CN104883388A - 一个基于遗传算法的车联网路边单元部署方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的车联网路边单元部署方法，目的在于最大化路边单元的部署效益。首先建立路网模型，该路网模型能够描述曲线路段。然后综合考虑各项因素作为权重确立部署效益函数，建立效益模型。路网模型和效益模型共同组成路边单元部署问题模型，将路边单元部署问题转化为搜索最优解问题。最后利用遗传算法对搜索最优解问题进行优化求解。该方法能够找到多个路边单元部署问题的近似最优位置，使其逼近最优部署效益的目标。

Description

一个基于遗传算法的车联网路边单元部署方法

技术领域

本发明属于移动通讯技术领域，设计了一种基于遗传算法的车联网路边单元部署方法。该方法区别于已有方法的特色在于，利用路边单元部署问题模型将路边单元部署问题转化为搜索最优解问题，并利用遗传算法对路边单元部署问题进行优化求解。该方法能够逐步逼近最优部署效益，以达到最大化路边单元部署效益的目标。

背景技术

车辆自组织网络是传统移动自组织网络在交通道路上的应用，是一种特殊的移动自组织网络。通过车辆与车辆(V2V)、车辆与路旁基础设施(V2I)等方法直接通信或多跳通信，构建一个自组织的、动态的、分布式信息网络。车辆自组织网络中每一个节点代表一个安装了无线通信技术的车辆，通过为行驶中的车辆提供信息服务，来提高交通效率、驾驶安全性，减少交通事故发生率，最大化道路使用者的利益。

车辆自组织网络主要由车载单元、路边单元和管理控制中心组成。当车辆进入到路边节点的通信范围之内，它就能通过路边节点访问有线网络。另一方面，车辆也能经由其它车辆经过多跳中继与路边单元通信。网络中的车辆节点与路边单元的连接状况决定了网络的有效数据包传递率和连通持续时间。因此，路边单元的部署策略就成了增加网络容量的关键因素。但是，在车辆自组织网络初期，路边单元部署花费高昂，因此需要在给定区域最佳放置有限数量的路边单元以达到最优部署效益的目标。

发明内容

本发明提出了一种基于遗传算法的车联网路边单元部署方法，目的在于最大化路边单元部署效益。

本发明所采用的技术方案是按照以下步骤进行：

步骤1.建立路网模型

假定路网用路网模型G(V,E)表示，交叉路口集V代表所有交叉路口的集合，路段集E代表所有路段的集合。同时路网模型G(V,E)将某个路段e表示为e(v_h,v_t,f_t,f_w)，其中v_h为路段e的起点，v_t为路段e的终点，f_t为路段e的路线函数，f_w为路段e的权重函数。若路网中需要部署n个路边单元，每个路边单元的覆盖直径为d，综合考虑各项因素作为权重，则每个路边单元的部署效益为路边单元所有覆盖路段的权重线积分。假设P为能够满足目标的集合，现在要解决的问题可描述为：找到P的子集P^*使其尽可能满足部署效益最大化的目标。

步骤2.建立效益模型

假设路网G(V,E)中部署的第j个路边单元的全覆盖路段的集合为u_j，部分覆盖路段的集合为s_j，j＝1,2,…,n，n个路边单元的全覆盖路段的集合部分覆盖路段的集合则部署的第j个路边单元的部署效益b_j表示如下：

$b_j=\underset{e\∈u_j}{\mathrm{\Σ}}\underset{e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}+\underset{m_{e,j}\∈s_j}{\mathrm{\Σ}}\underset{m_{e,j}}{\∫}{f}_{w,e}(x,y)\mathrm{ds}---\left(1\right)$

其中j＝1,2,…,n，m_e,j＝e∩o_j,符号o_j为部署的第j个路边单元的覆盖区域,即m_e,j为路段e在路网中部署的第j个路边单元的覆盖区域内的部分。

路网部署总效益B_n表示如下：

$B_n=\underset{e\∈U}{\mathrm{\Σ}}\underset{e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}+\underset{M_e\∈S}{\mathrm{\Σ}}\underset{M_e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}---\left(2\right)$

其中M_e＝e∩O，符号O为路网中所有路边单元的覆盖区域，即M_e为路段e在路网中所有路边单元的覆盖区域内的部分。

由部署效益函数知，我们的目标是使得部署效益值尽可能地大，来达到路边单元部署效益最优的目标。因此将路网模型和效益模型共同构成路边单元部署问题模型，通过路边单元部署问题模型将路边单元部署问题转化为搜索最优解问题。

步骤3.利用遗传算法对路边单元部署问题进行优化求解

遗传算法是一种新近发展起来的搜索最优解方法，它模拟生命进化机制，从任意一个初始种群出发，通过随机选择、交叉和变异操作，产生一群新的更适应环境的个体使群体进化到搜索空间中越来越好的区域。这样一代代不断繁殖、进化，最后收敛到一群最适应环境的个体上，求得问题的最优解。因此我们设计了一种遗传算法，来对所建立的搜索最优解问题进行求解。下面基于步骤1和步骤2建立的路边单元部署问题模型介绍算法步骤。

算法步骤：

步骤1设置相关参数及个体编码

步骤2种群初始化

步骤3个体适应值计算

步骤4对群体进行交叉、变异操作，生成中间群体

步骤5计算中间群体个体适应值

步骤6利用锦标赛选择法选择子代群体

步骤7计算群体当前一代最坏个体和最好个体，以及到目前为止的最好个体

步骤8将当前一代最坏个体用目前为止最好个体替代

步骤9判断是否满足算法终止条件

步骤10停止进化，输出结果

本发明给出一种基于遗传算法的车联网路边单元部署方法。首先建立路网模型，然后确立效益模型，路网模型和效益模型共同构成路边单元部署问题模型，将路边单元部署问题转化为搜索最优解问题。最后利用遗传算法对路边单元部署问题进行优化求解，从而达到最大化部署效益的目的。

附图说明

图1是本发明方法的流程示意图。

图2是本发明方法的一种实施例的程序流程图。

图3是本发明方法的结果示意图。

具体实施方法

下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

下面给出基于遗传算法的车联网路边单元部署方法，如图1所示，按如下步骤进行路边单元部署：

步骤1.建立路网模型

假定路网用路网模型G(V,E)表示，交叉路口集V代表所有交叉路口的集合，路段集E代表所有路段的集合。同时路网模型G(V,E)将某个路段e表示为e(v_h,v_t,f_t,f_w)，其中v_h为路段e的起点，v_t为路段e的终点，f_t为路段e的路线函数，f_w为路段e的权重函数。若路网中需要部署n个路边单元，每个路边单元的覆盖直径为d，综合考虑各项因素作为权重，则每个路边单元的部署效益为路边单元所有覆盖路段的权重线积分。假设P为能够满足目标的集合，现在要解决的问题可描述为：找到P的子集P^*使其尽可能满足部署效益最大化的目标。

步骤2.建立效益模型。

假设路网G(V,E)中部署的第j个路边单元的全覆盖路段的集合为u_j，部分覆盖路段的集合为s_j，j＝1,2,…,n，n个路边单元的全覆盖路段的集合部分覆盖路段的集合则部署的第j个路边单元的部署效益b_j表示如下：

$b_j=\underset{e\∈u_j}{\mathrm{\Σ}}\underset{e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}+\underset{m_{e,j}\∈s_j}{\mathrm{\Σ}}\underset{m_{e,j}}{\∫}{f}_{w,e}(x,y)\mathrm{ds}---\left(1\right)$

其中j＝1,2,…,n，m_e,j＝e∩o_j,符号o_j为部署的第j个路边单元的覆盖区域,即m_e,j为路段e在路网中部署的第j个路边单元的覆盖区域内的部分。

路网部署总效益B_n表示如下：

$B_n=\underset{e\∈U}{\mathrm{\Σ}}\underset{e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}+\underset{M_e\∈S}{\mathrm{\Σ}}\underset{M_e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}---\left(2\right)$

其中M_e＝e∩O，符号O为路网中所有路边单元的覆盖区域，即M_e为路段e在路网中所有路边单元的覆盖区域内的部分。

由部署效益函数知，我们的目标是使得部署效益值尽可能地大，来达到路边单元部署效益最优的目标。因此将路网模型和效益模型共同构成路边单元部署问题模型，通过路边单元部署问题模型将路边单元部署问题转化为搜索最优解问题。

步骤3.利用遗传算法对路边单元部署问题进行优化求解

下面具体介绍个体的编码方法、个体优劣的评价方法以及进化策略等。

3.1：个体编码方法

设P是待求问题的候选解，下面给出P的编码方法。

假设路网中需要部署k个路边单元，每个路边单元在路网中的位置信息为P(x,y)，分别将x和y转换为对应的二进制数据(α₁,α₂,...,α_n)和(β₁,β₂,...,β_n)，可得到一个长为2n的(0-1)串(α₁,α₂,...,α_n,β₁,β₂,...,β_n),则k个路边单元构成一个长度为k*2n的(0-1)串γ₁,γ₂,...,γ_k*2n。可以看出，(0-1)串γ₁,γ₂,...,γ_k*2n和子集P是一一对应的关系。因此，我们可以使用长度为k*2n的(0-1)串γ₁,γ₂,...,γ_k*2n来表示个体P。这样表示，为遗传操作的顺利实施奠定了基础。

3.2：种群初始化

随机生成m个长为k*2n的(0-1)字符串，分别记为P₁,P₂,...,P_m。每个字符串是一个个体，m个个体组成一个初始种群。

3.3：设定适应度函数

因为路边单元的部署效益越大部署效果越好，所以可以用路网部署总效益B_n作为适应度值。

3.4：进化策略

由于每个个体都是一个(0，1)字符串，可以采用传统的进化算子对个体实施遗传操作。本文算法中，个体交叉算子为一点交叉，变异算子为一点变异，选择算子采用锦标赛选择法。

3.5：算法步骤

下面结合图2对本实施例的路边单元部署方法进行详细的说明，具体包括以下步骤：

S301、设置相关参数

初始化种群规模、最大迭代次数、交叉概率和变异概率等参数。

S302、种群初始化

随机生成包含若干个体的初始种群M₁，进化代数i＝1。

S303、个体适应值计算

按照步骤3.3计算初始种群适应度值。个体适应值越大，说明该个体越接近最优解，被遗传到下一代的概率也就越大。

S304、对群体进行遗传操作

对个体实施交叉和变异操作，生成中间群体；i＝i+1。

S305、计算中间群体适应值

对第i代种群M_i，按照步骤3.3和3.4计算每个个体的适应值。

S306、利用锦标赛选择法选择子代群体

基于锦标赛的选择操作的具体过程如下。

①将m个父代个体组成的种群P和P经过一次交叉和变异运算后产生的m个子代个体组成的种群P'合并在一起，组成一个共含有2m个个体的集合，记为I。

②对给个个体x_i∈I，从I中随机选择q个个体，并将q个个体的适应度函数值F_j(j∈1,2,...,q)与x_i的适应度函数值相比较，计算出这q个个体中适应度函数值比x_i的适应度差的个体的数目w_i，并把w_i作为x_i的得分。

③在所有的2m个个体都经过比较过程后，按每个个体的得分进行排序，选择m个具有最高得分的个体作为下一代种群。

S307、计算群体当前一代最坏个体和最好个体，以及到目前为止的最好个体

S308、将当前一代最坏个体用目前为止最好个体替代

S309、判断是否满足算法终止条件

算法的终止条件是，连续进化若干代后没有出现更优个体，或者种群进化代数超过设定的最大迭代次数，输出结果，算法结束；否则，转步骤S304。

实施例的结果示意图如图3所示。从图3中可以看出，随着迭代次数的增加，路边单元部署效益的值不断得到优化。通过本发明方法可以得到路边单元部署效益的近似最优值。

Claims (1)

1.一种基于遗传算法的车联网路边单元部署方法，其特征在于如下步骤：

步骤1：建立路网模型

将某个路段e表示为e(v_h,v_t,f_t,f_w)，其中v_h为路段e的起点，v_t为路段e的终点，f_t为路段e的路线函数，f_w为路段e的权重函数；

步骤2：建立效益模型

将路网部署总效益B_n表示如下：

$B_n=\underset{e\∈U}{\mathrm{\Σ}}\underset{e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}+\underset{M_e\∈S}{\mathrm{\Σ}}\underset{M_e}{\∫}{f}_{w,e}(x,y)\mathrm{ds}---\left(1\right)$

其中符号U为n个路边单元的全覆盖路段的集合，符号S为其部分覆盖路段的集合，符号M_e为路段e在路网中所有路边单元的覆盖区域内的部分；

步骤3：利用遗传算法对路边单元部署问题进行优化求解

步骤3-1：个体编码方法

设P是待求问题的候选解；假设路网中需要部署k个路边单元，每个路边单元在路网中的位置信息为P(x,y)，分别将x和y转换为对应的二进制数据(α₁,α₂,...,α_n)和(β₁,β₂,...,β_n)，得到一个长为2n的(0-1)串(α₁,α₂,...,α_n,β₁,β₂,...,β_n),则k个路边单元构成一个长度为k*2n的(0-1)串γ₁,γ₂,...,γ_k*2n；(0-1)串γ₁,γ₂,...,γ_k*2n和子集P是一一对应的关系；使用长度为k*2n的(0-1)串γ₁,γ₂,...,γ_k*2n来表示个体P；

步骤3-2：种群初始化

随机生成m个长为k*2n的(0-1)字符串，分别记为P₁,P₂,...,P_m；每个字符串是一个个体，m个个体组成一个初始种群；

步骤3-3：设定适应度函数

路边单元的部署效益越大部署效果越好，用路网部署总效益B_n作为适应度值；

步骤3-4：进化策略

由于每个个体都是一个(0，1)字符串，采用进化算子对个体实施遗传操作；个体交叉算子为一点交叉，变异算子为一点变异，选择算子采用锦标赛选择法；

步骤3-5：基于前面提出的个体编码及评估值计算策略，使用遗传算法来求解的步骤如下：

(1)设置相关参数及个体编码

初始化种群规模、最大迭代次数、交叉概率和变异概率等参数，按照步骤3-1给出的方法对个体进行编码；

(2)种群初始化

随机生成包含若干个体的初始种群M₁，进化代数i＝1；

(3)个体适应度值计算

按照步骤3-3计算初始种群适应度值；个体适应值越大，说明该个体越接近最优解，被遗传到下一代的概率也就越大；

(4)对群体进行遗传操作

对个体实施交叉和变异操作，生成中间群体；i＝i+1；

(5)计算子代个体适应值

对第i代种群M_i，按照步骤3-3计算每个个体的适应值；

(6)利用锦标赛选择法选择子代群体

(7)计算群体当前一代最坏个体和最好个体，以及到目前为止的最好个体

(8)将当前一代最坏个体用目前为止最好个体替代

(9)判断是否满足算法终止条件

算法的终止条件是，连续进化若干代后没有出现更优个体，或者种群进化代数超过设定的最大迭代次数，转步骤(10)；否则，转步骤(4)；

(10)停止进化，输出结果。