CN104951832A - 一种基于人工鱼群算法的车联网路侧单元优化部署方法 - Google Patents

Abstract

本发明提出了一种基于人工鱼群算法的车联网路侧单元部署方法，目的在于在给定路网范围内、给定路侧单元数量的情况下，确定能使部署效益近似最优的路侧单元部署方案。本发明首先建立路网模型，该路网模型能够描述曲线路段。然后根据路网中的各路段的车辆密度、所处区域特性、车道数等综合确定路段的权重密度，把路侧单元集合的无线覆盖范围之内的所有路段的加权权重之和作为路侧单元集合的覆盖效益，建立效益模型。路网模型和效益模型共同组成路侧单元部署问题模型，将路侧单元部署问题转化为搜索最优解问题。最后利用人工鱼群算法对搜索最优解问题进行优化求解。该方法能够逐步逼近最优部署效益，以尽量最优化路侧单元的部署效益。

Description

一种基于人工鱼群算法的车联网路侧单元优化部署方法

技术领域

本发明属于移动通讯技术领域，设计了一种基于人工鱼群算法的车联网路侧单元部署方法。该方法区别于已有方法的特色在于，利用路侧单元部署问题模型将路侧单元部署问题转化为非线性数学规划问题，并利用人工鱼群算法对非线性数学规划问题进行优化求解。该方法能够逐步逼近最优部署效益，以尽量最优化路侧单元的部署效益。

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。车辆自组织网络主要由安装有车载单元的车辆和安装于路侧的路侧单元组成。车载单元和路侧单元都具有无线通信模块，支持车辆在移动过程中的无线信息传输。这样，经由无线通信模块，车辆自组织网络中有两种基本的通信，分别为车辆与车辆(V2V)间的通信、车辆与路侧单元这种路旁基础设施(V2I)间的通信。这样，利用无线通信技术，可以使行驶中的车辆互相通信，并通过路侧单元访问外部网络乃至Internet,及时获取交通状况信息、安全预警类信息、生活娱乐类信息，从而减少交通事故发生率、保障驾驶安全、提高交通效率。

显然，路侧单元集合是车联网内的车辆节点与外部网络的信息传输枢纽。若车辆节点在路侧单元的无线通信覆盖范围内，则它可以直接从路侧单元获取信息。否则，车辆节点不能直接获取路侧单元传输的信息。在车联网部署初期阶段，受多方面因素的制约，目标路网范围内的路侧单元的部署数量通常是有限的，而相对来说车辆节点要大大超过路侧节点，且车辆节点的信息需求增长迅速，这使得路侧单元称为车联网与外部网络的信息传输容量瓶颈。因此，在路侧单元数量限制下，应优化路侧单元的部署位置，以尽可能多的满足车辆节点的通信需求，从而最大化路侧单元的部署效益。

把处于无线通信覆盖范围内车辆节点看作获得了效益，而未处于其覆盖范围内的节点看作未获得效益。路侧单元集合的一个部署方案确定后，将有许多车辆节点能被覆盖而获得效益。由于车辆节点的动态性和车辆分布的时空差异性，以车辆节点为对象的覆盖收益具有高度时空动态性和不确定性，并且路侧单元的位置一般固定。所以，实践中通常以路网为对象确定路侧单元集合的覆盖效益，根据路网中的各路段的车辆密度、所处区域特性、车道数等综合确定路段的权重密度，把路侧单元集合的无线覆盖范围之内的所有路段的加权权重之和作为路侧单元集合的覆盖效益。假设P为路侧单元集合的所有可行部署位置方案的集合，其中每个部署方案由各个路侧单元的某一特定可行部署位置构成的集合。把寻找使路侧单元的部署效益最大化的路侧单元位置部署方案称为路侧单元部署问题。本发明就针对该问题提出了一种基于人工鱼群算法的优化部署方法。

发明内容

本发明提出了一种基于人工鱼群算法的车联网路侧单元部署方法，目的在于在给定路网范围内、给定路侧单元数量的情况下，确定能使部署效益近似最优的路侧单元部署方案。

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

任意给定区域，该区域内的路网用路网模型G(V,E)表示，其中V代表所有路网内所有交叉路口的集合，路段集E代表路网内所有路段的集合。路网内的任意路段e用e(v_h,v_t,f_t,f_w)来表示，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的路线描述函数，f_w为路段e的权重密度函数，表示路段e的轨迹上各点处的权重密度，该权重密度值表征该点若被路侧单元覆盖所能获得的收益。

若路网中需要部署n个路侧单元，假设每个路侧单元的覆盖直径为d，综合考虑各项因素确定各路段的权重密度函数，则每个路侧单元的部署效益为路侧单元所有覆盖路段的加权线积分。现在要解决的问题可描述为：找到P的子集P^*使路网中被路侧单元覆盖的路段的加权权重最大。

步骤2.建立效益模型

给定路网和路侧单元集合部署位置方案，若某个路段完全处于路侧单元集合覆盖范围内的，则称这样的路段为全覆盖路段，否则称为部分覆盖路段。假设路网G(V,E)中部署的第j个路侧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个路侧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个路侧单元的部署效益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个路侧单元的覆盖区域,即m_e,j为路段e在路网中部署的第j个路侧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为路网中所有路侧单元的覆盖区域，即M_e为路段e在路网中所有路侧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，来达到路侧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侧单元部署问题模型，通过路侧单元部署问题模型将路侧单元部署问题转化为搜索最优解问题。

步骤3.利用人工鱼群算法对路侧单元部署问题进行优化求解

人工鱼群算法是在解决优化问题的过程中引入了基于生物群体行为的人工智能思想，根据动物行为的特点，推演出的一种全新的智能算法。因此我们设计了一种人工鱼群算法，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建立的路侧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

步骤2初始化鱼群

步骤3计算个体适应度值

步骤4更新每条人工鱼的位置

步骤5计算新位置的适应度值

步骤6更新迭代次数

步骤7判断是否满足算法终止条件

步骤8输出结果

本发明首先建立路网模型，然后确立效益模型，路网模型和效益模型共同构成路侧单元部署问题模型，将路侧单元部署问题转化为搜索最优解问题。最后利用人工鱼群算法对路侧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是本发明的流程示意图；

图2是本发明的一种实施例的程序流程图；

图3是本发明的结果示意图。

具体实施方法

下面结合技术方案和附图对本发明的实施方式进行详细说明。

下面给出基于人工鱼群算法的车联网路侧单元部署方法，如图1所示，按如下步骤进行路侧单元部署：

步骤1.建立路网模型

任意给定区域，该区域内的路网用路网模型G(V,E)表示，其中V代表所有路网内所有交叉路口的集合，路段集E代表路网内所有路段的集合。路网内的任意路段e用e(v_h,v_t,f_t,f_w)来表示，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的路线描述函数，f_w为路段e的权重密度函数，表示路段e的轨迹上各点处的权重密度，该权重密度值表征该点若被路侧单元覆盖所能获得的收益。

若路网中需要部署n个路侧单元，假设每个路侧单元的覆盖直径为d，综合考虑各项因素确定各路段的权重密度函数，则每个路侧单元的部署效益为路侧单元所有覆盖路段的加权线积分。现在要解决的问题可描述为：找到P的子集P^*使路网中被路侧单元覆盖的路段的加权权重最大。

步骤2.建立效益模型

给定路网和路侧单元集合部署位置方案，若某个路段完全处于路侧单元集合覆盖范围内的，则称这样的路段为全覆盖路段，否则称为部分覆盖路段。假设路网G(V,E)中部署的第j个路侧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个路侧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个路侧单元的部署效益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个路侧单元的覆盖区域,即m_e,j为路段e在路网中部署的第j个路侧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为路网中所有路侧单元的覆盖区域，即M_e为路段e在路网中所有路侧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，来达到路侧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侧单元部署问题模型，通过路侧单元部署问题模型将路侧单元部署问题转化为搜索最优解问题。

步骤3.利用人工鱼群算法对路侧单元部署问题进行优化求解

下面具体介绍个体的构造方法、个体优劣的评价方法以及寻优策略等。

步骤3.1：构造个体

每条人工鱼可作为一个可行解组成鱼群。这里的可行解F可以表示如下：

假设路网中需要部署n个路侧单元，每个路侧单元在路网中的位置信息为f(x,y)，则n个路侧单元构成一个位置序列F(f₁(x,y),f₂(x,y),...,f_n(x,y))。可以看出，位置序列F(f₁(x,y),f₂(x,y),...,f_n(x,y))和可行解F是一一对应的关系。又因为每个可行解由两部分组成，即鱼的位置和适应度值。则第i条人工鱼个体结构表示为：

Fish(i)＝{

Location[]                               (3)

fitness

}

人工鱼的位置编码结构表示为：

Fish(i).Location[]＝F(f₁(x,y),f₂(x,y),...,f_n(x,y))                    (4)

步骤3.2：鱼群初始化

随机生成m个位置序列F(f₁(x,y),f₂(x,y),...,f_n(x,y))，并初始化对应的适应度值，组成m个人工鱼，分别记为F₁,F₂,...,F_m。每个F是一个个体，m个个体组成一个初始鱼群。

步骤3.3：计算适应度值

因为路侧单元的部署效益越大部署效果越好，所以可以用式(1)路网部署总效益B_n作为适应度值。因此，人工鱼的适应度值可以记为：

Fish(i).fitness＝B_n                       (5)

步骤3.4：位置更改

尝试聚群算子：在当前鱼(X_i,Y_i)可见范围内进行搜索，得到鱼的聚群中心X_center和聚群中心的适应度值Y_center。如果满足Y_center＞Y_i且Y_center/n_f＜δ*Y_i(δ＜1)，其中n_f为感知范围内的人工鱼个数，表明伙伴中心有很多食物且不拥挤，则按照(6)式向着该中心位置方向前进一步。

$X_{\mathrm{next}}=X_i+\mathrm{rand}\left(\right)*\mathrm{step}*\frac{X_{\mathrm{center}}-X_i}{\left|\right|X_{\mathrm{center}}-X_i\left|\right|}---\left(6\right)$

尝试追尾算子：在当前鱼(X_i,Y_i)可见范围内对每条鱼进行搜索，并找到适应度值最高的鱼(X_max,Y_max)。如果Y_max＞Y_i，以X_max为中心搜索其感知范围内的人工鱼，数目为n_f，并且满足Y_max＞Y_i且Y_max/n_f＜δ*Y_i(δ＜1)，则表明该位置较优且其周围不太拥挤，按照(7)式向着适应度值最大的伙伴X_max的方向前进一步。

$X_{\mathrm{next}}=X_i+\mathrm{rand}\left(\right)*\mathrm{step}*\frac{X_{\max }-X_i}{\left|\right|X_{\max }-X_i\left|\right|}---\left(7\right)$

比较两种行为结果，选择适应度值最高的结果作为真实移动的结果。如果聚群算子和追尾算子都未能成功，则执行觅食算子：在可见范围内随意找一个位置，公式为X_j＝X_i+rand()*visual，并计算其适应度值。如果该处适应度值大于当前鱼的适应度值，则向该处移动。如果在达到最大尝试次数前未能成功执行觅食算子，则执行随机算子。

步骤3.5：算法步骤

下面结合图2对本实施例的路侧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

初始化人工鱼个数N、移动步长step、可见范围visual、拥挤度因子δ、觅食算子尝试次数try_num及最大迭代次数MaxI等参数。

S302、鱼群初始化

随机生成包含若干个体的初始鱼群M₁，迭代次数i＝1。

S303、个体适应度值计算

按照步骤3.3计算初始鱼群适应度值。个体适应度值越大，说明该个体越接近最优解。

S304、循环每条人工鱼，进行位置更改。

S3041、尝试聚群算子，若满足条件，按照式(3)向着该中心位置方向前进一步。

S3042、尝试追尾算子若满足条件，按照(4)式向着适应度值最大的伙伴X_max的方向前进一步。

S3043、判断个体是否得到改善

S3044、如果个体得到改善，比较两种行为结果，选择适应度值最高的结果作为真实移动的结果。

S3045、如果个体没有得到改善，即聚群算子和追尾算子都未能成功，则执行觅食算子。

S3046、判断个体是否得到改善，若得到改善执行S305，若未得到改善执行S3047

S3047、判断是否达到觅食尝试次数，若不是执行S3045，若是执行S3048

S3048、执行随机算子。

S305、计算新位置的适应度值并更新最优解及迭代次数。

对第i代鱼群M_i，按照步骤3.3计算每个人工鱼的适应度值。

S306、判断是否满足算法终止条件

算法的终止条件是，鱼群进化代数超过设定的最大迭代次数，执行S307；否则，转S303。

S307、输出最优解，算法结束

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，路侧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侧单元部署效益的近似最优值。

Claims (1)

1.一种基于人工鱼群算法的车联网路侧单元部署方法，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个路侧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在路网中所有路侧单元的覆盖区域内的部分；

步骤3：利用人工鱼群算法对路侧单元部署问题进行优化求解，步骤如下：

步骤3.1：构造个体

每条人工鱼可作为一个可行解组成鱼群；可行解F表示如下：

假设路网中需要部署n个路侧单元，每个路侧单元在路网中的位置信息为f(x,y)，则n个路侧单元构成一个位置序列F(f₁(x,y),f₂(x,y),...,f_n(x,y))；位置序列F(f₁(x,y),f₂(x,y),...,f_n(x,y))和可行解F是一一对应的关系；每个可行解由两部分组成，即鱼的位置和适应度值；则第i条人工鱼个体结构表示为：

人工鱼的位置编码结构表示为：

Fish(i).Location[]＝F(f₁(x,y),f₂(x,y),...,f_n(x,y))             (3)

步骤3.2：鱼群初始化

随机生成m个位置序列F(f₁(x,y),f₂(x,y),...,f_n(x,y))，并初始化对应的适应度值，组成m个人工鱼，分别记为F₁,F₂,...,F_m；每个F是一个个体，m个个体组成一个初始鱼群；

步骤3.3：计算适应度值

因为路侧单元的部署效益越大部署效果越好，所以可以用式(1)路网部署总效益B_n作为适应度值；因此，人工鱼的适应度值可以记为：

Fish(i).fitness＝B_n             (4)

步骤3.4：位置更改

尝试聚群算子：在当前鱼(X_i,Y_i)可见范围内进行搜索，得到鱼的聚群中心X_center和聚群中心的适应度值Y_center；如果满足Y_center＞Y_i且Y_center/n_f＜δ*Y_i(δ＜1)，其中n_f为感知范围内的人工鱼个数，表明伙伴中心有很多食物且不拥挤，则按照(5)式向着该中心位置方向前进一步；

$X_{\mathrm{next}}=X_i+\mathrm{rand}\left(\right)*\mathrm{step}*\frac{X_{\mathrm{center}}-X_i}{\left|\right|X_{\mathrm{center}}-X_i\left|\right|}---\left(5\right)$

尝试追尾算子：在当前鱼(X_i,Y_i)可见范围内对每条鱼进行搜索，并找到适应度值最高的鱼(X_max,Y_max)；如果Y_max＞Y_i，以X_max为中心搜索其感知范围内的人工鱼，数目为n_f，并且满足Y_max＞Y_i且Y_max/n_f＜δ*Y_i(δ＜1)，则表明该位置较优且其周围不太拥挤，按照(6)式向着适应度值最大的伙伴X_max的方向前进一步；

$X_{\mathrm{next}}=X_i+\mathrm{rand}\left(\right)*\mathrm{step}*\frac{X_{\max }-X_i}{\left|\right|X_{\max }-X_i\left|\right|}---\left(6\right)$

比较两种行为结果，选择适应度值最高的结果作为真实移动的结果；如果聚群算子和追尾算子都未能成功，则执行觅食算子：在可见范围内随意找一个位置，公式为X_j＝X_i+rand()*visual，并计算其适应度值；如果该处适应度值大于当前鱼的适应度值，则向该处移动；如果在达到最大尝试次数前未能成功执行觅食算子，则执行随机算子；

步骤3.5：算法步骤

基于前面提出的构造个体方法及评估·值计算策略，使用人工鱼群算法来求解的步骤如下：

(1)设置相关参数

初始化人工鱼个数、移动步长、可见范围、拥挤度因子、觅食算子尝试次数及最大迭代次数；

(2)鱼群初始化

随机生成包含若干个体的初始鱼群M₁，迭代次数i＝1；

(3)个体适应度值计算

按照步骤3.3计算初始鱼群适应度值；个体适应度值越大，说明该个体越接近最优解；

(4)循环每条人工鱼，进行位置更改；

对当前鱼分别尝试执行聚群算子和追尾算子，比较两种行为结果，选择适应度值最高的结果作为真实移动的结果；否则，执行觅食算子；

(5)计算新位置的适应度值并更新最优解；

对第i代鱼群M_i，按照步骤3.3计算每个人工鱼的适应度值；

(6)更新迭代次数

(7)判断是否满足算法终止条件

算法的终止条件是，鱼群进化代数超过设定的最大迭代次数，转步骤(8)；否则，转步骤(4)；

(8)输出最优解。