1.一种基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于该方法主要包括如下步骤：

第1、系统模型构建与邻居节点位置预测：第1.1、系统模型构建；

第1.2、为邻居节点建立状态方程和测量方程；

第1.3、邻居节点位置预测过程和修正过程；

第2、用模糊逻辑改善GPSR贪婪转发策略，以此改善车辆移动过快导致的邻居节点位置信息不准确的问题：

第2.1、模糊逻辑相关内容及操作；

第2.2、分析影响GPSR贪婪转发策略的因素，输出邻居节点作为下一跳的适应度，以此完善转发策略；

第3、设计基于模糊逻辑优化策略的路由方法，以此改进GPSR贪婪转发策略：第3.1、基于模糊逻辑优化策略的路由方法实现步骤；

第3.2、路由方法的复杂度分析。

2.如权利要求1所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤第1.1中拟定的系统模型分为两种：有规则路线上的车辆移动场景，这种场景发生在一个有双向车道的十字路口道路中的车辆模拟正常城市道路的行驶状态，存在变道、转向、掉头的行为，每辆车都能够在固定的通信范围R内与其他车辆进行通信；

无规则路线上的车辆移动场景，这种场景发生在没有严格的交通管制的地区道路上，车辆存在大量的无规则行驶行为，包括插队和逆行，道路中以及十字路口处的道路状况十分混乱，车辆行驶轨迹毫无规律，这种情况在实际情况中也时有发生，因此也很具有研究意义，这也体现了车辆自组织网络的复杂性；

在上面两种模型的基础上，如果想要实现两车互相通信，可以假设设置的场景中行驶的车辆数量为N，对每辆车进行编号，每辆车的编号ID为i，i∈[1，N]；车辆i在时刻t时的位置用(xi(t)，yi(t))来表示，在时刻t时车辆i与车辆j之间的距离用dij(t)来表示，那么车辆i和车辆j能够互相通信且互为对方邻居节点的条件是：dij(t)＜R         (1)这里的dij(t)可以通过车辆i和车辆j在时刻t时的位置信息计算得到：

3.如权利要求2所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤第1.2中建立状态方程和测量方程的方法是，默认每辆车上都装有GPS导航系统，能够在指定时刻测得车辆的位置和移动速度、移动方向信息，由此得到车辆i在时刻t时的状态矩阵：

T

Xi(t)＝[xi(t),yi(t),ai(t),vi(t)]      (3)若规定与车辆行进方向垂直的横向道路为x坐标方向，与车辆行进方向平行的纵向道路为y坐标方向，在式(3)中，xj(t)为x坐标方向，yj(t)为y坐标方向，ai(t)为车辆i在时刻t时相对于xj(t)正角度的运动方向，ai(t)∈[0,π]，vi(t)是车辆i在t时刻的运动速度，vi(t)∈[30,

90]km/h；

若车辆i在Δt时间段内所作的运动被近似为匀速直线运动，则下一时刻它的位置的状态方程如下：

这里假设在Δt时间段后车辆i的运动速度和角度不发生改变，测量方程则能够由车辆i与其邻居节点中被选取为下一跳节点的车辆j之间的距离来表示，测量方程如下：上式中，Zij(t+Δt)为t+Δt时刻车辆i与车辆j之间通过测距仪器得到的距离，xj(t+Δt)和yj(t+Δt)是下一跳节点j在t+Δt时刻在地图上的实时横纵坐标位置。

4.如权利要求3所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤第1.3中在预测过程中，首先设σ为邻居节点，σ点的个数根据状态矩阵的维度确定并计算，M维系统需选取2M+1个σ点，本发明的系统为4维，选取9个σ点，均值在中心点处取得；

系统的协方差矩阵Pk‑1如式(6)所示：第1个σ点到第M+1个σ点的计算公式由式(7)、式(8)给出：上式中，K是可调参数，设置为3‑M；Lk‑1是要求解的矩阵，矩阵Lk‑1的第i列记作coliLk‑1；

同理，第M+2到2M+1个σ点的计算公式如下：然后将σ点代入非线性函数f，就能够得到其对应的映射点集y：后续计算所需要的权重值如下：

计算预测的均值yk和方差Pk的公式如下：Qk为噪声的协方差矩阵，然后进行修正过程，σ点集依据测量模型映射到测量点集：得到测量系统的均值zk和方差Pz的公式如下：导出协方差Pxz和卡尔曼增益Kk的公式如下：更新修正的状态值并更新协方差矩阵：式(19)中的xk为更新后的更加准确的系统状态信息。

5.如权利要求4所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤第2.1中模糊逻辑相关内容及操作如下；

模糊集合：论域U中的模糊集合F用一个在区间[0,1]上取值的隶属函数μF来表示，即：μF:U→[0，1]      (21)对于每个u∈U，μF(u)叫做元素u对模糊集合F的隶属度，如果μF(u)＝1，则u属于U；如果μF(u)＝0，则u不属于U；如果0＜μF(u)＜1表示u部分属于U；

并操作：并操作(A∪B)的隶属度函数μA∪B对所有u∈U被逐点定义为取大运算，即：μA∪B(u)＝max{μA(u),μB(u)}    (22)交操作：交操作(A∩B)的隶属函数μA∩B对所有u∈U被逐点定义为取小运算，即：μA∩B(u)＝min{μA(u),μB(u)}    (23)设有界闭集V上的m次光滑齐次函数为 则下列不等式成立：其中ζM为 在有界闭集V上的最大值；

设a,b是实数且a满足|a|＜1，那么 是关于x的代数方程x+a|x|＝b的解，其中符号函数

n m

考虑在R上连续的m次光滑齐次函数 也即对于任意正实数q满足φ(qz)＝qφ(z)，如果存在模糊集合F,模糊逻辑的输出为： 对于给定的正常数ξ，在紧致域上存在一个正常数C，满足

那么利用模糊逻辑的输出可得：

6.如权利要求5所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤第2.2中分析影响GPSR贪婪转发策略的因素，得到三个参数作为模糊逻辑的输入，输出邻居节点作为下一跳的适应度得分，以此完善转发策略：速度因素：在当前数据转发节点的邻居节点中选择与其速度差值最小的邻居节点，这样可以在数据转发的过程中尽可能久的保持这两节点间的链路连通；用fv表示在改进的转发策略中的速度影响函数，其数学公式为：式中VS为当前节点S的速度，Vσ为当前节点的任一邻居节点σ的速度，Vmax为车辆在道路上的最大行驶速度，故速度函数fv的取值范围为[0,1]；

角度因素:在当前节点和目的节点之间建立连接，并且在当前节点的任一相邻节点和当前节点之间进行连接，从而应选择让角度θ最小的相邻节点作为下一个转发节点，用fa表示在改进的转发策略中的角度影响函数，其数学公式为：其中，θ是当前节点与目的节点的连线和当前节点的任一邻居节点与当前节点之间的连线之间的夹角；

密度因素:一个节点的邻居节点数越多，则它的节点密度越高，当选下一跳节点就越有优势，用fd表示在改进的转发策略中的密度影响函数，其数学公式为：其中，Σne为节点e的邻居节点个数，网络中的节点总数为n，当前节点Z到目的节点D的距离为dSD，理想情况下每个节点的邻居节点个数为n/(dSD/R)，信号传输半径为R，从源节点到目的节点转发数据时的路由跳数为dSD/R，故密度函数fd的取值范围为[0,1]；

反模糊化:反模糊化是将获得的模糊结论转换为准确数字并输出的过程；在这里，采用centroid方法来进行反模糊化，表达式为：其中k是输出变量，ξ(k)是隶属度函数的输出，Frank为节点作为下一跳节点的适应度得分，用来衡量一个车辆作为下一跳节点的性能；

设当前节点为Z，Z的任一邻居节点为O，模糊逻辑的输出即下一跳的适应度得分用SZO来表示，SZO的计算公式为：

SZO＝α1fv+α2fa+α3fd     (31)fv是改进转发策略中的速度影响函数，fa是改进转发策略中的角度影响函数，fd是改进转发策略中的密度影响函数；α1、α2、α3均为可调参数，并满足α1+α2+α3＝1，它们的值根据不同的模拟场景进行调整。

7.如权利要求6所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤3.1中基于模糊逻辑优化策略的路由方法实现步骤描述如下：(1)每个车辆都具有MEC赋予的基本的计算能力且每个车辆节点都能够通过信标分组与它的邻居节点互相报告位置、速度、运动方向信息，并定期更新邻居节点表；

(2)如果源节点需要传输数据，源节点将在当前节点的相邻节点表中查询目标节点信息，如果有，则将数据包转发到目标节点以完成传输任务；否则，进入步骤(3)；

(3)通过等式(3)‑(20)预测当前节点相邻节点的位置，并更新邻居节点表中相应信息；

(4)判断当前节点的邻居节点中是否至少存在一个满足贪婪转发的节点，若是则转到步骤(5)；否则转到步骤(6)；

(5)通过公式(31)计算当前节点的每一个邻居节点作为下一跳节点的适应度得分，将适应度得分最高的节点作为下一跳节点，执行完毕转至步骤(7)；

(6)进入周边转发模式，当数据包绕过空洞区域并满足贪婪转发要求后，转步骤(5)；

(7)重复上述步骤(2)‑(6)，直到传输任务成功完成。

8.如权利要求7所述的基于模糊逻辑优化策略的车辆自组网络路由方法，其特征在于，步骤第3.2路由方法的复杂度分析中，从时间和空间复杂度这两个角度出发去分析GRVAD路由方法的复杂度；GRVAD路由方法的时间复杂度主要取决于模糊逻辑优化后的贪婪策略建立的路由路径以及右手法则和左手法则所建立的路由路径；设整个网络中N个节点，最坏的情况是从源节点到目的节点的路由将网络中的每个剩余节点都利用一遍，因此最差的时间复杂度是O(n)；假设在贪婪转发模式下此过程的时间复杂度为O(n1)，周边转发模式使用右手规则，以帮助数据包绕过路由空洞，n2用于表示在此过程中转发节点的数量，令n＝n1+n2，因此GRVAD路由方法的时间复杂度为O(n)；在大型的车辆自组织网络中，车辆节点的频繁移动将使得一个节点的通信范围内的节点不断更替，因此，使用图的邻接矩阵表示节点及它们之间的关系更为合适，因为网络中的每个节点都存储了相应相邻节点的位置信息，2

所以O(n)是GRVAD路由方法的空间复杂度。