戴翠琴，尹小盼

(重慶郵電大學 移動通信技術重點實驗室，重慶 400065)

0 引 言

與地面通信網(wǎng)絡相比，衛(wèi)星通信網(wǎng)絡具有廣覆蓋、大容量、遠距離傳輸?shù)葍?yōu)點，能夠滿足靈活、動態(tài)的空間網(wǎng)絡配置需求[1]。但是，由于衛(wèi)星節(jié)點圍繞地球周期性的運動特性，使得網(wǎng)絡拓撲結構動態(tài)變化、星間鏈路(inter-satellite link, ISL)頻繁切換、鏈路長度和通斷關系隨時間動態(tài)變化，對空間信息傳輸?shù)挠行院涂煽啃栽斐闪藝乐氐挠绊憽Ｍ瑫r，考慮到星上資源有限、負載分布不均勻等因素，如何設計高效、可靠、靈活的衛(wèi)星網(wǎng)絡路由算法日益成為研究者們關注的熱點問題[2-3]。

目前，按照路由算法能否根據(jù)網(wǎng)絡拓撲的變化及時更新路由表，可將衛(wèi)星網(wǎng)絡中的路由算法大致分為兩類：靜態(tài)路由算法[4]和動態(tài)路由算法[5-8]。其中，文獻[4]將低軌衛(wèi)星網(wǎng)絡(low earth orbit, LEO)模擬成有限狀態(tài)自動機，將LEO衛(wèi)星網(wǎng)絡的動態(tài)鏈路分配問題轉換為靜態(tài)網(wǎng)絡拓撲結構中的固定鏈路分配和路由優(yōu)化問題。但是，由于靜態(tài)路由機制不能根據(jù)網(wǎng)絡流量和拓撲結構的變化來調整自身的路由表，也就無法適應星間鏈路的動態(tài)變化。相比之下，動態(tài)路由算法充分考慮了網(wǎng)絡當前的實時狀態(tài)信息，使得路由選擇能夠更好地適應網(wǎng)絡流量、拓撲結構的變化，能夠改善網(wǎng)絡整體性能。文獻[5]在LEO衛(wèi)星網(wǎng)絡中提出了一種基于分布式負載感知的動態(tài)路由算法，采用一種逐跳機制來分割流量負載，以緩解極區(qū)附近發(fā)生的擁塞問題。文獻[6]針對最短路徑問題，提出一種動態(tài)虛擬拓撲路由(dynamic virtual topology routing, DVTR)算法。文獻[7]針對如何延長衛(wèi)星使用壽命的問題，提出了一種能量高效的路由算法。文獻[8]提出了一種基于代理分組交換的動態(tài)路由算法，改善了網(wǎng)絡吞吐性能。文獻[9]考慮了衛(wèi)星網(wǎng)絡中的傳輸業(yè)務需求，提出了一種基于多業(yè)務傳輸優(yōu)化的動態(tài)路由算法，但未考慮網(wǎng)絡吞吐量和鏈路利用率。因此，現(xiàn)有衛(wèi)星網(wǎng)絡中的動態(tài)路由算法主要針對某個單一的特定問題進行優(yōu)化，沒有能夠同時兼顧網(wǎng)絡拓撲動態(tài)變化和鏈路頻繁切換對網(wǎng)絡性能造成的影響。因此，以上研究結果若直接應用到衛(wèi)星時變網(wǎng)絡中，將產(chǎn)生端到端時延增大、星上資源利用率低等問題。

蟻群優(yōu)化(ant colony optimization, ACO)，是一種用來尋找最優(yōu)路徑的機率型算法，最早由Marco Dorigo提出[10]，來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。ACO具有自適應性和魯棒性的優(yōu)點，能夠通過正反饋、分布式協(xié)作來尋找最優(yōu)徑。因此，近來已有少量文獻將ACO運用在衛(wèi)星網(wǎng)絡中的路由路徑計算中，使之能夠適應衛(wèi)星網(wǎng)絡拓撲動態(tài)變化的同時平衡網(wǎng)絡負載，進而減少或避免發(fā)生鏈路擁塞[11-15]。其中，文獻[11]通過改善傳統(tǒng)蟻群優(yōu)化，利用虛擬拓撲解決了衛(wèi)星網(wǎng)絡中拓撲快速變化的問題，雖然提高了蟻群優(yōu)化的收斂時間，但是沒有解決鏈路易發(fā)生擁塞的問題。文獻[12]中提出一種基于改進蟻群優(yōu)化的自適應路由優(yōu)化算法(improved ant colony optimization, IACO)，改善了ACO算法易導致ISL發(fā)生擁塞和路由收斂時間慢的缺點。文獻[13]提出一種跨層設計和基于ACO的負載均衡路由算法(cross-layer design and ant-colony optimization based load-balancing routing algorithm, CAL-LSN)，其利用物理層信息作出路由決定，采用多目標優(yōu)化模型實現(xiàn)負載均衡。文獻[14]運用ACO的啟發(fā)式方法提出了一種路由優(yōu)化算法，使得尋找到的最優(yōu)路徑具有最大吞吐量。文獻[15]結合概率路由協(xié)議(probabilistic routing protocol using history of encounters and transitivity, ProPHET)的概率度量標準和ACO算法，提出了一種基于蟻群優(yōu)化的ProPHET改進方案，提高信息傳輸率的同時降低了網(wǎng)絡成本。以上已有的基于ACO的衛(wèi)星網(wǎng)絡路由算法主要針對收斂時間進行了優(yōu)化，均沒有考慮到衛(wèi)星網(wǎng)絡中數(shù)據(jù)包的傳輸時延和ISL利用率問題。同時，由于衛(wèi)星網(wǎng)絡拓撲的動態(tài)變化，當多個包需要傳輸時，一個連通時間片內不能完全將數(shù)據(jù)包完全轉發(fā)到目的節(jié)點，需等待下一個連通時間片，這將會產(chǎn)生多個節(jié)點向同一節(jié)點發(fā)送包，進而造成鏈路使用沖突、系統(tǒng)丟包率增大以及傳輸包時延增大等問題。

針對以上問題，本文綜合考慮衛(wèi)星網(wǎng)絡中時延帶寬和鏈路容量2個因素對傳輸路徑選擇的影響，提出一種基于蟻群優(yōu)化的概率路由算法(ant colony optimization based probabilistic routing algorithm, ACO-PRA)。首先，結合衛(wèi)星網(wǎng)絡拓撲動態(tài)時變特性，將鏈路容量和星間鏈路距離2個性能因素引入到ACO節(jié)點選擇概率函數(shù)中，建立最小化時延目標函數(shù)；然后，根據(jù)節(jié)點概率函數(shù)選擇下一跳節(jié)點，最終找到一條最佳信號傳輸路徑。仿真結果表明，相比DVTR[6]算法和IACO[12]算法,ACO-PRA算法不僅在網(wǎng)絡吞吐量上有較大提高，而且在平均時延性能上也有明顯的改善。

1 系統(tǒng)模型

1.1 衛(wèi)星網(wǎng)絡模型

以LEO衛(wèi)星為例，建立LEO衛(wèi)星網(wǎng)絡模型如圖1a所示。該系統(tǒng)由若干顆LEO衛(wèi)星組成，運用分時方法將衛(wèi)星運轉周期T劃分為n個時間片Δt，如圖1b所示。在每個時間片內，衛(wèi)星網(wǎng)絡可以看做一個靜態(tài)的無向圖G=(V,E)。其中，V=N×M表示衛(wèi)星星座中共有分布于N條衛(wèi)星軌道，每條軌道有M顆衛(wèi)星，任意時間片內可以連通的衛(wèi)星節(jié)點集合，E表示衛(wèi)星間的星間鏈路ISL。星間鏈路可分為兩類：軌道內的星間鏈路(Intra-plane ISL)和軌道間的星間鏈路(Inter-plane ISL)。同一軌道內的衛(wèi)星的相對位置變化比較小，所以鏈路可以長期保持連通；而不同軌道內的衛(wèi)星之間的距離和視角動態(tài)變化，ISL很難長時間保持，經(jīng)常會發(fā)生臨時性的中斷。設每個時間片Δt取得足夠小，星際鏈路長度和連通關系的改變僅在每個Δt的開始時刻t0,t1,…或tn發(fā)生。因此，動態(tài)的衛(wèi)星網(wǎng)絡拓撲被離散化為一系列靜態(tài)網(wǎng)絡拓撲連通圖。

圖1 系統(tǒng)模型Fig.1 System model

1.2 星間可見性

由于衛(wèi)星圍繞地球周期性地運轉，任意2顆衛(wèi)星vi,vj之間的可見性也隨著衛(wèi)星運行時間的變化而改變，造成星間通信鏈路頻繁切換，導致傳統(tǒng)的蟻群算法計算得到的結果不能保證是最優(yōu)解。因此，分析星間可見性、獲得星間連接及距離信息是進行衛(wèi)星網(wǎng)絡中動態(tài)路由算法設計的必要環(huán)節(jié)。

星間可見性幾何模型如圖2所示，設地球半徑為R，衛(wèi)星軌道高度為r，大氣層高度為h，任意2顆衛(wèi)星vi與vj之間的通信鏈路距離為Lij。從地球遮擋和大氣影響考慮，星—星可見性條件如(1)式所示

(1)

圖2 星間可見性的幾何模型Fig.2 Geometry model of inter satellite visibility

2 ACO-PRA算法總體描述

2.1 問題描述

衛(wèi)星網(wǎng)絡拓撲呈周期可預測性、時刻動態(tài)變化，這是不同于傳統(tǒng)地面網(wǎng)絡的主要特點。傳統(tǒng)蟻群算法，通過概率函數(shù)選擇下一跳節(jié)點，具有平衡網(wǎng)絡負載與避免網(wǎng)絡發(fā)生擁塞等優(yōu)點。但是，LEO衛(wèi)星上的資源有限，一旦發(fā)射硬件設施很難改善；同時，當每個節(jié)點都選擇最優(yōu)節(jié)點作為下一跳節(jié)點時，容易產(chǎn)生星間鏈路使用沖突的問題，引起數(shù)據(jù)包傳輸時延增大，降低網(wǎng)絡性能。因此，地面網(wǎng)絡中成熟的蟻群算法不能直接地運用在衛(wèi)星網(wǎng)絡中。

傳統(tǒng)蟻群算法的問題分析如圖3所示，當信息從源節(jié)點S傳輸?shù)侥康墓?jié)點D時，節(jié)點A、節(jié)點B與節(jié)點C是t1時刻與源節(jié)點S相鄰的節(jié)點集。源節(jié)點S發(fā)送多個數(shù)據(jù)包時，在Δt的連通時間片內不能完全將數(shù)據(jù)包轉發(fā)到目的節(jié)點D。因此，源節(jié)點S在t1時刻轉發(fā)部分數(shù)據(jù)包到節(jié)點A，源節(jié)點剩余數(shù)據(jù)包S剩。隨著衛(wèi)星運行時間的變化，節(jié)點E與節(jié)點F是ti時刻與節(jié)點D相鄰的節(jié)點。此時，可能會發(fā)生源節(jié)點S剩、節(jié)點E與節(jié)點F同時向目的節(jié)點D轉發(fā)數(shù)據(jù)包。本文假設目的節(jié)點D在Δt連通時間片內只能接受某一個節(jié)點發(fā)送的數(shù)據(jù)包。由于連通時間有限，在單個時間片內每條ISL只能接收部分數(shù)據(jù)包，選擇合適的ISL以便在最短的時間內將全部的數(shù)據(jù)包及時地轉發(fā)到目的節(jié)點。

圖3 傳統(tǒng)蟻群算法的問題分析Fig.3 Problems analysis of traditional ant colony algorithm

因此，傳統(tǒng)的蟻群算法應用在衛(wèi)星時變網(wǎng)絡中時，會因星間持續(xù)可見的連通時間頻繁周期性的變化導致單個時間片無法將數(shù)據(jù)包全部傳輸?shù)侥康墓?jié)點的問題。

2.2 建立目標函數(shù)

在ACO-PRA算法中，為了保證數(shù)據(jù)包傳輸?shù)膶崟r性及避免鏈路發(fā)生擁塞，將鏈路容量和星間鏈路距離2個性能因素引入到蟻群算法的節(jié)點選擇概率函數(shù)中，建立最小化時延目標函數(shù)。

假設P={v0,v1,…,vd|v0,v1,…,vd∈V}是衛(wèi)星網(wǎng)絡中從源節(jié)點v0到目的節(jié)點vd中的某一條路徑，并用權值W來表示為

?L(vi,vi+1)∈E

(2)

衛(wèi)星網(wǎng)絡拓撲呈現(xiàn)快速地動態(tài)時變性，因此，任意時間片內的拓撲結構各不相同，進而星間鏈路的連接情況也不同，用(3)式來表述衛(wèi)星網(wǎng)絡中任意2顆衛(wèi)星vi和vj間的連接情況。

(3)

(3)式中，(Ni,Nj)∈N,(Mi,Mj)∈M。

用矩陣C(t)表示任意2顆衛(wèi)星vi和vj之間鏈路上的業(yè)務流，如(4)式所示。

(4)

為了更明確地表達衛(wèi)星網(wǎng)絡中從源節(jié)點v0到目的節(jié)點vd帶有權值W的路徑P，用(5)式來表示每條鏈路的成本。

Dlij=ω1Tij+ω2Qij

(5)

在ACO-PRA算法中，從源節(jié)點v0到目的節(jié)點vd的路徑P應滿足(6)—(8)式中的約束條件。

min (i,j)∈pRBi,j≥B

(6)

?Link(i,j)vi,j=vj,i=1,(i,j)∈p

(7)

? 0

(8)

(6)式中，RBi,j為任意2顆衛(wèi)星vi和vj間通信鏈路上的剩余帶寬，且RBmax=BW，B為鏈路傳輸數(shù)據(jù)包所需的最小帶寬。(6)式用以保證數(shù)據(jù)包能可靠地進行傳輸；(7)式表明衛(wèi)星間相鄰可見，能夠滿足數(shù)據(jù)傳輸要求；(8)式表示星間鏈路上業(yè)務流需要滿足的約束條件。

2.3 ACO-PRA算法描述

ACO-PRA算法流程如圖4所示。下面將在2.2節(jié)建立目標函數(shù)的優(yōu)化模型基礎上，進一步詳細地闡述ACO-PRA算法的具體步驟。算法流程具體如下。

步驟1虛擬化網(wǎng)絡拓撲。將衛(wèi)星運行周期均勻分為若干個時間間隔相等的時間片，根據(jù)星間可見性的計算模型分析衛(wèi)星間的連接及距離信息，從而生成任意時間片的網(wǎng)絡拓撲連通圖。

步驟2選擇相鄰節(jié)點集。選擇任意一時間片內生成的拓撲連通圖。任意節(jié)點vi為源節(jié)點S,vj為目的節(jié)點，尋找與S節(jié)點相鄰的節(jié)點集合A。

步驟3判斷目的節(jié)點。若下一跳節(jié)點vn是目的節(jié)點，且目的節(jié)點vd在與源節(jié)點S相鄰的節(jié)點集合A中，則直接轉發(fā)數(shù)據(jù)包，并存儲當前時刻尋找到的路由路徑；否則，進行步驟4。

步驟4計算概率函數(shù)。如果目的節(jié)點vd不在與源節(jié)點S相鄰的節(jié)點集合A中，用(9)式計算同時滿足時延帶寬和鏈路容量要求的下一跳節(jié)點，并轉發(fā)數(shù)據(jù)包。之后重復步驟3。

步驟5最佳信號傳輸路徑。遍歷所有衛(wèi)星節(jié)點。存儲所有數(shù)據(jù)包到達目的節(jié)點vd的路由路徑，并比較每條路徑，找到最佳信號傳輸路徑。

圖4 ACO-PRA算法流程圖Fig.4 Flow chart of ACO-PRA algorithm

3 基于概率函數(shù)的節(jié)點選擇

由2.3節(jié)描述可知，ACO-PRA算法的基本流程：①綜合考慮時延帶寬和鏈路容量，建立最小時延目標函數(shù)；②將鏈路容量和星間距離因子引入到傳統(tǒng)ACO算法的節(jié)點概率函數(shù)中，生成新的節(jié)點概率函數(shù)；③運用生成的節(jié)點概率函數(shù)計算下一跳，最終尋找到最佳傳輸信號的路徑。

下面，將重點針對ACO-PRA算法中如何選擇下一跳的過程進行詳細地闡述。

3.1 基于ACO的節(jié)點概率函數(shù)

在ACO-PRA算法中，發(fā)送數(shù)據(jù)包的每個衛(wèi)星節(jié)點定義為前向Ant，且前向Ant負責收集節(jié)點信息，當前向Ant到達目的節(jié)點時，會立即按照原路徑返回到源節(jié)點，同時Ant會釋放一種信息素τ，并用路徑上信息素τ濃度的大小來表示路徑的遠近。結合傳統(tǒng)ACO中節(jié)點概率函數(shù)，ACO-PRA綜合考慮了星間鏈路容量和星間距離2個影響因子。因此，前向節(jié)點vi在時刻t選擇節(jié)點vj作為下一跳節(jié)點的概率公式表示為

(9)

(10)

當數(shù)據(jù)包遍歷完所有路徑后，節(jié)點i和節(jié)點j之間鏈路上的信息素就會更新。因此，在(t+1)時刻節(jié)點i和節(jié)點j之間鏈路上的信息素用(11)式來計算

τij(t+1)=(1-ρ)τij(t)+Δτij(t)

(11)

(12)

3.2 下一跳節(jié)點選擇過程

源節(jié)點S發(fā)送數(shù)據(jù)包的情況可分為2種：①若下一跳節(jié)點為目的節(jié)點，則直接將數(shù)據(jù)包轉發(fā)；②若不是，數(shù)據(jù)包將需經(jīng)過若干個時間片才能轉發(fā)到目的節(jié)點。因而，數(shù)據(jù)包在傳輸過程中發(fā)生鏈路選擇的問題，即節(jié)點vi在[ti,ti+1]時間片內不能將m個數(shù)據(jù)包完全轉發(fā)到下一跳節(jié)點vm，節(jié)點vi就剩余m剩個數(shù)據(jù)包需等到下一個連通時間片內轉發(fā)。如圖5所示，在某個時間片內會發(fā)生3個節(jié)點同時向節(jié)點D轉發(fā)數(shù)據(jù)包。

節(jié)點A、節(jié)點B與節(jié)點C是t時刻與目的點D相鄰的節(jié)點集。假設鏈路LAD在時間片[tA,tD]內的連通時間為tAD,鏈路LBD在時間片[tB,tD]內的連通時間為tBD，鏈路LCD在時間片[tC,tD]內的連通時間為tCD；當連通時間tAD>tBD>tCD時，選擇鏈路LAD轉發(fā)數(shù)據(jù)包；當連通時間tAD=tBD>tCD或者tAD

圖5 某一時間片數(shù)據(jù)包的轉發(fā)示例Fig.5 Example of forwarding packet in a time slice

4 仿真分析

為了驗證ACO-PRA算法性能，本文采用衛(wèi)星工具包(satellite tool kit，STK)和MATLAB進行了聯(lián)合仿真。在相同負載的情況下，與LEO衛(wèi)星網(wǎng)絡中典型的路由算法DVTR，IACO在吞吐量、平均時延等性能方面的進行比較分析。

仿真參數(shù)設置如表1所示，地球半徑為R=6 371 km，LEO衛(wèi)星星座采用walker衛(wèi)星星座，24顆衛(wèi)星均勻分布在3個軌道平面，軌道傾斜角為60°，每顆衛(wèi)星有2條星間鏈路、2條星內鏈路，其中，ρ=0.5[13]。

LEO衛(wèi)星網(wǎng)絡中的吞吐量性能如圖6所示。由圖6可知，3種算法的吞吐量都隨著算法迭代次數(shù)的增加而增大，ACO-PRA算法吞吐量性能呈現(xiàn)優(yōu)勢，這是由于在衛(wèi)星節(jié)點高速移動的情況下，造成網(wǎng)絡拓撲結構頻繁變化，DVTR算法不能及時地更新路由，且路由路徑是在地面預先計算后上傳給衛(wèi)星，并沒有解決由于網(wǎng)絡拓撲結構動態(tài)變化而引起的鏈路頻繁切換的重路由問題，從而導致在同一時刻，采用ACO-PRA算法的網(wǎng)絡在相同負載情況下收到的數(shù)據(jù)包數(shù)更多。LEO衛(wèi)星網(wǎng)絡中的平均時延性能如圖7所示，同一時刻，IACO算法的吞吐量性能總是低于ACO-PRA算法。因為IACO算法并沒有考慮鏈路的剩余帶寬；同時，IACO算法總是尋找最優(yōu)路徑，造成最優(yōu)路徑上業(yè)務流過重而部分數(shù)據(jù)包丟失。因此，相比較于ACO-PRA算法，其吞吐量有所降低。

表1 仿真參數(shù)設置Tab.1 Simulation parameter settings

圖6 LEO衛(wèi)星網(wǎng)絡中的吞吐量性能Fig.6 Throughput performance in LEO satellite networks

由圖7可得，隨著算法迭代次數(shù)的增加，IACO算法和ACO-PRA算法的平均時延性能明顯優(yōu)于DVTR算法。這是因為衛(wèi)星網(wǎng)絡拓撲呈高速動態(tài)的變化，ISLs頻繁快速切換，當衛(wèi)星網(wǎng)絡中某些星間鏈路斷開或切換，DVTR算法不能根據(jù)網(wǎng)絡當前的狀態(tài)及時地進行路由更新，從而使得部分星間鏈路負載加重而發(fā)生擁塞，數(shù)據(jù)包排隊時延增大，需等到下一個連通時間片才能將數(shù)據(jù)包轉發(fā)到下一跳節(jié)點。因此，DVTR算法的平均時延要高于ACO-PRA算法。而IACO算法的平均時延稍高于ACO-PRA算法，這是由于IACO算法沒有考慮鏈路剩余帶寬和鏈路容量，只是單一的根據(jù)鏈路上信息素大小來選擇下一跳，容易造成最優(yōu)路徑業(yè)務流增大，鏈路中排隊等待轉發(fā)的包增多，這樣就增加了IACO算法的時延性能。

圖7 LEO衛(wèi)星網(wǎng)絡中的平均時延性能Fig.7 Average delay performance in LEO satellite networks

LEO衛(wèi)星網(wǎng)絡中的丟包性能如圖8所示。從圖8中可看出， ACO-PRA算法和IACO算法的丟包率性能均逐漸降低并趨于穩(wěn)定，而DVTR算法的丟包率性能增大到一定幅度而趨于平穩(wěn)。這是因為DVTR算法在鏈路的切換或斷開時，路由表不能根據(jù)網(wǎng)絡拓撲的動態(tài)特性及時地調整路由方案，源節(jié)點計算的路由失效而造成數(shù)據(jù)包的丟失數(shù)增大。同時，IACO算法的丟包率總是低于ACO-PRA算法。因為IACO算法并沒有考慮到衛(wèi)星間的星間距離和ISLs的鏈路容量，在同樣的連通拓撲結構內，ACO-PRA算法能夠滿足業(yè)務流要求，優(yōu)先選擇鏈路剩余容量大的衛(wèi)星節(jié)點，保證數(shù)據(jù)包及時地傳輸?shù)侥康墓?jié)點。此外，IACO算法總是尋找最優(yōu)路徑，導致最優(yōu)路徑上的業(yè)務流增大而發(fā)生擁塞，目的節(jié)點無法準確地接受而造成數(shù)據(jù)包丟失。因此，隨著算法迭代次數(shù)的增加，IACO算法的丟包率總是高于ACO-PRA算法。

5 結束語

針對衛(wèi)星網(wǎng)絡拓撲時變、鏈路連接性差等問題，提出了一種基于蟻群優(yōu)化的概率路由算法(ACO-PRA)。首先，將網(wǎng)絡拓撲周期均勻分為若個時間片而生成不同時刻的拓撲連通圖；其次，將星間鏈路帶寬和鏈路容量作為約束條件建立優(yōu)化模型；最后，根據(jù)生成的節(jié)點概率函數(shù)選擇下一跳衛(wèi)星節(jié)點，找到一條滿足約束條件的最佳傳輸路徑。仿真結果表明，所提出的ACO-PRA算法不僅能夠降低網(wǎng)絡平均端到端時延和丟包率，還能提高網(wǎng)絡吞吐量。

圖8 LEO衛(wèi)星網(wǎng)絡中的丟包率性能Fig.8 Packet loss rate performance in LEO satellite networks

參考文獻：

[1] ARANITI G, BEZIRGIRGIANNIDIS N, BIRRANE E, et al. Contact graph routing in DTN space networks: overview, enhancements and performance[J]. IEEE Communications Magazine, 2015, 53(3):38-46.

[2] LIU Ziluan, HAN Jiangxue, WANG Ying, et al. Performance analysis of routing algorithms in satellite network under node failure scenarios[C]//IEEE Global Communications Conference. Austin, TX: IEEE Press, 2014:2838-2843.

[3] 盧勇,趙有健,孫富春.衛(wèi)星網(wǎng)絡路由技術[J]. 軟件學報, 2014, 25(5):1085-1100.

LU Yong, ZHAO Youjian, SUN Fuchun. Routing techniques on satellite networks[J]. Journal of Software,2014,25(5):1085-1100.

[4] CHANG H S, KIM B W, CHANG L, et al. FSA-based link assignment and routing in low-earth orbit satellite networks [J]. IEEE Transactions on Vehicular Technology,1998, 47(3):1037-1048.

[5] PAPAPETROU E, PAVLIDOU F N. Distributed Load-Aware Routing in LEO Satellite Networks[C]//IEEE Global Telecommunications Conference. New Orleans, LO: IEEE Press, 2008:1-5.

[6] HUSSEIN M, JAKLLARI G, PAILLASSB B. On routing for extending satellite service life in LEO satellite networks[C]//IEEE Global Communications Conference.Austin, TX: IEEE Press, 2014:2832-2837.

[7] YANG Yuan, XU Mingwei, WANG Dan, et al. Towards Energy-Efficient Routing in Satellite Networks[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(12):3869-3886.

[8] WU Zhaofeng, HU Guyu, JIN Fenglin, et al. Agent-based dynamic routing in the packet-switched LEO satellite networks[C]//IEEE International Conference on Wireless Communications & Signal Processing. Nanjing, China: IEEE Press, 2015:1-6.

[9] 楊力,孫晶,潘成勝.基于多目標決策的LEO衛(wèi)星網(wǎng)絡多業(yè)務路由算法[J]. 通信學報, 2016, 37(10):25-32.

YANG Li, SUN Jing, PAN Chengsheng. LEO multi-service routing algorithm based on Multi-objective decision making[J]. Journal of Communications,2016, 37(10):25-32.

[10] DORIGO M, MANIEZZO V, COLORNI A.The Ant System: Optimization by a colony of cooperating agents[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1996,26(1):29 - 41.

[11] LONG Fei, SUN Fuchun. An Improved Ant Colony Algorithm and Its Application In Routing Computation of Satellite Networks[C]//IEEE IMACS Multiconference on Computational Engineering in Systems Applications. Beijing: IEEE Press, 2006:1567-1573.

[12] GAO Zihe, GUO Qing, WANG Ping. An Adaptive Routing Based on an Improved Ant Colony Optimization in LEO Satellite Networks[C]//IEEE International Conference on Machine Learning and Cybernetics. Hong Kong, China: IEEE Press, 2007:1041-1044.

[13] WANG Houtian, ZHANG Qi, XIN Xiangjun,et al. Cross-layer design and ant-colony optimization based routing algorithm for low earth orbit satellite networks[J]. China Communications, 2013, 10(10):37-46.

[14] BHATIA A, JOHARI R. Genetically optimized ACO inspired PSO algorithm for DTNs[C]//IEEE 3rd International Conference on Reliability,Infocom Technologies and Optimization. Noida: IEEE Press, 2015:1-6.

[15] MOHAMED A, RACHID E K, BELLAFKIH M, et al.AntProPHET: A New Routing Method for Delay Tolerant Networks [C]//Mediterranean Microwave Symposium. Marrakech: IEEE Press,2015:1-6.