CN102745192B - 一种混合动力车辆的分布式控制系统的任务分配系统 - Google Patents
一种混合动力车辆的分布式控制系统的任务分配系统 Download PDFInfo
- Publication number
- CN102745192B CN102745192B CN201210200581.4A CN201210200581A CN102745192B CN 102745192 B CN102745192 B CN 102745192B CN 201210200581 A CN201210200581 A CN 201210200581A CN 102745192 B CN102745192 B CN 102745192B
- Authority
- CN
- China
- Prior art keywords
- task
- bus
- module
- dcs
- controller
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/62—Hybrid vehicles
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种混合动力车辆的分布式控制系统的任务分配系统,所述系统包括:第一模块,用于建立所述任务与所述多个控制单元之间映射关系的数学模型,并运用图论方法,建立所述任务的有向无环图;第二模块,用于确定所述任务的特征参数;以及第三模块,基于所述第二模块所确定的所述特征参数,以所述总线上的数据传输量最小为目标,在满足多种约束条件的情况下对所述任务的所述有向无环图进行最小分割问题求解,从而将所述任务分配到所述多个控制器中。通过本发明技术方案,可以以更加合理的使用整个控制系统的硬件资源,降低总线负载率,提高系统的可靠性与实时性。
Description
技术领域
本发明涉及汽车控制技术领域,特别涉及一种混合动力车辆的分布式控制系统的任务分配系统。
背景技术
目前,国内外混合动力车辆的控制系统普遍采用的控制策略为:混合动力整车控制器(HCU)作为高级管理层,从总线上获得外部输入和车辆状态信息,再通过总线向发动机、电机、电池、变速器和制动控制器等发送相关控制参数。此时,发动机、电机、电池、变速器、制动控制器等均只作为混合动力系统的执行器,接收来自混合动力整车控制器(HCU)的指令并进行相应的操作。目前这种控制系统架构虽然采用了总线结构,但实质上与传统的集成式控制并无很大差异。
具体地说,虽然这种控制架构也采用了目前普遍应用的总线结构,但并没有从数学模型的角度去整体考虑总线的负载率和所有硬件的资源利用率,而是主观的集整车能量管理、模式切换搭接过程、换挡决策等所有控制任务施加于混合动力整车控制器这一个控制器。这样,繁琐的控制任务的过于集中对混合动力整车控制器的要求非常高,要实现更加复杂的算法非常困难,而且这样控制的实时性不好,导致ECU内部任务间调度延时、网络通信延时、系统级信号端到端延时等现象大量发生,还容易出现“单点失效”等毁灭性错误。另外,过于集中的控制方法不利于子模块的研究与开发。因此,迫切需要对混合动力车辆现有的控制系统和方法进行革新。
发明内容
有鉴于此,本发明提出了一种混合动力车辆的分布式控制系统的任务分配系统,以更加合理的使用整个控制系统的硬件资源,降低总线负载率,提高系统的可靠性与实时性。
根据本发明的一个方面,提供一种混合动力车辆的分布式控制系统的任务分配系统,所述分布式控制系统包括多个控制单元和总线,所述多个控制单元由所述总线相连,每个所述控制单元上可以运行所述分布式控制系统的任务中的一个或多个,
其中,所述任务分配系统包括:
第一模块,用于建立所述任务与所述多个控制单元之间映射关系的数学模型,并运用图论方法,建立所述任务的有向无环图
其中,所述数学模型包括所述分布式控制系统的系统硬件结构模型和系统软件结构模型,所述系统硬件结构模型包括控制器集合信息和总线信息,所述控制器集合信息包括控制器的存储空间信息,所述系统软件结构模型包括所述任务与事务的映射关系,所述事务是可以单独完成控制功能的软件组件,整个软件系统包含多个所述事务,每个所述事务由一个或多个有依赖关系的所述任务组成;
第二模块,用于确定所述任务的特征参数,
其中,所述特征参数包括每个所述任务的触发周期、任务的最多指令条数、任务的存储器消耗和任务间的数据通讯量;以及
第三模块,用于基于所述第二模块所确定的所述特征参数,以所述总线上的数据传输量最小为目标,在满足多种约束条件的情况下,使用遗传算法、动态规划化法或庞特里亚金最大值法来对所述任务的所述有向无环图进行最小分割问题求解,从而将所述任务分配到所述多个控制单元中,
其中,所述约束条件包括指派限制约束、响应时间约束、资源约束和处理器使用率约束。
优选地,所述多个控制单元包括:混合动力整车控制器HCU、发动机管理系统EMS、电机控制器MCU、电池管理系统BMS和机械式自动变速器控制器TCU。
优选地,所述第三模块将所有所述任务的软件代码导入采用基于PC机的VectorCAST软件,从而确定每个所述任务的所述特征参数。
优选地,所述总线是CAN总线或FlexRay总线。
从上述方案中可以看出,本发明在分布式硬件结构的基础上用图论方法建立分布式控制系统的数学模型,以总线上的数据量最少为目标,以满足多种约束条件的任务指派策略,能够合理的利用已有的硬件资源降低总线负载率,有效提高混合动力车辆的分布式控制系统的可靠性与实时性。
附图说明
下面将通过参照附图详细描述本发明的优选实施例,使本领域的普通技术人员更清楚本发明的上述及其它特征和优点,附图中:
图1是具体实施方式中混合动力车辆的控制系统硬件结构图;
图2是具体实施方式中混合动力车辆的分布式控制系统的系统硬件结构模型示意图;
图3是具体实施方式中混合动力车辆的分布式控制系统的系统软件结构模型示意图;
图4是一个有向无环图的示例;
图5示出了具体实施方式中混合动力车辆的分布式控制系统的一个有向无环图;
图6示出了具体实施方式中考虑了指派限制约束后的分布式控制系统有向无环图;
图7是具体实施方式中使用的遗传算法中的自然数编码示意图;
图8是具体实施方式中利用遗传算法的任务分配方案进化曲线图;
图9是具体实施方式中混合动力车辆的分布式控制系统任务分配后的有向无环图;
图10是本发明中混合动力车辆的分布式控制系统的任务分配系统的系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下举实施例对本发明进一步详细说明。
为了克服混合动力车辆现有的集成式控制架构的不足,本发明在分布式硬件结构的基础上,建立了一种混合动力车辆的分布式控制系统的任务分配方法。在该方法中,建立了分布式控制系统的硬件结构模型和软件任务模型,获取控制任务的特征参数,基于图论的方法建立了系统任务的有向无环图,将分布式控制系统任务指派问题抽象为有向无环图的最小分割问题,并对有向无环图进行了最小分割,得出最终分配结果,并根据分配结果执行所有任务。
具体地,图10示出了本发明中混合动力车辆的分布式控制系统的任务分配系统的系统结构图。在本发明的混合动力车辆的分布式控制系统的任务分配系统中,所述分布式控制系统包括多个控制单元和总线,所述多个控制单元由所述总线相连,每个所述控制单元上可以运行所述分布式控制系统的任务中的一个或多个,
其中,所述任务分配系统包括:
第一模块1,用于建立所述任务与所述多个控制单元之间映射关系的数学模型,并运用图论方法,建立所述任务的有向无环图;
第二模块2,用于确定所述任务的特征参数;以及
第三模块3,用于基于所述第二模块2所确定的所述特征参数,以所述总线上的数据传输量最小为目标,在满足多种约束条件的情况下对所述任务的所述有向无环图进行最小分割问题求解,从而将所述任务分配到所述多个控制单元中。
同时,本发明的上述任务分配系统相应执行一种任务分配方法,该方法包括如下步骤:
由所述第一模块1执行的步骤一,建立所述任务与所述多个控制单元之间映射关系的数学模型,并运用图论方法,建立所述任务的有向无环图;
由所述第二模块2执行的步骤二,确定所述任务的特征参数;以及
由所述第三模块3执行的步骤三,基于所确定的所述特征参数,以所述总线上的数据传输量最小为目标,在满足多种约束条件的情况下对所述任务的所述有向无环图进行最小分割问题求解,从而将所述任务分配到所述多个控制单元中。
上述分布式控制系统是由多个处理器按照一定拓扑结构组合而成的,在系统设计过程中需要考虑控制器之间的功能分配和任务协调。本发明的任务分配系统首先分析了整个系统的应用事务结构和硬件架构,确定任务之间的关系和每个控制器上运行的任务。应用事务主要指系统的主要任务和它们之间的逻辑关系,硬件架构是系统的物理结构,即处理器之间的拓扑结构。在系统硬件结构模型和应用事务模型建立完成后,接下来设计了相应的算法将应用层的任务分配到各个处理器中,从系统的角度设定了每个任务的优先级和任务周期。
下面,通过具体实施方式来详细地介绍本发明的混合动力车辆的分布式控制系统的任务分配系统。
第一模块1,用于建立所述任务与所述多个控制单元之间映射关系的数学模型,并运用图论方法,建立所述任务的有向无环图。
1、系统的硬件系统整体结构
混合动力车辆的控制系统硬件部分采用分布式设计方案,系统的整体结构如图1所示。在图1中示出,具体实施方式中分布式控制系统中的控制器包括:混合动力整车控制器(HCU)、发动机管理系统(EMS)、电机控制器(MCU)、电池管理系统(BMS)和机械式自动变速器(AMT)控制器(TCU)等5个控制器。这些控制器在整个分布式控制架构中层级平等,没有隶属关系,控制器之间通过CAN总线进行通信,以实现传感器测量数据和动力系统信息的共享,控制指令的接收和发送等,共同完成系统的分布式控制功能。
HCU是混合动力控制系统的核心,也是整车运行过程中的关键控制部件,直接影响着整车的性能。EMS是来控制发动机的驱动输出、怠速、停机等运行状态。MCU根据当前工况控制电机处于四种工作状态之一:电机状态、发电机状态、调速状态或空转状态,控制电机的转矩输出和运行状态等。TCU用来实现离合器的分离/接合控制以及AMT的换档控制。BMS的主要工作是实时采集单体电池的电压和电池组的电压、电流、温度等信息。
2、分布式控制系统的数学模型
本发明具体实施方式中的混合动力车辆的分布式控制系统包含软件系统和硬件系统两部分,其硬件系统为任务运行的平台,由一系列控制器构成,其软件系统的核心由一系列任务构成。为了通过本发明的任务分配系统将软件系统中的一系列任务分配到硬件系统中的各个处理器中,首先要建立分布式控制系统的数学模型,其包括系统硬件结构模型和系统软件结构模型。
2.1系统硬件结构模型
系统硬件结构由若干控制器和将它们整合在一起的通讯介质(总线)构成。根据图1中示出的混合动力车辆系统整体结构,本发明具体实施方式以混合动力车辆的分布式控制系统的HCU、EMS、MCU、BMS和TCU等5个主要控制器为对象,建立了如图2所示的系统硬件结构模型,P={p1,p2,…,p5}表示控制器的集合,其中pi表示第i个控制器,i为1到5的整数,而mi表示相对应的控制器pi的存储空间。混合动力车辆的控制系统控制器通常由CAN总线连在一起,在总线上传输的不同的数据包可利用控制器的序号关系来进行区分,δ代表CAN总线的带宽。
2.2系统软件结构模型
图3示出了本发明具体实施方式中混合动力车辆的分布式控制系统的系统软件结构模型。混合动力车辆控制系统的软件系统都运行在特定的硬件平台(输入/输出I/O、通信设备COM等)和操作系统(OS)上,车辆控制系统使用的操作系统内核都符合OSEK标准(ISO17356-3)。从平台的角度看,软件系统由运行在操作系统平台上的一系列任务(τ)构成;从控制策略的角度看,这些任务和控制信号构成了软件系统的应用事务,简称为事务。事务是可以单独完成某些控制功能的软件组件,整个软件系统包含多个事务,每个事务由一个或多个有依赖关系的任务组成。例如,要实现混合动力车辆中高压共轨系统的共轨压力控制,就必须经过模拟信号采集、目标轨压计算、轨压闭环调节和压力调节电磁阀输出多个过程,每个过程都对应相应的任务。事务与任务的映射关系如图3所示。
将混合动力车辆的分布式控制系统中的控制任务抽象为图论中的顶点τi,任务之间的数据通讯量dij抽象为图论中的顶点之间的边,就可用一个有向无环图(DAG图)G=(ζ,ψ)表示,其中顶点集ζ={τ1,τ2,...,τn}表示任务集合,它的每一个元素τi表示一个任务,本发明具体实施方式中的每个任务都包含以下指标:任务的最多指令条数Ii,任务的存储器消耗为Mi,任务的触发周期为Ti,任务间的数据通讯量di。集合表示顶点之间的边,边的存在表示着两个任务之间有数据交互,边的方向表示任务执行关系。图G中无重复的顶点和边交替出现的序列,例如图4中w=τ1E1,2τ2,称为图G的一条路,从第一个任务到最后一个任务的一条完整的路,构成了控制系统的一个事务(同理τ3、τ4、τ6和τ3、τ5、τ7也各构成一个事务)。
在具体实施方式中的混合动力车辆的分布式控制系统中,以能量流动和扭矩传递为主线,考虑混合动力系统的各种工作模式,将混合动力车辆的分布式控制系统的整体控制策略分为37个任务,这些任务分别运行在发动机管理系统(EMS)、电机控制器(MCU)、AMT控制器(TCU)、电池管理系统(BMS)和整车控制器(HCU)等5个控制器的硬件平台上,任务之间相互联系共同完成整个系统控制功能。基于这些任务,具体实施方式中根据分布式控制系统的硬件系统结构模型和软件系统结构模型构建了整个混合动力车辆的分布式控制系统任务的有向无环图,如图5所示。在图5中,每个任务都包含其序号和任务内容,例如“1:发送机信号采集”等。
第二模块2,用于确定所述任务的特征参数。
1、任务特性参数
混合动力车辆的分布式控制系统使用的操作系统内核都符合OSEK标准(ISO17356-3),采用了具有抢占优先级的调度策略,而系统任务都是静态配置的,所有任务的优先级都是事先指定好的,且不会发生改变。具体地,每个任务τi都包含以下性能参数指标:
(1)任务的时间复杂度
任务的时间复杂度主要体现在运行时间上,即任务的最大运行时间Ci。实际的运行时间与任务的软件复杂度和该任务运行平台的处理能力有关,可以根据程序运行的最多指令条数Ii估算。在任务不受打断的情况下,可以借助硬件平台通过任务的最多指令条数Ii来直接测量任务的运行时间。任务的最大运行时间可用以下公式(1)来估算:
Ci=Ii·ti (1)
其中,Ci表示任务的最大运行时间,Ii表示任务的最多指令条数,ti表示该处理器的平均指令的执行时间。
在具体实施方式中,因为是在统一的硬件平台进行特征参数测量,即处理器对所有任务的平均指令的执行时间都是相同的,因此Ci实际上只与指命条数有关,为了简单起见,在此以任务的最多指令条数Ii作为特征参数。
(2)任务的空间复杂度
任务的空间复杂度的具体体现是任务的存储器消耗Mi。混合动力车辆的电子系统所使用的存储器主要有两类:一类在工作过程中是只读的(ROM),主要用于存放程序代码;另一类是随机存储器(RAM),用来存放程序中的变量。在电控系统中RAM读写最频繁,且价格最高,与系统性能影响最大。因此,本领域关注的存储器消耗主要是针对RAM,这表示了程序中变量占用的空间大小。
(3)任务的触发周期
任务的触发周期为Ti。混合动力车辆的电子系统的任务有两种类型:一种是定时触发的,按照固定的周期运行,比如按照频率进行模拟信号采集并滤波;另一种任务是根据信号触发的,这种情况任务的触发周期Ti是变化的。比如,发动机控制中经常使用58齿曲轴,随着发动机的运转,曲轴信号到达不同齿的位置运行不同的任务。对于信号触发的任务,在某个固定的工况下其触发周期是固定的。因此在系统性能分析过程中,我们可以对不同的工况单独分析,认为所有的任务都是周期触发的。
(4)任务间的数据通讯量
按照有向无环图的要求,混合动力车辆的控制系统的各主要事务由不同任务组合起来共同完成,即分布式系统信号(变量)传递的路径是首先某个控制器的任务采集传感器信号,然后通过总线通信把这个信号发到CAN总线上,然后另一个控制器任务接收到这个报文后做算法处理,最后再送给执行器。需要不同处理器间共同处理的任务需要进行数据通讯,而同一处理器内执行的不同任务则不需要总线的数据通讯。由此,任务间的数据通讯量di也是任务的一个重要特征参数。
2、任务特性参数的实际获取
在具体实施方式中,将所有的待分配的控制任务(例如图5中所示出的37个任务)放在同一个硬件平台上运行,即,第二模块2将所有任务的软件代码导入采用基于PC机的VectorCAST软件,便可以自动得出每个控制任务的任务周期T、指令条数N、资源消耗量M、数据通讯量d等四个特征参数。由于上述硬件、软件的使用方法以及这些特征参数的获取运算获取方法都是本领域技术人员公知的,因此在此不做过多描述。
下面的表1是具体实施方式中混合动力车辆的分布式控制系统的37个任务特征参数获取结果。其中,任务周期的单位为毫秒(ms);任务之间交互的数据量用任务通讯的数据帧频率表示,单位为帧/秒,比如任务1的100→2表示如果所有数据通讯都借助总线的话,任务1每秒钟需要发送100帧数据给任务2;资源消耗用任务中所有变量占用的RAM空间大小表示,单位为字节(B)。
表1控制任务的特征参数
第三模块3,用于基于第二模块2所确定的所述特征参数,以所述总线上的数据传输量最小为目标,在满足多种约束条件的情况下对所述任务的所述有向无环图进行最小分割问题求解,从而将所述任务分配到所述多个控制单元中。
1、任务指派策略
在混合动力车辆的分布式控制系统的应用事务和硬件架构分析完成以后,下面就需要将具体任务和硬件架构联系起来,确定它们之间的映射关系,即将不同的任务分配到各个处理器中。这个分配过程可以看成是应用事务集合ζ到硬件集合P的一个映射,用A:ζ→P表示这个映射,有如下公式(2):
τi→A(τi)=pk (2)
其中τi是指第i个任务,而pk是指第k个处理器,公式(2)代表了将第i个任务分配给第k个处理器进行处理的分配关系。
每个处理器上运行多个任务,不同的处理器之间的数据交互需要通过总线完成。比如,对于任务τi和τj之间的数据dij,如果τi和τj分配同一个处理器上,即A(τi)=A(τj),则dij属于该处理器的内部通讯,不需要通过总线来实现,其通讯开销可忽略不计。反之,若A(τi)≠A(τj),则dij必须通过CAN总线来传送。
分布式控制环境中多约束条件的任务指派问题可以定义为:如何将应用事务结构模型中的任务分配到多个处理器中,使得模型满足硬件系统的计算、存储器资源,事务的时间和模型一致性要求等。
分布式控制系统的任务指派直接决定了每个控制器上运行的任务,任务的响应时间与控制器上的任务指派相关,而总线上的消息响应与任务指派结果关系更加密切。如果两个任务指派在同一个控制器上,则他们之间的数据交互dij根本不需要总线的参与,也就无需考虑消息响应,大大缩短了整个事务的响应时间,同时总线数据量也减小了。因此任务指派策略可以考虑为采用何种分配方案,使得总线上的数据量最少,即:
其中,A(τi)≠A(τj)指任务τi与τj运行在不同的控制器中。Ei,j∈ψ是指有向无环图中两个节点τi、τj之间的连线Ei,j(即为有向无环图的边)属于节点(任务)之间所有边的集合。边的存在表示着两个任务之间有数据交互,边的方向表示任务执行关系。比如,E1,2表示任务τ2必须在τ1完成以后才能运行。
下面,我们来介绍分布式控制系统的任务分配过程中需要考虑的各种约束条件。
2、约束条件
分布式控制系统的任务指派策略还受很多约束条件的限制,包括指派限制约束、响应时间约束、资源约束和处理器使用率约束等。
(1)指派限制约束
在具体的应用场景中,很多任务的指派都是受限制的,比如某个任务只能或不能由某些处理器完成。根据具体实施方式中混合动力车辆的分布式控制系统的硬件结构,由于传感器信号和驱动信号的限制,很多任务只能由特定的控制器完成。下面的表2列出了混合动力车辆分布式控制系统中主要控制器上任务指派的限制,受限制的任务只能运行在对应的控制器中。
表2任务分配限制
图6中示出了考虑了上述指派限制约束后的分布式控制系统有向无环图。在图6中,用不同种类的灰度代表了分别能由EMS、TCU、HCU、BMS和MCU等处理器执行的任务以及不限处理器执行的任务,这就体现了这种指派限制约束。
从数学角度来看,某个任务只能或不能由某些处理器完成这两种情况的根本性质是一样的,不能由某些处理器完成即只能由这些处理器的补集完成。用α表示处理器集合P的一个子集,这种情况可以描述为
另外,有时候某些相关的任务必须运行在同一个处理器上,或则某些相关的任务必须运行在不同的处理器上。用β表示运行在相同处理器上的任务的集合,这种情况可以描述为
同理用γ表示运行在不同处理器上的任务集合,有
(2)响应时间约束
任务响应时间是分布式控制系统中最重要的性能指标之一。在本发明具体实施方式中,所谓任务响应时间是指该任务在最坏情况下的响应时间,其除了自身的触发周期、最大运行时间外,任务τi的响应时间Ri还和与τi运行在同一控制器上的任务有关,表示如下,
式中,hp(i)表示所有优先级比τi高的任务集合,Ci表示任务τi消息的传送时间,Tj表示任务τj消息传送周期,式中运算符表示向上取整,其物理意义为在τi等待过程中,比它优先加高的任务τj最多运行的次数。
消息响应时间也是指最坏情况下消息的响应时间,用Cij表示消息dij的传送时间,其响应时间Rij为:
同理,式中hp(ij)表示优先级比dij高的消息的集合,表示这些消息的传送周期T',C′为这些消息的传送时间。
事务oi的响应时间Li指该事务中,从第一个任务开始到最后一个任务结束的时间。一个事务可能需要多个控制器配合才能完成,其响应时间Li与事务中的所有任务和消息相关,
式中,Tk、Rk为任务τk的传送周期及其任务响应时间,Tmn、Rmn为任务间υmn的传送周期及其任务响应时间。
(3)资源约束
每个控制器pk上运行的任务受其存储空间mk限制,任务总的存储器消耗不能超过这个范围。
式中,Mi为任务τi所消耗的存储空间。
可以看到,上面的表2中同时还给出了混合动力车辆分布式控制系统中与任务分配相关的各控制器的存储空间大小,每个控制器上运行的任务不能超过其存储空间限制。
(4)处理器使用率约束
控制器pk上运行的任务也受其运算能力限制,这个运行能力的具体表现就是任务的运行时间,由于操作系统开销的存在,每个控制器上的使用率Up不能超过限制(通常不超过70%),即
式中Ci表示任务的运行时间,Ti表示任务的触发周期。显然U必须小于100%,实际上考虑到操作系统的任务切换和系统开销的存在,U在70%左右就已经达到处理器的极限了。
3、任务指派问题的最小分割求解
对混合动力车辆的整个任务系统来说,分布式控制系统的任务指派问题实际上是对其任务集合的一个分割,控制器的个数k对应于分割的份数。
在任务系统结构的有向无环图G=(ζ,ψ)中,用任务之间数据通讯量dij作为任务之间的边权重,则任务指派方案为满足指派限制、响应时间、资源和处理器使用率等约束条件下,G图的最小分割,这样就将分布式系统的任务指派问题抽象为赋权的无向图的最小分割问题。
对于无向连通图G的二次分割问题(非连通图按任意两个连通分支分割,都为0),由于在本发明具体实施方式中的处理器个数大于3,因此经典的Stoer-Wagner算法已不适合来求解这个问题。在各种约束条件限制下,本具体实施方式中图G的最小分割的求解是一个NP困难问题(多项式复杂程度的非确定性问题),可采用遗传算法等算法得出最小分割的一个近似解。
在具体实施方式中,采用遗传算法求解本优化问题主要需要考虑遗传编码、适应度计算、遗传选择和交叉变异等几个方面。
(1)遗传编码
优化时首先要将实际问题转换到遗传空间,就是把实际问题的解用染色体表示,称为编码方案,反之为解码。根据最小割问题的特点,采用自然数编码方式。对于划分成k部分有n个顶点的无向图,则问题的一个解(染色体)可表示如下:
X=(x1,x2,…,xn-1,xn),其中xi∈{1,2,…,k},1≤i≤n (12)
例如,在有20个任务的无向图中划分为4个子图的编码如图7所示。
从任务分配的角度来看,解X=(x1,x2,…,xn-1,xn)中第i个元素的实际意义为将第i个任务分配给第xi个处理器。为了避免出现大量不符合约束条件的解,在编码过程中就考虑了约束因素,将指派限制约束引入到编码过程中。约束条件A(τi)∈α相当于解中属于α对应整数集合,A(τi)=A(τj)等价于X中元素xi=xj,同理A(τi)≠A(τj)等价于xi≠xj。这些约束都通过固定解X中的元素来实现。
自然数编码过程中要防止空划分的存在,划分后的任一子集都不能为空,在编码过程中引入空划分检查校验工作,检查解X的元素,如果x1,x2,…xn-1,xn不包含1到k中所有整数,则该解存在空划分,需要校正。
(2)适应度函数
根据最小分割的等价性,将同一划分内各顶点的权值之和定义为适应度函数:
对于任务指派问题,就是寻找解X,使得f(x)值最大。另外还要满足资源约束,在计算适应度过程中首先根据公式(5)和(6)判断该解是否满足约束,如果不满足,则该解非法,其适应度为0。
(3)选择操作
适者生存是自然界的基本法则之一,在遗传算法中就是适应度较高的个体保留下来的机率比较大。为了在适当的选择压力下同时保证算法收敛,本具体实施方式中采用轮盘式选择结合最优个体保留的选择策略。首先根据个体的适应度计算相对适应度,然后根据相对适应度选择新个体。生物由低级到高级进化,后代比前一代强,但遗传算法中的实际操作中可能有退化现象,所以采用最佳个体保留法,也就是适应度最高的个体,一定要保证生存下来,使后代至少不差于前一代。
(4)交叉变异
交叉变异是从父辈个体到子辈个体的转换,交叉模拟有性繁殖,由两个染色体共同作用产生后代。参与交叉的染色体是轮盘赌选出来的个体,并根据交叉概率来确定是否进行交叉(生成0-1之间随机数,看随机数是否小于规定的交叉概率),否则直接进入变异操作。本发明采用的染色体为自然数串,随机生成一个小于串长度的随机整数,交换两个染色体该点后的那部分位串。这个操作是产生新个体的主要方法,不过基因都来自父辈个体。
变异操作可维持群体的多样性,防止过早收敛。本发明采用位点变异,根据概率确定变异位,对每一位生成一个0-1之间的随机数,看是否小于规定的变异概率,小于的变异,否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基因,主要用于跳出局部极值。
在具体实施方式中,采用遗传算法求解任务指派的最小分割问题的基本步骤如下:
(i)根据自然数编码方案,随机产生初始化种群X(0)={X1(0),X2(0),…Xm(0)},种群中每个元素即第0代个体;
(ii)从第t代种群X(t)中选择适应者,t从0递加。首先计算个体的适应度f(t),然后根据个体的适应度计算个体在种群中的相对适应度,最后根据相对适应度和选择概率在X(t)中选择适应者,并保留适应度最高的个体XMax(t);
(iii)根据第t代适应者产生第t+1代种群。首先根据交叉概率对适应者执行杂交操作,对杂交后的个体以变异概率执行变异操作,得到第t+1代个体,由此生成第t+1代种群;
(iv)判断是否满足停机准则,如果解收敛或迭代次数到达设定值,则输出最优解,否则转到(ii)开始下一轮进化。
由于遗传算法本身属于本领域公知算法,此处不再对利用该算法本身所进行的运算做更多描述。
在具体实施方式中,按照总线最优的分布式系统任务分配策略,目标是将混合动力车辆的分布式控制系统的主要任务分配到各控制器中。基于上面介绍的遗传算法,在混合动力车辆分布式控制系统的软件事务和资源约束下,根据任务分配的最小分割模型,将一个任务分配方案用遗传个体描述。利用MATLAB软件编程计算,绘制出混合动力车辆分布式控制系统的任务最优分配方案的进化曲线如图8所示。
在图8中,横坐标为任务分配方案进化时间,而纵坐标为最优个体适应度,图中曲线表示每一代最优的整体适应度,即每一代最优方案中的不需要总线参与的通讯数据总量。在刚开始进化的时候不需要总线参数的数据增加很多,随后趋于稳定,进化到143代以后就没有变化了,这时候的认为已经得到了任务分配全局最优方案。所有任务的通讯数据总量为每秒2868帧,而最优分配方案中的适应度为2322,因此使用该方案的总线数据量为每秒546帧。以上数据都采用扩展帧格式,数据长度为8,通讯波特率为250K,计算每帧数据的总线占用时间为0.616ms,根据仿真结果的总线负载为33.6%。经验证此分配方案完全满足系统指派要求和资源约束,是总线效率最高的任务分配方案。
利用上述遗传算法的运算,在下表3中列出了在各种约束下,混合动力车辆分布式控制系统总线上最优的任务分配方案。根据该方案,只有任务(12,16)、(2,16)、(17,3)、(17,19)、(25,16)、(32,16)、(17,33)之间的数据交互需要总线来完成,其余的数据通讯都在控制器内部完成。在图9的有向无环图中更明确地体现了上述分析结果。
表3总线数据最优的任务分配方案
本领域技术人员应该理解,虽然在具体实施方式中第三模块3使用遗传算法来求解图G的最小分割。然而,由于该问题实际是一个全局最优化的问题,本领域技术人员也可以使用解决此类问题的其他求解算法,例如动态规划化法、庞特里亚金最大值法等。
本领域技术人员应该理解,虽然在具体实施方式中以CAN总线作为分布式控制系统的总线,但是也可以使用FlexRay总线等作为本发明中分布式控制系统的总线结构。
由上述对于本发明具体实施方式的介绍可见,这种在分布式硬件结构的基础上用图论方法建立分布式控制系统的数学模型,以总线上的数据量最少为目标,以满足存储器内存、总线负载率、控制器使用率等为约束条件的任务指派系统,能够合理的利用已有的硬件资源降低总线负载率,有效提高混合动力车辆的分布式控制系统的可靠性与实时性。
以上所述仅为本发明的实例说明,凡在本发明的精神和原则之内的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (4)
1.一种混合动力车辆的分布式控制系统的任务分配系统,其特征在于,所述分布式控制系统包括多个控制单元和总线,所述多个控制单元由所述总线相连,每个所述控制单元上可以运行所述分布式控制系统的任务中的一个或多个,
其中,所述任务分配系统包括:
第一模块(1),用于建立所述任务与所述多个控制单元之间映射关系的数学模型,并运用图论方法,建立所述任务的有向无环图
其中,所述数学模型包括所述分布式控制系统的系统硬件结构模型和系统软件结构模型,所述系统硬件结构模型包括控制器集合信息和总线信息,所述控制器集合信息包括控制器的存储空间信息,所述系统软件结构模型包括所述任务与事务的映射关系,所述事务是可以单独完成控制功能的软件组件,整个软件系统包含多个所述事务,每个所述事务由一个或多个有依赖关系的所述任务组成;
第二模块(2),用于确定所述任务的特征参数,
其中,所述特征参数包括每个所述任务的触发周期、任务的最多指令条数、任务的存储器消耗和任务间的数据通讯量;以及
第三模块(3),用于基于所述第二模块(2)所确定的所述特征参数,以所述总线上的数据传输量最小为目标,在满足多种约束条件的情况下,使用遗传算法、动态规划化法或庞特里亚金最大值法来对所述任务的所述有向无环图进行最小分割问题求解,从而将所述任务分配到所述多个控制单元中,
其中,所述约束条件包括指派限制约束、响应时间约束、资源约束和处理器使用率约束。
2.根据权利要求1所述的任务分配系统,其特征在于,所述多个控制单元包括:混合动力整车控制器HCU、发动机管理系统EMS、电机控制器MCU、电池管理系统BMS和机械式自动变速器控制器TCU。
3.根据权利要求1所述的任务分配系统,其特征在于,所述第三模块(3)将所有所述任务的软件代码导入采用基于PC机的VectorCAST软件,从而确定每个所述任务的所述特征参数。
4.根据权利要求1所述的任务分配系统,其特征在于,所述总线是CAN总线或FlexRay总线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210200581.4A CN102745192B (zh) | 2012-06-14 | 2012-06-14 | 一种混合动力车辆的分布式控制系统的任务分配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210200581.4A CN102745192B (zh) | 2012-06-14 | 2012-06-14 | 一种混合动力车辆的分布式控制系统的任务分配系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102745192A CN102745192A (zh) | 2012-10-24 |
CN102745192B true CN102745192B (zh) | 2014-03-12 |
Family
ID=47025806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210200581.4A Active CN102745192B (zh) | 2012-06-14 | 2012-06-14 | 一种混合动力车辆的分布式控制系统的任务分配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102745192B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975713A (zh) * | 2012-12-14 | 2013-03-20 | 清华大学 | 基于模型预测控制的混合动力汽车控制方法 |
CN109298940B (zh) * | 2018-09-28 | 2019-12-31 | 考拉征信服务有限公司 | 计算任务分配方法、装置、电子设备及计算机存储介质 |
CN109901921B (zh) * | 2019-02-22 | 2022-02-11 | 北京致远互联软件股份有限公司 | 任务队列执行时间预测方法、装置及实现装置 |
CN110143197B (zh) * | 2019-06-06 | 2020-03-31 | 北京理工大学 | 混合动力电动汽车的可信赖网控动力耦合系统及控制方法 |
CN111898206B (zh) * | 2020-07-30 | 2024-04-12 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
CN115878294B (zh) * | 2023-02-28 | 2023-05-12 | 北京理工大学 | 基于边缘计算的车辆混合关键系统的任务联合调度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5806617A (en) * | 1995-04-20 | 1998-09-15 | Kabushikikaisha Equos Research | Hybrid vehicle |
CN101237469A (zh) * | 2008-02-27 | 2008-08-06 | 中山大学 | 运用蚁群算法优化多QoS网格工作流的方法 |
CN101324854A (zh) * | 2008-07-21 | 2008-12-17 | 武汉理工大学 | 一种基于并行遗传算法的网格资源分配方法 |
US7607499B2 (en) * | 2004-05-18 | 2009-10-27 | Denso Corporation | Hybrid vehicle controller |
CN101898557A (zh) * | 2010-07-27 | 2010-12-01 | 广州汽车集团股份有限公司 | 电动四驱混合动力车辆的控制方法 |
CN102364447A (zh) * | 2011-10-28 | 2012-02-29 | 北京航空航天大学 | 一种优化多任务间通信能耗的作业调度方法 |
-
2012
- 2012-06-14 CN CN201210200581.4A patent/CN102745192B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5806617A (en) * | 1995-04-20 | 1998-09-15 | Kabushikikaisha Equos Research | Hybrid vehicle |
US7607499B2 (en) * | 2004-05-18 | 2009-10-27 | Denso Corporation | Hybrid vehicle controller |
CN101237469A (zh) * | 2008-02-27 | 2008-08-06 | 中山大学 | 运用蚁群算法优化多QoS网格工作流的方法 |
CN101324854A (zh) * | 2008-07-21 | 2008-12-17 | 武汉理工大学 | 一种基于并行遗传算法的网格资源分配方法 |
CN101898557A (zh) * | 2010-07-27 | 2010-12-01 | 广州汽车集团股份有限公司 | 电动四驱混合动力车辆的控制方法 |
CN102364447A (zh) * | 2011-10-28 | 2012-02-29 | 北京航空航天大学 | 一种优化多任务间通信能耗的作业调度方法 |
Non-Patent Citations (6)
Title |
---|
一种基于DAG图划分的网格关联任务调度算法;张千等;《小型微型计算机系统》;20120531(第5期);第971-975页 * |
一种基于遗传算法的网格任务调度算法;肖青等;《计算机技术与发展》;20080831;第18卷(第8期);第31-34页 * |
基于遗传算法的任务分配与调度;钟求喜等;《计算机研究与发展》;20001031;第37卷(第10期);第1197页第1段至1203页第2段、图1-6 * |
张千等.一种基于DAG图划分的网格关联任务调度算法.《小型微型计算机系统》.2012,(第5期),第971-975页. |
肖青等.一种基于遗传算法的网格任务调度算法.《计算机技术与发展》.2008,第18卷(第8期),第32-38页. |
钟求喜等.基于遗传算法的任务分配与调度.《计算机研究与发展》.2000,第37卷(第10期), |
Also Published As
Publication number | Publication date |
---|---|
CN102745192A (zh) | 2012-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102745192B (zh) | 一种混合动力车辆的分布式控制系统的任务分配系统 | |
CN109491790B (zh) | 基于容器的工业物联网边缘计算资源分配方法及系统 | |
CN102256261B (zh) | 一种具有网络认知能力的动态频谱接入方法 | |
CN110928658A (zh) | 一种车边云协同架构的协同任务迁移系统及算法 | |
CN102724220B (zh) | 任务协同方法、装置及物联网系统 | |
CN102774376B (zh) | 一种混合动力车辆的分布式控制系统的任务分配方法 | |
CN110647398A (zh) | 一种面向边缘计算的基于任务关键度和时效性的交叉口控制任务调度方法 | |
CN105391090B (zh) | 一种智能电网多智能体多目标一致性优化方法 | |
CN115934333A (zh) | 基于历史数据感知的云计算资源调度方法及调度系统 | |
CN105373426A (zh) | 一种基于Hadoop的车联网内存感知实时作业调度方法 | |
CN113437754A (zh) | 一种基于台区智能融合终端的电动汽车有序充电方法及系统 | |
CN115907038A (zh) | 一种基于联邦拆分学习框架的多元控制决策方法 | |
CN116706917A (zh) | 基于快速交替方向乘子法的智慧园区协同调控方法及系统 | |
CN109484244B (zh) | 电池管理系统及电动汽车 | |
CN114498768A (zh) | 一种区域智能变电站源荷储优化运行策略生成方法及装置 | |
CN114217944A (zh) | 一种神经网络的针对模型并行的动态负载均衡方法 | |
CN202806745U (zh) | 一种混合动力车辆的分布式控制系统 | |
CN111401769A (zh) | 一种基于深度强化学习的配电网故障智能抢修方法及装置 | |
CN112446484A (zh) | 一种多任务训练集群智能网络系统及集群网络优化方法 | |
CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
CN115208578A (zh) | 一种基于区块链的无人机集群信息一致性共享方法 | |
CN114035919A (zh) | 基于配电网分层分布特征的任务调度系统及方法 | |
CN114006399A (zh) | 一种规模化5g基站参与配电网需求响应的优化调度方法 | |
Liu et al. | Computation offloading and task scheduling with fault-tolerance for minimizing redundancy in edge computing | |
CN114022026B (zh) | 一种基于事件触发一致性算法的电动汽车充电调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170619 Address after: 215500 Suzhou Research Institute, Changshu economic and Technological Development Zone, Jiangsu 6-2, Changshu Research Institute, Beijing Institute of Technology Patentee after: North link motor (Changshu) Vehicle Technology Co., Ltd. Address before: 100081 No. 5, Zhongguancun South Street, Haidian District, Beijing Patentee before: BEIJING INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |