绕远路时延反而比 AODV 更差。仿真中要小心的是理想的单位圆图或相对邻图在真实道路拓扑上并不成立直接用随机路网做实验会高估 GPSR 的性能。为了贴近车联网场景我会把节点的移动轨迹限制在车道级路网内而不是放开成全平面自由移动。GPSR 还有一个弱点——它假定所有邻居都可靠但在构建邻居表后节点可能会沿着墙壁或隧道遮挡产生不稳定的“幽灵邻居”。2.3 LSPR 的定位及代码中常见的两种实现风格LSPR 在文献里没有唯一权威版本常见的解读有三种一是链路状态感知路由 (Link State based Position-based Routing)二是生命周期预测路由 (Life-time based Stable Path Routing)三是最短路径与地理转发的结合。因此看代码先看变量的命名比如link_lifetime、neighbor_quality或stable_cost就能判断设定里跟踪的是哪一类指标。在车联网路由论文里LSPR 往往是作为改进点出现的节点依据两个条件打分一是与邻居之间的链路预计维持时长二是邻居与目标的相对距离增益。打分高的邻居会被优先作为下一跳。这种做法的目标是在 GPSR 的贪心跳数优势和 AODV 的稳定链路选择之间做折中代价则是每个节点需要周期性交换扩展消息额外多出了控制开销。写 Matlab 代码时我最常看到、也最常用的一种做法是先实现 GPSR 的贪婪转发然后把邻居表中“距目标更近”的单一条件替换成w1 * 距离增益 w2 * 链路生命期的加权条件。链路生命期通常用两辆车的相对速度和方向来估算假设车辆在短时间内做匀速直线运动从当前距离、相对速度和通信半径反推时间。权重w1、w2的取值对结果影响很大如果w2过大车辆会频繁选择侧向但低速的邻居绕路明显w1过大会退化成普通 GPSR。我一般会扫几个典型权重组合比如 (0.7, 0.3)、(0.5, 0.5)、(0.3, 0.7)画投递率随节点密度变化的曲线再决定最终选哪一组。3. Matlab 仿真框架搭建与三个算法的统一实现流程3.1 先做移动模型还是先做路由协议规范的顺序是先固定移动模型再跑路由协议测试移动模型生成的是节点的轨迹文件包含了每个时刻每辆车的位置和速度。做车联网路由仿真时我建议优先用路网受限的移动模型而不是简单的随机航点模型。原因是随机航点模型下车辆的速度方向完全没有关联性节点可能在任意位置突然掉头这在道路上不会发生而且该模型会让基于链路生命期的路由协议占便宜因为节点常会发生长时间近距离并行判据里把链路生命期算得偏乐观。Matlab 里生成车联网轨迹最快的方法是使用已有工具箱比如 Automated Driving Toolbox 里的trajectory函数或者自行读一个 SUMO 导出的 XML 轨迹文件。如果你不想引入额外依赖我可以提供一个轻量级的车道直线移动模型生成 N 辆车的初始位置、速度和车道然后按固定步长叫dt更新位置车开到路段边界就掉头或重新出现在另一侧入口。为保证各算法公平比较所有路由协议跑的是同一份轨迹这也正是“统一对比”这一要求的正确实现方式。% 生成简单的高速公路双向三车道车辆轨迹 % 后续所有算法测试都共用这个轨迹保证对比公平 dt 0.1; % 仿真步长单位秒 T 60; % 仿真时长单位秒 numCars 20; roadLength 1000; % 路段长度单位米 % 初始位置和速度每辆车占一行 [id, x, y, vx, vy] vehicles zeros(numCars, 5); for i 1:numCars lane mod(i, 3) 1; % 三条车道 y0 lane * 4; % 车道间距4米 vx 20 10 * rand; % 20~30 m/s 车速 vehicles(i, :) [i, rand * roadLength, y0, vx, 0]; end traj cell(round(T / dt), 1); t 0; for step 1:size(traj, 1) for i 1:numCars vehicles(i, 2) vehicles(i, 2) vehicles(i, 4) * dt; if vehicles(i, 2) roadLength vehicles(i, 2) roadLength; % 简单掉头 vehicles(i, 4) -vehicles(i, 4); elseif vehicles(i, 2) 0 vehicles(i, 2) 0; vehicles(i, 4) -vehicles(i, 4); end end traj{step} vehicles; t t dt; end这里每个仿真步都保存一份车辆的全量状态是为了方便路由层在任意时刻查询邻居、位置或者计算链路生命期。注意车速进行了简化没有考虑加减速与车间距约束代码跑出来的数据主要供协议对比不适合直接对标真实交通流。要更贴近实际可以改用 IDM 跟车模型但那是交通层的改进毕竟方向是路由协议优化。3.2 邻居表的调度机制定时广播 hello 报文三种算法都依赖邻居信息但依赖程度不同。AODV 用 hello 消息维持活动路径上的连通性GPSR 依赖周期性 beacon 维护本地邻居表LSPR 除了邻居 ID 外还需要速度和位置来做链路生命期估算。因此代码里宜将邻居维护做成独立功能模块而不是分别写三份。% 邻居表更新函数在每个仿真步调用 function neighbors updateNeighbors(nodeId, vehicles, commRange, neighbors, dt) currentPos vehicles(nodeId, 2:3); for other 1:size(vehicles, 1) if other nodeId, continue; end dist norm(currentPos - vehicles(other, 2:3)); if dist commRange % 刷新该邻居的过期时间为当前仿真时间 neighbors.lifeTime(other) neighbors.lifeTime(other) dt; end end % 删除超过1秒未收到广播的邻居 neighbors.ids ...; end邻居表的失效判断通常使用超时机制比单纯看距离更贴近实际因为车辆可能快速离开通信范围但仍在缓存中。hello 报文携带位置、速度、方向三项信息这样 GPSR 和 LSPR 不需要额外消息便可完成转发决策。而 AODV 虽然也会复用邻居表做路由发现优化但广播 RREQ 时不应当与 hello 报文的周期绑定避免拓扑变化导致的 RREQ 重传被 hello 周期拖慢。3.3 AODV 的最小可运行实现步骤AODV 在事件驱动或时隙驱动仿真中都很适合实现。推荐在时隙驱动下做每个时隙内循环处理路由请求、路由回复、数据转发。最小实现包含四个部分路由表存储邻居下一跳、目的序列号、跳数、过期时间RREQ 传播函数带 flood ID 防重复RREP 回传函数数据包转发与链路失败处理。环节对应函数关键输入输出发现路径sendRREQ(source, dest, floodId)源ID、目的IDRREQ 报文结构体转发RREQforwardRREQ(node, rreq)当前节点、RREQ是否转发或丢弃建立反向路径updateReverseRoute(node, rreq)上一跳、源序列号路由表更新回复RREPsendRREP(dest, source)目的、源RREP 报文结构体转发RREPforwardRREP(node, rrep)当前节点、RREP正向路由建立链路失败handleLinkBreak(node, failNeighbor)节点ID、失效邻居ID本地修复或通知上游每次发起 RREQ 前必须先递增floodId避免同一节点在同一个路由发现周期内重复处理同样的请求。目标节点收到第一个 RREQ 后立即回复 RREP如果所有 RREQ 都因为目的不可达而超时源节点需要进行二次路由发现。RREQ_RETRIES在代码里通常设 2 或 3。function rreq makeRREQ(src, dest, srcSeq, floodId) rreq.type 1; % 1 表示 RREQ rreq.src src; rreq.dest dest; rreq.srcSeq srcSeq; rreq.hop 0; rreq.floodId floodId; endRREQ 广播时要把上一跳作为输入参数因为反向路径记录的是“从哪个邻居收到了这个请求”而不是写死源节点。在高速车流中RREP 可能沿原路返回失败因此正向路由不要求必须严格对称反向路径失效时可以触发源节点重新发 RREQ这也是 AODV 在车联网中时延偏高的来源之一。3.4 GPSR 的转发主循环GPSR 的主循环要回答一个关键问题当前节点是不是转发路径上最合适的一跳。判断方法是先检查目标是否在通信半径内如果是直接交付否则在所有邻居中取距离目标最近的节点判断该节点是否比自己更接近目标如果是执行贪婪转发否则进入周边转发模式。function nextHop gpsrForward(pkt, vehicles, nodeId, commRange) % pkt中包含目标位置由源节点写入 currPos vehicles(nodeId, 2:3); destPos pkt.destPos; currDist norm(currPos - destPos); bestDist currDist; nextHop -1; for j 1:size(vehicles, 1) if j nodeId || norm(vehicles(j, 2:3) - currPos) commRange continue; end d norm(vehicles(j, 2:3) - destPos); if d bestDist bestDist d; nextHop j; end end if isempty(find(pkt.visited nextHop, 1)) false nextHop -1; % 防止回环 end end这段代码没有使用任何历史信息因为它是一个贪心决策。预防回环只需要检查该节点是否已经在本数据包的访问列表里在道路交通网中一条路径不会绕回同一个节点。真实 GPSR 中通常使用无状态转发、用平面图消除交叉链路从而避免回环而这里用访问列表来简化实现属于工程近似结果在高密度车流下与做右手法则基本一致但稀疏场景会有偏差。3.5 LSPR 与 GPSR 的差异化调参LSPR 相对于 GPSR 的核心改动只在计算候选下一跳评分时多引入一项链路生命期。链路生命期L (R - d) / |Δv|是基础的估算公式其中 R 是通信半径d 是两车距离Δv 是相对速度向量模长。如果 Δv 为 0则链路生命期视为无穷大或一个很大的上限值比如 100 秒因为在理论上两辆同速同向的车可以一直通信。评分公式可以写成score a * (1 - d/destInitDist) b * min(1, L/Lmax)。d/destInitDist表示当前节点与目标的距离接近程度L/Lmax表示链路稳定度。a、b加和为 1。代码中用a 0.7, b 0.3时行为更偏向贪婪转发适合高速稀疏道路用a 0.3, b 0.7时行为更偏向稳定链路适合密集车流下的频繁断链场景。candScore 0; for j 1:size(cands, 1) d_j norm(cands.pos(j,:) - destPos); linkLife linkLifetime(cands.vel(j,:), currVel, cands.pos(j,:), currPos, commRange); score a * (1 - d_j / initDist) b * min(1, linkLife / Lmax); if score candScore candScore score; nextHop cands.id(j); end end实验前先固定b值为 0.3 跑一遍然后调成 0.7 再跑一遍对比端到端时延曲线。如果时延反而上升通常是因为选择了低速平行车道上的邻居车在横向上并没有前进多少。参数调节不必过于追求理论最优只要结论里能写明“不同权重对性能有显著影响”就足以支撑论文的敏感度分析小节。4. 数据采集与参数调优的实战细节4.1 投递率、时延和路由开销的计算方式三种算法的性能比较需要统一的指标定义。投递率指目的节点成功收到的应用数据包数 / 源节点发送的应用数据包数端到端时延是数据包从应用层发出到目的应用层收到之间的时间差只统计成功到达的数据包路由开销用控制报文总比特数 / 成功交付的数据包数在车联网高密度场景下这个比值非常有说服力。Matlab 建议用事件表与每数据包结构体记录这些数据。仿真结束时对每个数据包的回传字段arriveTime - sendTime做直方图统计分析。% 数据包结果统计以cell存每个包的时间戳 sendTimes pktLogs.sendTime; arriveTimes pktLogs.arriveTime; delay (arriveTimes(arriveTimes 0) - sendTimes(arriveTimes 0)); pdr sum(arriveTimes 0) / length(sendTimes); avgDelay mean(delay); routeOverhead totalCtrlBytes / max(1, sum(arriveTimes 0)); fprintf(PDR %.2f%%, AvgDelay %.1f ms, Overhead %.2f bytes/pkt\n, ... pdr * 100, avgDelay * 1000, routeOverhead);统计时要特别注意时延单位。Matlab 中时间单位统一为秒输出时转换成毫秒不然在论文表格里很容易出现 0.05 这样的数让审稿人困惑。另一个容易出错的地方是只统计成功到达的包很多初学者会把未到达包的发送时间也算进时延导致结果异常偏大。4.2 车辆密度和通信半径两个关键参数的扫描方法车辆密度是车联网仿真最基本的变量它决定了邻居表大小和信道竞争强度。AODV 的 RREQ 泛洪成本随密度上升而显著增长GPSR 的贪婪邻居选择也会在邻居数过多时出现转折点。设计实验时将车辆数按 10、20、40、80 四档扫描同一个场景下跑 30 次随机初始种子结果取均值。30 次可以保证曲线不抖动又不会让 Matlab 运行时间失控。通信半径commRange更直接影响协议差异。AODV 在半径较小时容易路由发现失败因为路径断裂概率提高而 GPSR 与 LSPR 只要有邻居就能转发。扫描通信半径比扫描车辆数更能看出协议在稀疏环境下的边界。做实验时先固定车辆数为 60然后把通信半径从 50 米逐步调到 200 米步长 25 米观察三条曲线的斜率变化。提示对比结果时不要只看 PDR把avgDelay和routeOverhead同一张表列出来。AODV 在低密度场景下 PDR 可能不比 GPSR 差很多但时延和开销会明显劣化这才是方案选择的重要论据。4.3 随机种子与重复实验在可信度上的决定性作用单次仿真得出的任何结论都不能直接进论文因为车辆初始位置与方向高度随机单次结果偶然性太大。正确做法是固定一组随机种子序列例如seed 1:30在每次实验开始时通过rng(seed(k))重置随机数生成器。重置后才能确保三类协议在完全相同的移动轨迹与数据流模式下运行。rng(seed(k)); % 重置随机数生成器 traj genTrajectory(vehicleNum, roadLength); pktSchedule genPacketSchedule(flowNum, simTime); result(k) runRouting(protocolName, traj, pktSchedule, params);还应当把每条曲线的置信区间画出来在论文图中用阴影带表示。Matlab 的fill函数可以绘制均值 ± 1.96 倍标准误的区间带这样审稿人看了更容易认可你的结论而不是仅仅看到几条交叉的折线。如果只写“该方法优于对比算法”而不提供误差棒数据的说服力等于没有。5. 三算法对比矩阵与真实路网场景的落地映射5.1 一张直接可用的性能对比表经过统一平台跑完的典型结果如下所示不同场景与交通工具会略有偏移但相对结论一致指标AODVGPSRLSPR投递率低密度中低高高投递率高密度中高中高端到端时延高低中路由开销高低中对拓扑变化的敏感度高低中实现复杂度中低中适用路网稀疏或无 GPS 环境城市路网但需解决空洞城市与高速混合路网这张表并非通用规则而是基于固定轨迹、参数扫描后的归纳。在不同的车速、道路限制和网络规模下趋势可能会变化。写论文时表里的判断必须与自己的仿真图对应上。![真实的道路地图如何体现?] 所以建议在图注中写清楚对应的车辆数与通信半径。5.2 城市路口与高速直线两种典型场景的差异城市路口是 GPSR 最容易出问题的地方障碍物遮挡导致邻居发现失败或转发空洞。这时 AODV 虽然慢但正确率反而可能更高。处理办法是在仿真几何中把十字路口、高楼遮挡近似为一个禁行区域norm计算时使用实际道路距离而不是欧氏距离。Matlab 可以用路网邻接矩阵配合 Dijkstra 预计算任意两车之间的道路距离把 GPSR 的贪心度量替换为道路距离增益。高速直线场景则相反车辆同向、速度差异小LSPR 的链路生命期判据能明显减少断链次数。车辆排队驶过 1 公里路段时LSPR 选择的是前面同车道车辆而不是相邻车道慢速车辆减少了无谓的换道转发也就减少了数据包因目标高速离开发送者而丢包的可能。这部分结论在论文中可以放在“真实路网映射”小节用于解释为什么某些改进只在特定场景下有效。5.3 用 Matlab 做可视化排错的方法三个算法里 AODV 的可视化排错价值最高。打印出路由表内容观察每一跳的hopCount有没有突然跳变或往回走或者打印sendRREQ时源节点的邻居数量配合用plot绘制所有节点位置把 RREQ 经过的节点用红点标出来转发路径用线连上能直接看出路由发现是否形成了环路、是否经过了一个远离目标的节点。% 简易可视化某时刻节点位置和路由路径 figure; hold on; scatter(vehicles(:,2), vehicles(:,3), 40, k, filled); for k 2:length(path) plot([vehicles(path(k-1),2), vehicles(path(k),2)], ... [vehicles(path(k-1),3), vehicles(path(k),3)], r-, LineWidth, 1.6); end路径上每个点的位置都来自同一份traj{step}数据不同算法之间进行重用。可视化中如果路径穿过了大楼或离开了路面通常是路由协议的节点位置数据跟移动模型的时间戳错位了也就是路由层用了旧轨迹而移动层已更新这是排错时的首要检查项。6. 链路生命期公式的三种改进写法链路生命期的基础公式假设车辆在未来一段时间做匀速直线运动实际车辆会减速、停车、变道。为了让 LSPR 在路网仿真中更稳健常用的改进方法是把公式从单一相对速度调整为多个时间尺度下的平均相对速度或者根据道路限速与下一次转向点估算可维持时间。常见做法是先用短期平均速度做初筛再对候选邻居做转向点距离判断但这会增加代码复杂度。第三种改写方式是把链路生命期转换成链路成功转发概率并与距离归一化分数相乘。形式为p_link exp(-|Δv| * t_predict / R)其中t_predict是预测窗口长度。出窗越长高速相对运动的邻居得分越低。在 Matlab 中用 50 行以内就能替换掉 LSPR 中的原始分数并作为敏感性分析方法写进论文。你可以在不同车速标准差下测试它是否比单一公式更稳定如果差异不明显说明你的交通场景速度变化不够剧烈可以适当加入高速超车行为再验证。本文还有配套的精品资源点击获取
简介压缩包共31个文件、约116KB以Matlab的m脚本为主并辅以fis模糊推理文件、fig图形文件及md说明文件完整实现了车联网场景下AODV、GPSR、LSPR三种经典路由算法。AODV采用按需距离向量机制适应动态拓扑GPSR依赖贪婪转发与边界恢复策略LSPR借助模糊逻辑评估链路稳定度三者可覆盖多种路由设计思路。资源面向车联网方向的研究生、工程师与算法爱好者主程序划分清晰直接运行即可观察路由建立、数据转发与链路切换过程还可通过修改车辆节点数量、移动轨迹等参数比较端到端时延与丢包率。配套的链路剩余时间计算、节点邻居表构建、模糊推理系统等模块代码为二次开发和协议优化提供了便利。目前已有287人学习下载适合作为理解VANET路由机制并开展仿真实验的参考实现。1. 车联网路由仿真为什么从这三个算法开始写做车联网路由仿真的人几乎都绕不开 AODV、GPSR、LSPR 这三组缩写。AODV 是拓扑驱动的经典代表按需建路GPSR 是地理位置路由的标杆完全靠节点坐标转发LSPR 这个名字稍微冷门一些但在车联网语境下通常指基于链路状态的优化路由或者在 GPSR 基础上引入稳定链路选择的变体。把三个算法放进同一套 Matlab 框架里对比等于同时看到了车联网路由的两条技术主线一条走拓扑一条走位置而第三条往往在两者之间找平衡。这个标题说“Matlab语言编写”实际上是在要求一份可运行的仿真代码而不是论文里的伪代码。这套仿真对谁最有用正在做毕设、准备投交通类或通信类期刊的学生以及刚进入车联网仿真方向、想把协议层和移动模型串起来的一线工程师都能从中找到可落地的比对方法。真正的价值不是把某个算法调到最好而是用一个统一的仿真平台控制变量量化比较端到端时延、投递率和路由开销。毕竟论文评审和答辩时最常问的一句话是你的改进到底比原版好在哪里数据从哪来的参数是不是公平的。2. 三个算法在车联网场景下的原理与选型关键2.1 AODV拓扑路由在高速移动下的适应逻辑AODV 属于按需路由协议源节点需要发数据时通过路由请求RREQ泛洪查找路径中间节点收到 RREQ 后建立反向路由目标节点回复 RREQ 后建立正向路由。它的核心优势是节点不需要周期性维护全网路由表只在真正通信时才启动路由发现网络开销因此被控制住。车辆环境下 AODV 的问题也很明显。车速快拓扑变化剧烈链路断裂后必须重新发起路由发现这个过程带来的时延可能超过数据包本身的传输时延。另一个问题是泛洪风暴在车辆密度高的路口RREQ 会被大量转发信道竞争加剧丢包率上升。AODV 里还有一个参数直接影响车联网场景表现即ACTIVE_ROUTE_TIMEOUT。这个值设得太短链路稍不稳就判定失效太长则会持续使用一条已经断开的路径造成黑洞。车道直线行驶时可以给一个相对高的值十字路口密集区域应当调低。这种参数级别的调整能力正是拿 Matlab 写协议栈时最容易做实验的部分。2.2 GPSR贪婪转发与周边转发的地域路由机制GPSR 的路由决策不依赖端到端路径而是依赖一跳范围内的邻居位置信息。源节点把数据包交给在传输方向上最接近目标的邻居这种贪婪模式一直执行下去直到进入路由空洞即当前节点找不到比自身更接近目标的邻居算法便切换成周边转发模式借助右手法则沿平面图边界绕行。车联网里 GPSR 的强项是开销低、反应快因为不维护全球路由表也不需要在通信前先建路。它的问题集中在地图约束和定位精度上。车辆只能沿着道路移动如果道路的几何形状导致了空洞GPSR 的周边恢复模式在稀疏路网下容易绕远路时延反而比 AODV 更差。仿真中要小心的是理想的单位圆图或相对邻图在真实道路拓扑上并不成立直接用随机路网做实验会高估 GPSR 的性能。为了贴近车联网场景我会把节点的移动轨迹限制在车道级路网内而不是放开成全平面自由移动。GPSR 还有一个弱点——它假定所有邻居都可靠但在构建邻居表后节点可能会沿着墙壁或隧道遮挡产生不稳定的“幽灵邻居”。2.3 LSPR 的定位及代码中常见的两种实现风格LSPR 在文献里没有唯一权威版本常见的解读有三种一是链路状态感知路由 (Link State based Position-based Routing)二是生命周期预测路由 (Life-time based Stable Path Routing)三是最短路径与地理转发的结合。因此看代码先看变量的命名比如link_lifetime、neighbor_quality或stable_cost就能判断设定里跟踪的是哪一类指标。在车联网路由论文里LSPR 往往是作为改进点出现的节点依据两个条件打分一是与邻居之间的链路预计维持时长二是邻居与目标的相对距离增益。打分高的邻居会被优先作为下一跳。这种做法的目标是在 GPSR 的贪心跳数优势和 AODV 的稳定链路选择之间做折中代价则是每个节点需要周期性交换扩展消息额外多出了控制开销。写 Matlab 代码时我最常看到、也最常用的一种做法是先实现 GPSR 的贪婪转发然后把邻居表中“距目标更近”的单一条件替换成w1 * 距离增益 w2 * 链路生命期的加权条件。链路生命期通常用两辆车的相对速度和方向来估算假设车辆在短时间内做匀速直线运动从当前距离、相对速度和通信半径反推时间。权重w1、w2的取值对结果影响很大如果w2过大车辆会频繁选择侧向但低速的邻居绕路明显w1过大会退化成普通 GPSR。我一般会扫几个典型权重组合比如 (0.7, 0.3)、(0.5, 0.5)、(0.3, 0.7)画投递率随节点密度变化的曲线再决定最终选哪一组。3. Matlab 仿真框架搭建与三个算法的统一实现流程3.1 先做移动模型还是先做路由协议规范的顺序是先固定移动模型再跑路由协议测试移动模型生成的是节点的轨迹文件包含了每个时刻每辆车的位置和速度。做车联网路由仿真时我建议优先用路网受限的移动模型而不是简单的随机航点模型。原因是随机航点模型下车辆的速度方向完全没有关联性节点可能在任意位置突然掉头这在道路上不会发生而且该模型会让基于链路生命期的路由协议占便宜因为节点常会发生长时间近距离并行判据里把链路生命期算得偏乐观。Matlab 里生成车联网轨迹最快的方法是使用已有工具箱比如 Automated Driving Toolbox 里的trajectory函数或者自行读一个 SUMO 导出的 XML 轨迹文件。如果你不想引入额外依赖我可以提供一个轻量级的车道直线移动模型生成 N 辆车的初始位置、速度和车道然后按固定步长叫dt更新位置车开到路段边界就掉头或重新出现在另一侧入口。为保证各算法公平比较所有路由协议跑的是同一份轨迹这也正是“统一对比”这一要求的正确实现方式。% 生成简单的高速公路双向三车道车辆轨迹 % 后续所有算法测试都共用这个轨迹保证对比公平 dt 0.1; % 仿真步长单位秒 T 60; % 仿真时长单位秒 numCars 20; roadLength 1000; % 路段长度单位米 % 初始位置和速度每辆车占一行 [id, x, y, vx, vy] vehicles zeros(numCars, 5); for i 1:numCars lane mod(i, 3) 1; % 三条车道 y0 lane * 4; % 车道间距4米 vx 20 10 * rand; % 20~30 m/s 车速 vehicles(i, :) [i, rand * roadLength, y0, vx, 0]; end traj cell(round(T / dt), 1); t 0; for step 1:size(traj, 1) for i 1:numCars vehicles(i, 2) vehicles(i, 2) vehicles(i, 4) * dt; if vehicles(i, 2) roadLength vehicles(i, 2) roadLength; % 简单掉头 vehicles(i, 4) -vehicles(i, 4); elseif vehicles(i, 2) 0 vehicles(i, 2) 0; vehicles(i, 4) -vehicles(i, 4); end end traj{step} vehicles; t t dt; end这里每个仿真步都保存一份车辆的全量状态是为了方便路由层在任意时刻查询邻居、位置或者计算链路生命期。注意车速进行了简化没有考虑加减速与车间距约束代码跑出来的数据主要供协议对比不适合直接对标真实交通流。要更贴近实际可以改用 IDM 跟车模型但那是交通层的改进毕竟方向是路由协议优化。3.2 邻居表的调度机制定时广播 hello 报文三种算法都依赖邻居信息但依赖程度不同。AODV 用 hello 消息维持活动路径上的连通性GPSR 依赖周期性 beacon 维护本地邻居表LSPR 除了邻居 ID 外还需要速度和位置来做链路生命期估算。因此代码里宜将邻居维护做成独立功能模块而不是分别写三份。% 邻居表更新函数在每个仿真步调用 function neighbors updateNeighbors(nodeId, vehicles, commRange, neighbors, dt) currentPos vehicles(nodeId, 2:3); for other 1:size(vehicles, 1) if other nodeId, continue; end dist norm(currentPos - vehicles(other, 2:3)); if dist commRange % 刷新该邻居的过期时间为当前仿真时间 neighbors.lifeTime(other) neighbors.lifeTime(other) dt; end end % 删除超过1秒未收到广播的邻居 neighbors.ids ...; end邻居表的失效判断通常使用超时机制比单纯看距离更贴近实际因为车辆可能快速离开通信范围但仍在缓存中。hello 报文携带位置、速度、方向三项信息这样 GPSR 和 LSPR 不需要额外消息便可完成转发决策。而 AODV 虽然也会复用邻居表做路由发现优化但广播 RREQ 时不应当与 hello 报文的周期绑定避免拓扑变化导致的 RREQ 重传被 hello 周期拖慢。3.3 AODV 的最小可运行实现步骤AODV 在事件驱动或时隙驱动仿真中都很适合实现。推荐在时隙驱动下做每个时隙内循环处理路由请求、路由回复、数据转发。最小实现包含四个部分路由表存储邻居下一跳、目的序列号、跳数、过期时间RREQ 传播函数带 flood ID 防重复RREP 回传函数数据包转发与链路失败处理。环节对应函数关键输入输出发现路径sendRREQ(source, dest, floodId)源ID、目的IDRREQ 报文结构体转发RREQforwardRREQ(node, rreq)当前节点、RREQ是否转发或丢弃建立反向路径updateReverseRoute(node, rreq)上一跳、源序列号路由表更新回复RREPsendRREP(dest, source)目的、源RREP 报文结构体转发RREPforwardRREP(node, rrep)当前节点、RREP正向路由建立链路失败handleLinkBreak(node, failNeighbor)节点ID、失效邻居ID本地修复或通知上游每次发起 RREQ 前必须先递增floodId避免同一节点在同一个路由发现周期内重复处理同样的请求。目标节点收到第一个 RREQ 后立即回复 RREP如果所有 RREQ 都因为目的不可达而超时源节点需要进行二次路由发现。RREQ_RETRIES在代码里通常设 2 或 3。function rreq makeRREQ(src, dest, srcSeq, floodId) rreq.type 1; % 1 表示 RREQ rreq.src src; rreq.dest dest; rreq.srcSeq srcSeq; rreq.hop 0; rreq.floodId floodId; endRREQ 广播时要把上一跳作为输入参数因为反向路径记录的是“从哪个邻居收到了这个请求”而不是写死源节点。在高速车流中RREP 可能沿原路返回失败因此正向路由不要求必须严格对称反向路径失效时可以触发源节点重新发 RREQ这也是 AODV 在车联网中时延偏高的来源之一。3.4 GPSR 的转发主循环GPSR 的主循环要回答一个关键问题当前节点是不是转发路径上最合适的一跳。判断方法是先检查目标是否在通信半径内如果是直接交付否则在所有邻居中取距离目标最近的节点判断该节点是否比自己更接近目标如果是执行贪婪转发否则进入周边转发模式。function nextHop gpsrForward(pkt, vehicles, nodeId, commRange) % pkt中包含目标位置由源节点写入 currPos vehicles(nodeId, 2:3); destPos pkt.destPos; currDist norm(currPos - destPos); bestDist currDist; nextHop -1; for j 1:size(vehicles, 1) if j nodeId || norm(vehicles(j, 2:3) - currPos) commRange continue; end d norm(vehicles(j, 2:3) - destPos); if d bestDist bestDist d; nextHop j; end end if isempty(find(pkt.visited nextHop, 1)) false nextHop -1; % 防止回环 end end这段代码没有使用任何历史信息因为它是一个贪心决策。预防回环只需要检查该节点是否已经在本数据包的访问列表里在道路交通网中一条路径不会绕回同一个节点。真实 GPSR 中通常使用无状态转发、用平面图消除交叉链路从而避免回环而这里用访问列表来简化实现属于工程近似结果在高密度车流下与做右手法则基本一致但稀疏场景会有偏差。3.5 LSPR 与 GPSR 的差异化调参LSPR 相对于 GPSR 的核心改动只在计算候选下一跳评分时多引入一项链路生命期。链路生命期L (R - d) / |Δv|是基础的估算公式其中 R 是通信半径d 是两车距离Δv 是相对速度向量模长。如果 Δv 为 0则链路生命期视为无穷大或一个很大的上限值比如 100 秒因为在理论上两辆同速同向的车可以一直通信。评分公式可以写成score a * (1 - d/destInitDist) b * min(1, L/Lmax)。d/destInitDist表示当前节点与目标的距离接近程度L/Lmax表示链路稳定度。a、b加和为 1。代码中用a 0.7, b 0.3时行为更偏向贪婪转发适合高速稀疏道路用a 0.3, b 0.7时行为更偏向稳定链路适合密集车流下的频繁断链场景。candScore 0; for j 1:size(cands, 1) d_j norm(cands.pos(j,:) - destPos); linkLife linkLifetime(cands.vel(j,:), currVel, cands.pos(j,:), currPos, commRange); score a * (1 - d_j / initDist) b * min(1, linkLife / Lmax); if score candScore candScore score; nextHop cands.id(j); end end实验前先固定b值为 0.3 跑一遍然后调成 0.7 再跑一遍对比端到端时延曲线。如果时延反而上升通常是因为选择了低速平行车道上的邻居车在横向上并没有前进多少。参数调节不必过于追求理论最优只要结论里能写明“不同权重对性能有显著影响”就足以支撑论文的敏感度分析小节。4. 数据采集与参数调优的实战细节4.1 投递率、时延和路由开销的计算方式三种算法的性能比较需要统一的指标定义。投递率指目的节点成功收到的应用数据包数 / 源节点发送的应用数据包数端到端时延是数据包从应用层发出到目的应用层收到之间的时间差只统计成功到达的数据包路由开销用控制报文总比特数 / 成功交付的数据包数在车联网高密度场景下这个比值非常有说服力。Matlab 建议用事件表与每数据包结构体记录这些数据。仿真结束时对每个数据包的回传字段arriveTime - sendTime做直方图统计分析。% 数据包结果统计以cell存每个包的时间戳 sendTimes pktLogs.sendTime; arriveTimes pktLogs.arriveTime; delay (arriveTimes(arriveTimes 0) - sendTimes(arriveTimes 0)); pdr sum(arriveTimes 0) / length(sendTimes); avgDelay mean(delay); routeOverhead totalCtrlBytes / max(1, sum(arriveTimes 0)); fprintf(PDR %.2f%%, AvgDelay %.1f ms, Overhead %.2f bytes/pkt\n, ... pdr * 100, avgDelay * 1000, routeOverhead);统计时要特别注意时延单位。Matlab 中时间单位统一为秒输出时转换成毫秒不然在论文表格里很容易出现 0.05 这样的数让审稿人困惑。另一个容易出错的地方是只统计成功到达的包很多初学者会把未到达包的发送时间也算进时延导致结果异常偏大。4.2 车辆密度和通信半径两个关键参数的扫描方法车辆密度是车联网仿真最基本的变量它决定了邻居表大小和信道竞争强度。AODV 的 RREQ 泛洪成本随密度上升而显著增长GPSR 的贪婪邻居选择也会在邻居数过多时出现转折点。设计实验时将车辆数按 10、20、40、80 四档扫描同一个场景下跑 30 次随机初始种子结果取均值。30 次可以保证曲线不抖动又不会让 Matlab 运行时间失控。通信半径commRange更直接影响协议差异。AODV 在半径较小时容易路由发现失败因为路径断裂概率提高而 GPSR 与 LSPR 只要有邻居就能转发。扫描通信半径比扫描车辆数更能看出协议在稀疏环境下的边界。做实验时先固定车辆数为 60然后把通信半径从 50 米逐步调到 200 米步长 25 米观察三条曲线的斜率变化。提示对比结果时不要只看 PDR把avgDelay和routeOverhead同一张表列出来。AODV 在低密度场景下 PDR 可能不比 GPSR 差很多但时延和开销会明显劣化这才是方案选择的重要论据。4.3 随机种子与重复实验在可信度上的决定性作用单次仿真得出的任何结论都不能直接进论文因为车辆初始位置与方向高度随机单次结果偶然性太大。正确做法是固定一组随机种子序列例如seed 1:30在每次实验开始时通过rng(seed(k))重置随机数生成器。重置后才能确保三类协议在完全相同的移动轨迹与数据流模式下运行。rng(seed(k)); % 重置随机数生成器 traj genTrajectory(vehicleNum, roadLength); pktSchedule genPacketSchedule(flowNum, simTime); result(k) runRouting(protocolName, traj, pktSchedule, params);还应当把每条曲线的置信区间画出来在论文图中用阴影带表示。Matlab 的fill函数可以绘制均值 ± 1.96 倍标准误的区间带这样审稿人看了更容易认可你的结论而不是仅仅看到几条交叉的折线。如果只写“该方法优于对比算法”而不提供误差棒数据的说服力等于没有。5. 三算法对比矩阵与真实路网场景的落地映射5.1 一张直接可用的性能对比表经过统一平台跑完的典型结果如下所示不同场景与交通工具会略有偏移但相对结论一致指标AODVGPSRLSPR投递率低密度中低高高投递率高密度中高中高端到端时延高低中路由开销高低中对拓扑变化的敏感度高低中实现复杂度中低中适用路网稀疏或无 GPS 环境城市路网但需解决空洞城市与高速混合路网这张表并非通用规则而是基于固定轨迹、参数扫描后的归纳。在不同的车速、道路限制和网络规模下趋势可能会变化。写论文时表里的判断必须与自己的仿真图对应上。![真实的道路地图如何体现?] 所以建议在图注中写清楚对应的车辆数与通信半径。5.2 城市路口与高速直线两种典型场景的差异城市路口是 GPSR 最容易出问题的地方障碍物遮挡导致邻居发现失败或转发空洞。这时 AODV 虽然慢但正确率反而可能更高。处理办法是在仿真几何中把十字路口、高楼遮挡近似为一个禁行区域norm计算时使用实际道路距离而不是欧氏距离。Matlab 可以用路网邻接矩阵配合 Dijkstra 预计算任意两车之间的道路距离把 GPSR 的贪心度量替换为道路距离增益。高速直线场景则相反车辆同向、速度差异小LSPR 的链路生命期判据能明显减少断链次数。车辆排队驶过 1 公里路段时LSPR 选择的是前面同车道车辆而不是相邻车道慢速车辆减少了无谓的换道转发也就减少了数据包因目标高速离开发送者而丢包的可能。这部分结论在论文中可以放在“真实路网映射”小节用于解释为什么某些改进只在特定场景下有效。5.3 用 Matlab 做可视化排错的方法三个算法里 AODV 的可视化排错价值最高。打印出路由表内容观察每一跳的hopCount有没有突然跳变或往回走或者打印sendRREQ时源节点的邻居数量配合用plot绘制所有节点位置把 RREQ 经过的节点用红点标出来转发路径用线连上能直接看出路由发现是否形成了环路、是否经过了一个远离目标的节点。% 简易可视化某时刻节点位置和路由路径 figure; hold on; scatter(vehicles(:,2), vehicles(:,3), 40, k, filled); for k 2:length(path) plot([vehicles(path(k-1),2), vehicles(path(k),2)], ... [vehicles(path(k-1),3), vehicles(path(k),3)], r-, LineWidth, 1.6); end路径上每个点的位置都来自同一份traj{step}数据不同算法之间进行重用。可视化中如果路径穿过了大楼或离开了路面通常是路由协议的节点位置数据跟移动模型的时间戳错位了也就是路由层用了旧轨迹而移动层已更新这是排错时的首要检查项。6. 链路生命期公式的三种改进写法链路生命期的基础公式假设车辆在未来一段时间做匀速直线运动实际车辆会减速、停车、变道。为了让 LSPR 在路网仿真中更稳健常用的改进方法是把公式从单一相对速度调整为多个时间尺度下的平均相对速度或者根据道路限速与下一次转向点估算可维持时间。常见做法是先用短期平均速度做初筛再对候选邻居做转向点距离判断但这会增加代码复杂度。第三种改写方式是把链路生命期转换成链路成功转发概率并与距离归一化分数相乘。形式为p_link exp(-|Δv| * t_predict / R)其中t_predict是预测窗口长度。出窗越长高速相对运动的邻居得分越低。在 Matlab 中用 50 行以内就能替换掉 LSPR 中的原始分数并作为敏感性分析方法写进论文。你可以在不同车速标准差下测试它是否比单一公式更稳定如果差异不明显说明你的交通场景速度变化不够剧烈可以适当加入高速超车行为再验证。本文还有配套的精品资源点击获取
