面向“睛”产品的无线网络中继选择算法研究.docxVIP

面向“睛”产品的无线网络中继选择算法研究

一、研究背景与意义

在无线网络通信领域，中继技术作为扩展网络覆盖范围、提升信号质量的核心手段，已成为“睛”这类富有创意的智能终端产品（如智能视觉监控设备、AR/VR交互终端等）稳定运行的关键支撑。“睛”产品通常对网络带宽、时延、可靠性有极高要求——例如智能视觉监控需实时传输高清视频流，AR/VR交互需毫秒级时延保障沉浸体验，而传统无线网络在复杂环境（如多遮挡空间、高密度用户场景）中易出现信号衰减、链路中断等问题，此时高效的中继选择算法成为提升“睛”产品通信性能的核心突破口。

当前主流中继选择算法多聚焦单一指标（如信号强度、传输速率），存在明显局限性：基于接收信号强度（RSSI）的算法易因环境干扰误选负载过重的中继节点，导致“睛”产品视频传输卡顿；基于信道容量的算法忽略中继节点能耗，缩短“睛”产品配套中继设备的续航时间；基于时延的算法则难以适配多用户并发场景下的资源分配需求。因此，针对“睛”产品的创意应用场景，研究兼顾多维度性能指标、动态环境适配性、低能耗的中继选择算法，不仅能解决“睛”产品实际通信痛点，更能为智能终端领域的中继技术创新提供理论参考。

二、现有无线网络中继选择算法分析

（一）传统单指标算法

RSSI-based算法：通过检测中继节点的接收信号强度选择最优节点，算法复杂度低、响应速度快，但未考虑中继负载与信道稳定性。在“睛”产品的多设备协同场景中，若多个终端同时选择RSSI最优但负载饱和的中继，会导致网络拥塞，高清视频流丢包率上升。

ChannelCapacity-based算法：以信道容量最大化为目标选择中继，能提升“睛”产品的传输带宽，但需频繁检测信道状态，增加中继设备能耗，且未考虑传输时延——对于AR/VR类“睛”产品，即使带宽充足，时延超标仍会破坏用户交互体验。

Delay-based算法：优先选择传输时延最小的中继，适配“睛”产品的实时性需求，但忽略中继节点的剩余能量。在电池供电的移动中继场景中，该算法易导致部分中继过早耗尽电量，造成“睛”产品网络覆盖盲区。

（二）多指标优化算法现状

近年来，研究者开始尝试融合多指标设计算法，如基于加权求和的多属性决策算法（TOPSIS、AHP），但这类算法存在权重设定主观性强的问题——例如为“睛”产品的监控场景与AR场景设定相同的“带宽-时延”权重，会导致算法适配性不足。此外，基于强化学习的中继选择算法虽能动态学习环境特征，但训练过程需大量样本，在“睛”产品快速移动的场景（如移动视觉巡检）中，算法收敛速度慢，难以实时响应链路变化。

三、面向“睛”产品的创新中继选择算法设计

针对“睛”产品的创意应用需求，本研究提出**“睛-智能感知中继选择算法（Eyes-ISRSA）”**，核心思路是融合“多维度指标感知+动态权重自适应+轻量化决策”，具体设计如下：

（一）核心指标体系构建

结合“睛”产品的通信需求，构建包含4类核心指标的评估体系，确保算法全面适配不同应用场景：

指标类型

具体指标

对“睛”产品的影响

通信性能

信道带宽、传输时延、丢包率

决定高清视频传输质量与AR/VR交互流畅度

中继状态

节点负载率（CPU/带宽占用）、剩余能量

避免中继拥塞，延长“睛”产品配套中继续航

环境适配

链路稳定性（信号波动频率）、干扰强度

适配“睛”产品在多遮挡、高干扰场景的使用需求

服务优先级

“睛”产品业务类型权重（监控/AR/VR）

为高优先级业务（如紧急监控）分配最优中继资源

（二）动态权重自适应模型

为解决传统多指标算法权重固定的问题，设计基于业务场景与环境特征的动态权重模型：

业务场景识别：通过“睛”产品的业务请求协议（如视频流分辨率、交互指令频率）自动识别场景类型——例如，当“睛”产品传输4K监控视频时，提升“带宽-丢包率”权重至40%；当运行AR游戏时，将“时延”权重提升至50%。

环境特征感知：中继节点实时采集干扰强度、信号波动数据，若环境干扰强度超过阈值（如信噪比15dB），自动提升“链路稳定性”权重，避免“睛”产品因链路中断出现数据丢失。

权重计算方法：采用改进熵权法与层次分析法（AHP）结合的方式——熵权法根据指标客观数据计算基础权重，AHP根据“睛”产品业务优先级调整权重，最终得到兼顾客观性与场景适配性的综合权重。

（三）轻量化决策机制

针对“睛”产品移动场景下的实时性需求，设计轻量化决策流程，降低算法复杂度：

中继节点预筛选：首先过滤不符合基础要求的中继（如剩余能量20%、时延100ms），减少后续计