師亞莉，黃 楠，楊軍華，楊 志

(西安郵電大學(xué) 電子工程學(xué)院，陜西 西安 710121)

車輛自組織網(wǎng)絡(luò)(Vehicular Ad-Hoc Network，VANET)是智能交通體系中車間通信的一種移動(dòng)性自組織網(wǎng)絡(luò)，具有無中心、自組織及多跳等特點(diǎn)[1]。作為VANET網(wǎng)絡(luò)關(guān)鍵技術(shù)之一的路由技術(shù)，主要負(fù)責(zé)信息傳輸通道的優(yōu)化，而VANET通信的拓?fù)浣Y(jié)構(gòu)變化頻繁、節(jié)點(diǎn)移動(dòng)性高和鏈路生存時(shí)間短等特點(diǎn)，使得車輛節(jié)點(diǎn)在市區(qū)和郊區(qū)來回切換時(shí)對(duì)VANET路由性能的質(zhì)量影響較大[2]，VANET應(yīng)用的多樣性和場(chǎng)景的多變性使得單一路由機(jī)制不再適用。因此，良好的路由協(xié)議可以保障網(wǎng)絡(luò)互通性和通信的穩(wěn)健性[3]。

VANET中有很多路由協(xié)議用來穩(wěn)定和高效地傳遞消息。文獻(xiàn)[4]對(duì)VANET路由協(xié)議在不同網(wǎng)絡(luò)場(chǎng)景中的性能表現(xiàn)進(jìn)行了研究，結(jié)果顯示，主動(dòng)式路由協(xié)議和被動(dòng)式路由協(xié)議在不同場(chǎng)景下性能差異較大，表明了選取最優(yōu)路由機(jī)制的必要性，但文獻(xiàn)中并沒有對(duì)選取最優(yōu)路由協(xié)議進(jìn)一步研究。為了使不同機(jī)制的VANET路由協(xié)議能在適用的場(chǎng)景中發(fā)揮最大性能，路由機(jī)制選擇中引入了自適應(yīng)策略，試圖通過推理為當(dāng)前網(wǎng)絡(luò)環(huán)境匹配最適合的路由機(jī)制，從而增強(qiáng)網(wǎng)絡(luò)通信質(zhì)量。

文獻(xiàn)[5]提出了一種自適應(yīng)的路由算法。該算法可以根據(jù)網(wǎng)絡(luò)的移動(dòng)性推理當(dāng)前適配的路由機(jī)制，然后根據(jù)推理的結(jié)果在主動(dòng)式路由機(jī)制和被動(dòng)式路由機(jī)制中進(jìn)行切換，這種方式有利于同時(shí)結(jié)合兩種路由機(jī)制的優(yōu)點(diǎn)，提高網(wǎng)絡(luò)效率。在文獻(xiàn)[6]中提出的一種自適應(yīng)路由機(jī)制中，由基站基于網(wǎng)絡(luò)能量和負(fù)載對(duì)當(dāng)前的路由機(jī)制進(jìn)行管理，實(shí)現(xiàn)了自適應(yīng)路由機(jī)制的切換。呂雙玥[7]提出了自適應(yīng)組播路由協(xié)議選擇算法，該算法在自適應(yīng)模糊神經(jīng)推理算法(Adaptive Neuro-Fuzzy Inference System，ANFIS)的基礎(chǔ)上提出了一種改進(jìn)型算法，并將其用于路由協(xié)議選擇策略庫(kù)中，實(shí)現(xiàn)了不同場(chǎng)景中最優(yōu)組播路由協(xié)議的選取。文獻(xiàn)[8]將ANFIS應(yīng)用于VANET網(wǎng)絡(luò)中交叉路口場(chǎng)景下的路由選擇，利用網(wǎng)絡(luò)特征對(duì)最優(yōu)路由進(jìn)行推導(dǎo)，進(jìn)一步提高了網(wǎng)絡(luò)的整體性能，但僅考慮了車輛在交叉路口時(shí)的路由選擇情況，無法滿足車輛在實(shí)際場(chǎng)景中面臨的多種場(chǎng)景。

在以上車聯(lián)網(wǎng)場(chǎng)景自適應(yīng)路由的研究中，通過自適應(yīng)模糊神經(jīng)推理算法進(jìn)行最優(yōu)路由協(xié)議選擇的方法，由于其參數(shù)學(xué)習(xí)的復(fù)雜性與易陷入局部最優(yōu)等缺點(diǎn)并不能滿足客觀需要[9]。因此，基于遺傳粒子群算法的自適應(yīng)模糊推理系統(tǒng)(Genetic Algorithm Particle Swarm Optimization Adaptive Neuro-Fuzzy Inference System，GAPSO-ANFIS)，擬提出一種VANET路由性能推理系統(tǒng)。該系統(tǒng)通過研究ANFIS的參數(shù)優(yōu)化問題，結(jié)合遺傳算法(Genetic Algorithm，GA)進(jìn)行粒子群全局尋優(yōu)，從而搭建最優(yōu)路由機(jī)制推理系統(tǒng)。同時(shí)，對(duì)該系統(tǒng)在節(jié)點(diǎn)密度和節(jié)點(diǎn)速度變化時(shí)幾種典型路由協(xié)議的性能建模進(jìn)行分析。最后，為了進(jìn)一步驗(yàn)證所提的改進(jìn)型VANET路由性能推理系統(tǒng)的有效性，在按需距離矢量路由協(xié)議(Ad hoc On-Demand Distance Vector Routing，AODV)、目的序列距離矢量路由協(xié)議(Destination Sequenced Distance-Vector，DSDV)及動(dòng)態(tài)源路由協(xié)議(Dynamic Source Routing，DSR)等3種典型VANET路由協(xié)議仿真數(shù)據(jù)集下，利用所提系統(tǒng)進(jìn)行最優(yōu)路由協(xié)議推理驗(yàn)證。

1 基于ANFIS的路由策略推理

VANET網(wǎng)絡(luò)的場(chǎng)景因素對(duì)路由協(xié)議的性能具有重要影響。在不同的網(wǎng)絡(luò)場(chǎng)景中，路由協(xié)議往往會(huì)表現(xiàn)出截然不同的性能[10]。因此，根據(jù)路由協(xié)議在不同網(wǎng)絡(luò)場(chǎng)景中的性能表現(xiàn)，可以推理得到不同用戶需求下的最優(yōu)路由協(xié)議。在VANET網(wǎng)絡(luò)中，影響路由協(xié)議性能的主要參數(shù)有網(wǎng)絡(luò)節(jié)點(diǎn)的移動(dòng)性和網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模[11]，通過對(duì)這兩個(gè)參數(shù)進(jìn)行設(shè)計(jì)可以得到最優(yōu)的路由選擇?？紤]ANFIS中的參數(shù)結(jié)構(gòu)太過復(fù)雜，同時(shí)其參數(shù)調(diào)整過程中采用的最小二乘法和梯度下降法很容易得到局部最優(yōu)解[12-14]。因此，針對(duì)ANFIS中的參數(shù)復(fù)雜、運(yùn)算量大等問題，提出了改進(jìn)后的ANFIS算法。該算法在改進(jìn)過程中通過粒子群算法對(duì)ANFIS參數(shù)進(jìn)行了尋優(yōu)，同時(shí)還結(jié)合遺傳算法中的交叉、變異等操作，進(jìn)一步避免了粒子群算法早熟的問題。以該算法為基礎(chǔ)提出的路由策略推理系統(tǒng)如圖1所示。

圖1 路由策略推理系統(tǒng)

由圖1可以看出，路由策略推理方案主要包含網(wǎng)絡(luò)情景感知、模糊神經(jīng)網(wǎng)絡(luò)推理算法和最優(yōu)路由協(xié)議選擇等3部分。首先，由網(wǎng)絡(luò)情景感知模塊對(duì)當(dāng)前VANET網(wǎng)絡(luò)中的節(jié)點(diǎn)移動(dòng)速度和網(wǎng)絡(luò)規(guī)模進(jìn)行感知，并將感知結(jié)果以及備選路由協(xié)議的性能數(shù)據(jù)集作為改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)推理算法的輸入。其次，由改進(jìn)后的GAPSO-ANFIS分別對(duì)不同路由協(xié)議下的性能指標(biāo)進(jìn)行推理,得到吞吐量、時(shí)延和丟包率等性能指標(biāo)，再通過效用值函數(shù)得到各性能指標(biāo)的效用值，將效用值和不同用戶需求下的目標(biāo)函數(shù)相結(jié)合，可以得到各備選路由協(xié)議的總效用值。最后，選擇效用值最大的備選路由協(xié)議，就可以實(shí)現(xiàn)最優(yōu)路由協(xié)議的選擇。

2 自適應(yīng)模糊神經(jīng)推理算法的優(yōu)化

2.1 粒子群遺傳算法

綜合兩種算法的優(yōu)勢(shì)，將GA中的遺傳、交叉和變異等操作引入到PSO算法中，提出了GAPSO-ANFIS，粒子群算法和遺傳算法的結(jié)合原理如圖2所示。在PSO算法每一次迭代生成粒子群后，GAPSO-ANFIS都會(huì)按照粒子的適應(yīng)度值對(duì)粒子群中每個(gè)粒子進(jìn)行優(yōu)劣性排序，將排序?qū)儆谇鞍氩糠值牧Ｗ幼鳛閮?yōu)質(zhì)粒子，直接用于下一代。然后對(duì)剩下的一半粒子進(jìn)行遺傳算法中的選擇、交叉和變異操作。將操作后的粒子與操作前的粒子進(jìn)行排序，再次選出較優(yōu)粒子與優(yōu)質(zhì)粒子結(jié)合起來形成新一代種群，并繼續(xù)下一步運(yùn)算。

圖2 粒子群遺傳算法結(jié)合原理

2.2 ANFIS優(yōu)化

智能算法適合用于解決那些無法建立有效模型的問題[18]。為了改善ANFIS算法參數(shù)學(xué)習(xí)復(fù)雜、運(yùn)算量大等問題，提出了GAPSO-ANFIS，首先，在PSO算法中，各粒子都具有記憶存儲(chǔ)能力，能對(duì)個(gè)體和種群的最優(yōu)粒子位置信息進(jìn)行保留，局部的尋優(yōu)能力更強(qiáng)，收斂速度更快，利用PSO調(diào)整ANFIS參數(shù)，可以獲得最優(yōu)參數(shù)值。GA擁有全局搜索能力，其交叉和變異操作既能進(jìn)行信息交換又能增加粒子種群的多樣性，避免迭代過程中出現(xiàn)局部最優(yōu)解。GAPSO-ANFIS流程如圖3所示。

圖3 GAPSO-ANFIS流程

GAPSO-ANFIS具體的步驟如下。

步驟1首先，對(duì)種群的規(guī)模m、粒子運(yùn)動(dòng)的最大速度vmax和最大迭代次數(shù)參數(shù)T等參數(shù)進(jìn)行初始化。

步驟3按照該優(yōu)化問題對(duì)應(yīng)的目標(biāo)函數(shù)計(jì)算每個(gè)粒子的適應(yīng)度值，采用均方根誤差(Root-Mean-Square Error，RMSE)作為目標(biāo)函數(shù)，表達(dá)式為[19]

大家都知道一講到底的授課方式效果不好，卻難以改變。我們?cè)鲞^調(diào)查，課堂講授的方式，教師教得太辛苦，學(xué)生也不愿意聽，想讓學(xué)生參與到課堂中來，學(xué)生礙于情面和習(xí)慣，參與意愿不強(qiáng)。學(xué)生對(duì)這樣一種教學(xué)方式也不滿意，認(rèn)為這樣的教學(xué)方式剝奪了自己的學(xué)習(xí)自主權(quán)，而且長(zhǎng)時(shí)間聽講做到一直集中精力幾乎不可能，再生動(dòng)的講解聽久了也會(huì)讓人疲勞。學(xué)生希望教師能夠設(shè)計(jì)一些讓他們參與其中的教學(xué)環(huán)節(jié)。既然教師與學(xué)生都有交流互動(dòng)的需要，那為什么交流互動(dòng)難以實(shí)施呢？

(1)

式中：yi和ydi分別表示網(wǎng)絡(luò)的輸出值和輸出期望值；N為數(shù)據(jù)總量。

步驟4判斷當(dāng)前適應(yīng)度值是否小于之前的個(gè)體最優(yōu)解Pbest，若小于之前的Pbest，則表示該粒子更優(yōu)，可以使用該粒子對(duì)之前的個(gè)體最優(yōu)值進(jìn)行替換。同時(shí)，對(duì)將該粒子的Pbest與其他粒子的Pbest進(jìn)行對(duì)比，選出全局最優(yōu)解Gbest。

步驟5對(duì)粒子當(dāng)前的位置以及速度進(jìn)行修正，并對(duì)每個(gè)粒子的最大移動(dòng)范圍pmax和最大移動(dòng)速度vmax進(jìn)行限制。

步驟6計(jì)算當(dāng)前粒子所對(duì)應(yīng)的適應(yīng)度值，并根據(jù)所得到的數(shù)值對(duì)粒子種群進(jìn)行排序。

步驟7通過對(duì)粒子種群進(jìn)行篩選，從中選出較優(yōu)的前一半粒子作為優(yōu)質(zhì)粒子進(jìn)入下一代，然后再對(duì)后一半粒子執(zhí)行GA中的選擇、交叉及變異等操作。

步驟8在GA操作之后，得到較優(yōu)的粒子，將其與上一步選出的優(yōu)質(zhì)粒子進(jìn)行合并，產(chǎn)生新的粒子群。

步驟9分別重新計(jì)算當(dāng)前粒子群中的Pbest和Gbest。

步驟10判斷當(dāng)前得到的最優(yōu)解是否達(dá)到目標(biāo)，或是否達(dá)到最大迭代次數(shù)：若達(dá)到，則轉(zhuǎn)到步驟11；否則，對(duì)其迭代次數(shù)加1并轉(zhuǎn)至步驟5。

步驟11通過步驟10得到全局最優(yōu)值Gbest，將其作為ANFIS最優(yōu)參數(shù)值，并使用測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試。

在對(duì)算法進(jìn)行對(duì)比時(shí)，常用的評(píng)價(jià)指標(biāo)分別是RMSE、平均絕對(duì)誤差(Mean Absolute Error，MAE)和判定系數(shù)R2等指標(biāo)。通常可以根據(jù)R2的值判斷模型的好壞：如果其結(jié)果為0，則說明該模型的擬合效果很差；如果其結(jié)果接近于1，則說明模型幾乎沒有錯(cuò)誤。MAE[20]和R2[21]的表達(dá)式分別為

(2)

(3)

3 數(shù)值分析

3.1 最優(yōu)路由策略庫(kù)構(gòu)建

采用交通仿真軟件(Simulation of Urban Mobility，SUMO)和網(wǎng)絡(luò)仿真軟件(Network Simulator version 2，NS 2)進(jìn)行聯(lián)合仿真，所使用的實(shí)際道路場(chǎng)景移動(dòng)模型如圖4所示。

圖4 實(shí)際道路場(chǎng)景移動(dòng)模型

由圖4可以看出，改變圖4中的車輛數(shù)量以及車輛移動(dòng)速度，可以構(gòu)建出VANET網(wǎng)絡(luò)中的多個(gè)網(wǎng)絡(luò)場(chǎng)景，記錄不同場(chǎng)景下的按需距離矢量路由協(xié)議(Ad-hoc On-Demand Distance Vector Routing，AODV)、目的序列距離矢量路由協(xié)議(Destination Sequenced Distance-Vector，DSDV)及動(dòng)態(tài)源路由協(xié)議(Dynamic Source Routing，DSR)等3種備用路由協(xié)議的性能表現(xiàn)，構(gòu)成策略知識(shí)庫(kù)。網(wǎng)絡(luò)中的數(shù)據(jù)業(yè)務(wù)特性通?？梢允褂猛掏铝?、時(shí)延和丟包率刻畫，在不同網(wǎng)絡(luò)場(chǎng)景下得到的數(shù)據(jù)集屬性如表1所示。

表1 數(shù)據(jù)集屬性

以數(shù)據(jù)集中的吞吐量為例，VANET網(wǎng)絡(luò)中各協(xié)議的吞吐量在AODV、DSDV及DSR等不同場(chǎng)景下的變化情況如圖5(a)到圖5(c)所示。

圖5 吞吐量變化情況

由圖5可以看出，圖5(a)展示了 AODV在不同場(chǎng)景下的吞吐量變化情況。該協(xié)議在節(jié)點(diǎn)速度較低、節(jié)點(diǎn)數(shù)目中等的情況下吞吐量性能值約為510 Kb·s-1，表現(xiàn)較好，這是由于AODV是被動(dòng)式路由協(xié)議，維護(hù)的路由信息較少，并且會(huì)周期性地進(jìn)行路由發(fā)現(xiàn)以確保當(dāng)前路由信息的更新。圖5(b)展示了DSDV的吞吐量變化情況，該協(xié)議在節(jié)點(diǎn)數(shù)目較多、節(jié)點(diǎn)速度較低時(shí)表現(xiàn)最好，吞吐量性能值約為 550 Kb·s-1，原因在于DSDV是主動(dòng)式路由協(xié)議，在連接數(shù)變化時(shí)路由開銷幾乎不會(huì)增加，而另外兩種被動(dòng)式路由協(xié)議在通信密度增加時(shí)，頻繁進(jìn)行路由發(fā)現(xiàn)，導(dǎo)致吞吐量降低。圖5(c)是DSR的吞吐量變化情況，該協(xié)議在節(jié)點(diǎn)數(shù)目較少、節(jié)點(diǎn)速度較低時(shí)，性能表現(xiàn)最好，約為530 Kb·s-1，主要原因在于DSR對(duì)路由信息進(jìn)行緩存，使得源節(jié)點(diǎn)保存了多條通往目的節(jié)點(diǎn)的路由路徑，減少了路由發(fā)現(xiàn)的次數(shù)，從而減少了路由發(fā)現(xiàn)的開銷。

由以上分析可以看出，不同的路由協(xié)議在不同網(wǎng)絡(luò)場(chǎng)景下的性能表現(xiàn)差別明顯，每種路由協(xié)議都有其適用的場(chǎng)景。因此，通過所提的自適應(yīng)最優(yōu)路由協(xié)議選擇方法，選出與目前的網(wǎng)絡(luò)場(chǎng)景最適配的路由協(xié)議，就可以進(jìn)一步保障該場(chǎng)景下的路由性能。

3.2 實(shí)驗(yàn)參數(shù)設(shè)置

將均方根誤差RMSE設(shè)為適應(yīng)度函數(shù)，使用得到的數(shù)據(jù)集進(jìn)行仿真，對(duì)所提出的模糊推理模型的準(zhǔn)確性進(jìn)行驗(yàn)證。對(duì)數(shù)據(jù)集采用隨機(jī)劃分的方式，選出80%的數(shù)據(jù)作為GAPSO-ANFIS網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，其余數(shù)據(jù)用于網(wǎng)絡(luò)測(cè)試。GAPSO-ANFIS網(wǎng)絡(luò)建模過程中所用到的一些參數(shù)初始值如表2所示。仿真過程中為了測(cè)試誤差是否滿足精度要求，分別對(duì)每個(gè)數(shù)據(jù)集進(jìn)行了100次實(shí)驗(yàn)，進(jìn)而計(jì)算出對(duì)應(yīng)評(píng)價(jià)指標(biāo)的均值。

表2 GAPSO-ANFIS參數(shù)

首先，需要對(duì)種群規(guī)模進(jìn)行設(shè)定，該數(shù)值的大小直接影響到粒子的全局搜索能力。該數(shù)值越大，種群中各個(gè)體的搜索能力就越強(qiáng)。但是，搜索能力強(qiáng)的同時(shí)，也存在著一定問題，種群規(guī)模大就會(huì)導(dǎo)致整體搜索的時(shí)間更長(zhǎng)，無法快速得到最優(yōu)解。因此，種群規(guī)模M一般取值范圍為[20,40]。其次，還需要對(duì)學(xué)習(xí)因子的大小進(jìn)行設(shè)定。該數(shù)值的大小與種群進(jìn)行局部搜索的能力相關(guān)，該值越大，種群進(jìn)行局部搜索的能力就會(huì)越強(qiáng)，c1，c2的取值范圍一般為[0,4]。另外，還需要對(duì)慣性權(quán)重進(jìn)行設(shè)置，該值的大小決定了種群對(duì)解的探索能力，該值越大，種群對(duì)于全局的搜索能力就越強(qiáng)，ω的取值范圍一般為[0.9,1.2]。交叉概率Pc的取值范圍一般為0.40～0.99，變異概率Pm的取值范圍一般為0.000 1～0.1。文獻(xiàn)[19]通過對(duì)比驗(yàn)證給出了Pc和Pm更準(zhǔn)確的取值范圍，據(jù)此將交叉概率Pc和變異概率Pm分別設(shè)為0.90和0.01，在保證個(gè)體種群多樣性的同時(shí)，也避免了搜索過程過于緩慢。

3.3 性能對(duì)比

為驗(yàn)證所提的GAPSO-ANFIS的可靠性，對(duì)表1給出的數(shù)據(jù)集進(jìn)行分析，參照其中的節(jié)點(diǎn)數(shù)目和節(jié)點(diǎn)移動(dòng)性，將其作為初始參數(shù)值并輸入算法程序，基于初始化函數(shù)視角對(duì)網(wǎng)絡(luò)進(jìn)行初始化操作。同時(shí)，GAPSO算法使用遺傳運(yùn)算符選擇初始群體，使用適度函數(shù)確定遺傳過程的質(zhì)量，獲得全局優(yōu)化位置。進(jìn)而完成ANFIS算法的參數(shù)尋優(yōu)，并由此模型進(jìn)行吞吐量預(yù)測(cè)。基于以上兩種算法的VANET路由性能推理系統(tǒng)得到的預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比情況如圖6所示。由圖6可以看出，通過與實(shí)際輸出比較，實(shí)際輸出結(jié)果與基于改進(jìn)型ANFIS的推理系統(tǒng)結(jié)果更加貼合，推理誤差更小，直觀地說明了所提系統(tǒng)的合理性和有效性。

圖6 預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比情況

為進(jìn)一步驗(yàn)證所提系統(tǒng)的準(zhǔn)確性，還將其與基于ANFIS、PSO-ANFIS的推理系統(tǒng)就相對(duì)誤差指標(biāo)進(jìn)行了對(duì)比，結(jié)果如圖7所示。

圖7 相對(duì)誤差對(duì)比

由圖7可以看出，從誤差對(duì)比情況看，所提系統(tǒng)的相對(duì)誤差明顯較ANFIS和PSO-ANFIS更接近于0，其預(yù)測(cè)性能能夠滿足路由性能參數(shù)推理的準(zhǔn)確性要求。

采用式(1)至式(3)對(duì)基于ANFIS、PSO-ANFIS和GAPSO-ANFIS的VANET推理系統(tǒng)性能進(jìn)行了對(duì)比，對(duì)比結(jié)果如表3所示。

表3 算法性能對(duì)比

由表3可以看出，GAPSO-ANFIS經(jīng)過改進(jìn)后能夠自適應(yīng)得到最優(yōu)參數(shù)，整體性能穩(wěn)定。與基于ANFIS(RMSE為12.751 4，MAE為10.377 9，R2為0.826 4)的推理系統(tǒng)相比，基于GAPSO-ANFIS(RMSE為6.061 8，MAE為4.847 2，R2為0.909 7)的推理系統(tǒng)性能更優(yōu)。同時(shí)，基于GAPSO-ANFIS的推理系統(tǒng)性能還優(yōu)于僅使用粒子群算法優(yōu)化的PSO-ANFIS(RMSE為8.542 7，MAE為6.942 9，R2為0.886 2)。

4 結(jié)語(yǔ)

以車聯(lián)網(wǎng)城市場(chǎng)景為背景，針對(duì)VANET網(wǎng)絡(luò)不同場(chǎng)景中路由機(jī)制的適配問題，提出了在參數(shù)尋優(yōu)過程中采用粒子群遺傳融合算法的VANET路由性能推理系統(tǒng)。該系統(tǒng)通過引進(jìn)粒子群算法和遺傳算法，在改進(jìn)型ANFIS的基礎(chǔ)上，設(shè)計(jì)了VANET最優(yōu)路由機(jī)制推理系統(tǒng)，可以改善ANFIS所面臨的參數(shù)復(fù)雜、運(yùn)算量大等問題。

通過效用函數(shù)對(duì)網(wǎng)絡(luò)最優(yōu)路由機(jī)制進(jìn)行推理，在AODV、DSDV和DSR等3種典型的VANET路由協(xié)議仿真數(shù)據(jù)集下，對(duì)基于改進(jìn)型ANFIS的VANET路由性能推理系統(tǒng)進(jìn)行了最優(yōu)路由協(xié)議推理驗(yàn)證。驗(yàn)證結(jié)果顯示，基于改進(jìn)型ANFIS的系統(tǒng)R2值為0.909 7，基于ANFIS的系統(tǒng)R2值為0.826 4，證明改進(jìn)后的VANET路由性能推理系統(tǒng)擬合效果更優(yōu)。同時(shí)，基于改進(jìn)型ANFIS的VANET路由性能推理系統(tǒng)的RMSE為6.061 8，MAE為6.942 9，均低于基于ANFIS算法的推理系統(tǒng)，也說明該改進(jìn)算法在準(zhǔn)確性方面表現(xiàn)更優(yōu)。以上分析結(jié)果表明，改進(jìn)型ANFIS的VANET最優(yōu)路由推理系統(tǒng)具有可靠性高、誤差小等特點(diǎn)，在VANET網(wǎng)絡(luò)最優(yōu)路由協(xié)議選擇方面具有更高的準(zhǔn)確性。