CN106095555A - 基于蚁群算法的wsan中执行器任务调度方法 - Google Patents

Abstract

本发明公开了一种基于蚁群算法的WSAN中执行器任务调度方法，包括以下步骤：1)建立执行器协作任务分配及调度的数学模型；2)采用分布式竞拍算法对任务进行分配；3)初始化蚁群；4)各只蚂蚁按概率选择下一任务；5)各只蚂蚁遍历所有任务，并释放信息素；6)更新信息素；7)若不满足算法终止条件，则返回步骤4)，若满足，则返回任务调度表，即为最佳任务调度表。本方法可实现对WSAN中任务的合理调度，减少执行器节点的移动距离，缩短任务完成时间，减少网络能耗。

Description

基于蚁群算法的WSAN中执行器任务调度方法

技术领域

本发明涉及分布式信息处理技术、协同合作技术、智能计算技术领域，具体讲是WSAN中执行器的任务调度问题，属于无线传感网技术领域。

背景技术

无线传感器/执行器网络(Wireless Sensor And Actor Networks,WSAN)是一种新型无线、自组织网络，由大量静止的传感器节点和少量移动的执行器节点组成。传感器节点感知物理环境，执行器节点处理感知数据，并在事件发生时进行决策并执行相应的任务。Akyildiz等人指出，协作性和实时性是WSAN应满足的两个独特要求，协作主要包括传感器和执行器节点之间的协作(Sensors to Actors Coordination,S-A)以及执行器和执行器之间协作(Actor to Actor Coordination，A-A)，A-A协作的主要目的是完成任务的有效分配，及执行器节点的任务调度。执行器节点负责任务的执行，因此当WSAN中有任务发生时，对执行器节点进行合理的任务调度可以有效地减少执行器节点的移动距离，缩短任务完成时间，减少能量消耗。

针对执行器节点的任务分配，目前已有多种解决方法，主要分为集中式和分布式任务调度策略，集中式任务调度策略由控制中心收集所有节点的信息综合分析做出决策，这种方法信息包转发的数量，能量消耗较多；分布式算法多个执行器协同对WSAN中发生的任务进行分配，可以有效地减少执行器节点信息包的转发数量，均衡网络的能量消耗。

然而，分布式算法和集中式算法都没有对WSAN执行器的任务调度问题做出深入研究。执行器节点负责任务的执行，其任务执行顺序会直接影响网络的能耗均衡性和实时性。Lukia.M将任务调度问题等价为旅行商问题，求出执行器节点的调度顺序。但是执行器节点的任务调度问题和旅行商问题不同：TSP解决的是旅行商周游各个城市之后回到最初起点的最短路径，其城市数量一般较多。执行器任务分配要解决的是执行器执行完当前任务队列中任务的最短路径，任务数量较少且无需回到起点位置。因此有必要针对WSAN的特点提出一种新型执行器任务调度算法。

发明内容

本发明所要解决的技术问题是提供一种WSAN中执行器任务调度方法，使得执行器节点的移动距离减少，任务完成时间缩短，能量消耗减少。

为解决上述技术问题，本发明提供一种基于蚁群算法的WSAN中执行器任务调度方法，包括以下步骤：

1)建立执行器协作任务分配及调度的数学模型；

2)采用分布式竞拍算法对任务进行分配；

3)初始化蚁群：根据各执行器节点任务的位置生成赋权邻接矩阵，初始化信息素矩阵，按照距离计算启发因子；

4)各只蚂蚁按概率选择下一任务；

5)各只蚂蚁遍历所有任务，并在路径上释放信息素；

6)更新信息素；

7)若不满足算法终止条件，则返回步骤4)，若满足，则返回任务调度表，即为最佳任务调度表。

上述步骤1)中，执行器协作任务分配及调度问题的数学模型建立包括以下2个步骤：

11)任务分配问题：分配过程中有n_t个任务，n_a个执行器节点；每个任务有自己的持续时间和截止时间d_j；每个执行器节点有N_i个可用时隙；保证任务在截止时间内完成的前提下，一个任务只能由一个执行器节点完成，且每个时隙内只能完成一个任务；

保证任务的合理分配要满足以下约束条件：

$\underset{i=1}{\overset{n_a}{\Σ}}{f}_{ij}\≤1,\∀j=1,...,n_t---\left(1\right)$

$\underset{j:T_{dj}}{\Σ}{f}_{ij}{d}_{u_j}\≤N_i,\∀j=1,...,n_t---\left(2\right)$

$f_{ij}=\{0,1\},\∀i,j---\left(3\right)$

其中f_ij值为1或0，为1时表示任务T_j由执行器节点A_i执行；

12)任务调度问题：每个执行器节点都有各自的任务集S_a，假设一次任务分配过程执行器节点移动的距离为，则任务调度问题为求出任务的执行顺序，使得执行器节点的移动距离最小，即目标函数为：

$\begin{array}{cc}\min & l=\underset{i=1}{\overset{n_a}{\Σ}}{l}_{S_{ai}}\end{array}---\left(4\right)$

上述步骤2)中，采用分布式竞拍算法对任务进行分配，包括以下4个步骤：

21)当网络中有任务发生时，传感器将任务信息转发给距离任务最近的执行器节点，并以该节点为主决策节点发起竞拍；

22)主决策节点将任务消息转发给5跳范围内的邻居执行器节点，并由这些节点共同组成竞拍节点集；

23)各执行器节点计算当前任务的效用值，并将效用值转发给主决策节点，由主决策节点决定由哪个执行器执行当前的任务；

24)任务分配结束后，各执行器节点生成各自的任务集S_a。

上述步骤23)中，各执行器节点计算当前任务的效用值，并将效用值转发给主决策节点，包括以下2个步骤：

231)效用值的计算：效用值受四个参数的影响，分别为：执行器节点与当前任务的距离执行器节点的剩余能量a_ei，执行器节点的移动速度a_vi，以及执行器节点当前的任务数量a_ni，效用值的计算公式如下：

$u_{ij}={\mathrm{\α}}_1{a}_{vi}+{\mathrm{\α}}_2{a}_{ei}-{\mathrm{\α}}_3{a}_{ni}-{\mathrm{\α}}_4{a}_{{\mathrm{dis}}_{ij}}---\left(5\right)$

其中α₁,α₂,α₃,α₄为各参数的系数，表示选择各个参数的重要程度；

232)效用值返回到主决策节点，当前执行器节点将自身效用值返回到上一级节点，该节点将自身的效用值和收到子节点的效用值分析比较，将效用值较大的执行器节点信息返回给当前执行器节点的上一级节点，以此类推，直到将效用信息传递到主决策节点。上述步骤4)中，各只蚂蚁按概率选择下一任务，其概率计算公式如下：

${P_{ij}}^k\left(t\right)=\left\{\begin{array}{c}\frac{{{\mathrm{\τ}}_{ij}}^{\mathrm{\α}}\left(t\right){{\mathrm{\η}}_{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈{\mathrm{allowed}}_k}{\Σ}{{\mathrm{\τ}}_{is}}^{\mathrm{\α}}\left(t\right){{\mathrm{\η}}_{is}}^{\mathrm{\β}}\left(t\right)},j\∈{\mathrm{allowed}}_k;\\ 0,otherwise\end{array}\right.---\left(6\right)$

其中：τ_ij(t)为t时刻，当前执行器节点中任务i与任务j之间路径上的信息素；η_ij(t)为启发式因子，取η_ij(t)＝1/d_ij，d_ij为任务i和任务j之间的距离；α为τ相对重要程度；β为η相对重要程度；allowed_k为t时刻蚂蚁k所能选择的任务集合。

上述步骤6)中，更新信息素，信息素的更新有以下2个步骤：

61)信息素更新公式如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (7)

Δτ_ij(t)＝∑Δτ_ij ^k(t) (8)

其中：ρ为信息素的挥发程度，取值范围为[0,1]；Δτ_ij ^k为蚂蚁5本次循环中在路径[i,j]上释放信息素量；Δτ_ij(t)为本次循环后路径[i,j]上信息素的增量。

62)信息素的挥发方式为蚁周模型，有：

${{\mathrm{\Δ\τ}}_{ij}}^k\left(t\right)=\left\{\begin{array}{cc}Q/L_k,& \begin{array}{ccc}antk& passesthrough& \[i,j\]\end{array};\\ 0,& otherwise.\end{array}\right.---\left(9\right)$

其中：Q为信息素总量，L₅为蚂蚁5在本次循环中所走路径的长度。随着所有蚂蚁完成对执行器路径的构建，信息素不断积累、挥发，直到满足终止条件为止。

上述步骤7)中，算法终止条件是指：蚁群算法的迭代次数达到50次。

本发明所达到的有益效果：

本发明利用分布式竞拍算法和蚁群算法共同完成WSAN中执行器的任务分配及任务调度。其中分布式竞拍算法完成执行器节点的任务分配，蚁群算法完成执行器节点的任务调度。分布式竞拍信息包转发数量少，实时性好的特点，以及蚁群算法并行计算，正反馈的特点，这些优良特性被应用于本发明当中。在执行器的任务分配过程中每只蚂蚁朝着信息素最多的方向移动，并且，当周围没有信息素指引时，蚂蚁会按照惯性运动下去。所有的蚂蚁并发计算执行器节点的移动路径，并在每轮结束时返回执行器节点移动路径的最短路径值。直到循环结束找到每轮计算中执行器节点的最短路径，此时执行器节点的执行顺序就是执行器所走的最短路径时的移动顺序。因此使用蚁群算法进行调度可有效地减少执行器节点的移动路径。

附图说明

图1是基于蚁群算法的WSAN中执行器任务调度方法的步骤图。

具体实施方式

如图1所示，一种基于蚁群算法的WSAN中执行器任务调度方法，包括以下步骤：

步骤1、建立执行器协作任务分配及调度的数学模型，其数学模型的建立包括以下两步：

1)任务分配问题：分配过程中有n_t个任务，n_a个执行器节点；每个任务有自己的持续时间和截止时间d_j；每个执行器节点有N_i个可用时隙；保证任务在截止时间内完成的前提下，一个任务只能由一个执行器节点完成，且每个时隙内只能完成一个任务；

保证任务的合理分配要满足以下约束条件：

$\underset{i=1}{\overset{n_a}{\Σ}}{f}_{ij}\≤1,\∀j=1,...,n_t---\left(10\right)$

$\underset{j:T_{dj}}{\Σ}{f}_{ij}{d}_{u_j}\≤N_i,\∀j=1,...,n_t---\left(11\right)$

$f_{ij}=\{0,1\},\∀i,j---\left(12\right)$

其中f_ij值为1或0，为1时表示任务T_j由执行器节点A_i执行；

2)任务调度问题：每个执行器节点都有各自的任务节点集S_a，假设一次任务分配过程执行器节点移动的距离为则任务调度问题为求出任务的执行顺序，使得执行器节点的移动距离最小，即目标函数为：

$\begin{array}{cc}\min & l=\underset{i=1}{\overset{n}{\Σ}}{l}_{S_{ai}}\end{array}---\left(13\right)$

步骤2、采用分布式竞拍算法对任务进行分配，分配过程包括以下四个步骤：

1)当网络中有任务发生时，传感器节点将任务信息转发给距离最近的执行器节点，并以该节点为主决策节点发起竞拍；

2)主决策节点将任务消息转发给5跳范围内的邻居节点，并由这些节点共同组成竞拍节点集；

3)各执行器节点计算当前任务的效用值，并将效用值转发给主决策节点，由主决策节点决定由哪个执行器执行当前的任务。

效用函数的确定受四个参数的影响，分别为：执行器节点与当前任务的距离执行器节点的剩余能量a_ei，执行器节点的移动速度a_vi，以及执行器节点当前的任务数量a_ni，效用值的计算如下：

$u_{ij}={\mathrm{\α}}_1{a}_{vi}+{\mathrm{\α}}_2{a}_{ei}-{\mathrm{\α}}_3{a}_{ni}-{\mathrm{\α}}_4{a}_{{\mathrm{dis}}_{ij}}---\left(14\right)$

其中α₁,α₂,α₃,α₄为各个参数的系数，表示选择各个参数的重要程度。

效用值返回到主决策节点时，当前执行器节点将自身效用值返回到上一级节点，该节点将自身的效用值和收到子节点的效用值分析比较，并将效用值较大的执行器节点信息返回到当前执行器节点的上一级节点，以此类推，直到将信息传递到主决策节点。

4)任务分配结束后，各执行器节点生成各自的任务集S_a。

步骤3、初始化蚁群：根据各执行器节点任务的位置生成赋权邻接矩阵，初始化信息素矩阵，按照距离计算启发因子；

步骤4、各只蚂蚁按概率选择下一任务，其概率计算公式如下：

${P_{ij}}^k\left(t\right)=\left\{\begin{array}{c}\frac{{{\mathrm{\τ}}_{ij}}^{\mathrm{\α}}\left(t\right){{\mathrm{\η}}_{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈{\mathrm{allowed}}_k}{\Σ}{{\mathrm{\τ}}_{is}}^{\mathrm{\α}}\left(t\right){{\mathrm{\η}}_{is}}^{\mathrm{\β}}\left(t\right)},j\∈{\mathrm{allowed}}_k;\\ 0,otherwise\end{array}\right.---\left(15\right)$

其中：τ_ij(t)为t时刻，当前执行器节点中任务i与任务j之间路径上的信息素；η_ij(t)为启发式因子，取η_ij(t)＝1/d_ij，d_ij为任务i和任务j之间的距离；α为τ相对重要程度；β为η相对重要程度；allowed_k为t时刻蚂蚁5所能选择的任务集合。

步骤5、各只蚂蚁遍历所有任务，并在路径上释放信息素；

步骤6、更新信息素，信息素的更新有以下2个步骤：

1)信息素更新公式如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (16)

Δτ_ij(t)＝ΣΔτ_ij ^k(t) (17)

其中：ρ为信息素的挥发程度，取值范围为[0,1]；Δτ_ij ^k为蚂蚁5本次循环中在路径[i,j]上释放信息素量；Δτ_ij(t)为本次循环后路径[i,j]上信息素的增量。

2)信息素的挥发方式为蚁周模型，有：

${{\mathrm{\Δ\τ}}_{ij}}^k\left(t\right)=\left\{\begin{array}{cc}Q/L_k,& \begin{array}{ccc}antk& passesthrough& \[i,j\]\end{array};\\ 0,& otherwise.\end{array}\right.---\left(18\right)$

其中：Q为信息素总量，L_k为蚂蚁k在本次循环中所走路径的长度。随着所有蚂蚁完成对执行器路径的构建，信息素不断积累、挥发。

步骤7、若蚁群算法的迭代次数未达到50次，则返回步骤4)，若达到50次，则返回任务调度表，即为最佳任务调度表；

实施例：

对WSAN中的10个执行器节点进行200次任务调度实验。每次实验过程为：200个传感器节点随机产生40个任务，10个执行器节点对这40个任务进行竞拍，分别得到自身的任务集S_a；并对每个执行器节点的任务集S_a进行调度。为验证本方法的有效性，分别利用顺序调度、遗传算法调度和本文的蚁群算法调度求出每个执行器节点的任务调度表，并计算出按此调度表执行任务时的平均移动距离、平均执行时间和平均能量消耗，做出对比分析。假设执行器节点i在第j轮实验中的移动距离为l_ij，消耗能量为e_ij，任务执行时间为t_ij则平均移动距离、平均执行时间和平均能量消耗的计算公式如下：

求出的平均移动距离，平均能量消耗和平均任务完成时间的性能参数对比表如表1所示：

表1性能参数对比表

由表1中的数据可计算得出：在平均移动距离方面，本蚁群算法相比于顺序调度减少了58.9％，相比于遗传算法减少了28.2％；在平均任务完成时间方面，本蚁群算法相比于顺序调度减少了12.2％，相比于遗传算法减少了7.8％；在平均能量消耗方面，本蚁群算法相比于顺序调度减少了48.1％，相比于遗传算法减少了32.4％。

Claims (7)

1.一种基于蚁群算法的WSAN中执行器任务调度方法，其特征在于，包括以下步骤：

1)建立执行器协作任务分配及调度的数学模型；

2)采用分布式竞拍算法对任务进行分配；

3)初始化蚁群：根据各执行器节点任务的位置生成赋权邻接矩阵，初始化信息素矩阵，按照任务间的距离计算启发因子；

4)各只蚂蚁按概率选择下一任务；

5)各只蚂蚁遍历所有任务，并在路径上释放信息素；

6)更新信息素；

7)若不满足算法终止条件，则返回步骤4)，若满足，则返回任务调度表，即为最佳任务调度表。

2.根据权利要求1所述的基于蚁群算法的WSAN中执行器任务调度方法，其特征在于：在所述步骤1)中，执行器协作任务分配及调度问题的数学模型建立包括以下2个步骤：

11)任务分配问题：在分配过程中有n_t个任务，n_a个执行器节点；每个任务有自己的持续时间和截止时间d_j；每个执行器节点有N_i个可用时隙；保证任务在截止时间内完成的前提下，一个任务只能由一个执行器节点完成，且每个时隙内只能完成一个任务。

任务分配过程中要满足的约束条件如下：

$\underset{i=1}{\overset{n_a}{\Σ}}{f}_{ij}\≤1,\∀j=1,...,n_t---\left(1\right)$

$\underset{j:T_{dj}}{\Σ}{f}_{ij}{d}_{u_j}\≤N_i,\∀j=1,...,n_t---\left(2\right)$

$f_{ij}=\{0,1\},\∀i,j---\left(3\right)$

其中f_ij值为1或0，为1时表示任务T_j由执行器节点A_i执行；

12)任务调度问题：任务分配结束后每个执行器节点有各自的任务集S_a假设一次任务分配过程中每个执行器节点的移动距离为任务调度问题为：求出任务的执行顺序，使得执行器节点的移动距离最小，即目标函数为：

$\begin{array}{cc}\min & l=\underset{i=1}{\overset{n_a}{\Σ}}{l}_{S_{ai}}\end{array}---\left(4\right).$

3.根据权利要求1所述的基于蚁群算法的WSAN中执行器任务调度方法，其特征在于：在所述步骤2)中，采用分布式竞拍算法对任务进行分配，包括以下4个步骤：

21)当网络中有任务发生时，传感器将任务信息转发给距离任务最近的执行器节点，并以该节点为主决策节点发起竞拍；

22)主决策节点将任务消息转发给5跳范围内的其他邻居执行器节点，这些节点共同组成竞拍节点集；

23)各执行器节点计算当前任务的效用值，并将效用值转发给主决策节点，由主决策节点决定哪个执行器执行当前的任务；

24)任务分配结束后，各执行器节点生成各自的任务集S_a。

4.根据权利要求3所述的基于蚁群算法的WSAN中执行器任务调度方法，其特征在于：在所述步骤23)中，各执行器节点计算当前任务的效用值，并将效用值转发给主决策节点，包括以下2个步骤：

231)效用值的计算：效用值受四个参数的影响，分别为：执行器节点与当前任务的距离执行器节点的剩余能量a_ei，执行器节点的移动速度a_vi，以及执行器节点当前的任务数量a_ni，效用值的计算公式如下：

$u_{ij}={\mathrm{\α}}_1{a}_{vi}+{\mathrm{\α}}_2{a}_{ei}-{\mathrm{\α}}_3{a}_{ni}-{\mathrm{\α}}_4{a}_{{\mathrm{dis}}_{ij}}---\left(5\right)$

其中α₁,α₂,α₃,α₄为各个参数的系数，表示选择各个参数的重要程度；

232)效用值返回到主决策节点，当前执行器节点将自身效用值返回到上一级节点，该节点将自身的效用值和收到子节点的效用值分析比较，将效用值较大的执行器节点信息返回给当前执行器节点的上一级节点，以此类推，直到将效用信息传递到主决策节点。

5.根据权利要求1所述的基于蚁群算法的WSAN中执行器任务调度方法，其特征在于：在所述步骤4)中，各只蚂蚁按概率选择下一任务，其概率计算公式如下：

${P_{ij}}^k\left(t\right)=\left\{\begin{array}{c}\frac{{{\mathrm{\τ}}_{ij}}^{\mathrm{\α}}\left(t\right){{\mathrm{\η}}_{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈{\mathrm{allowed}}_k}{\Σ}{{\mathrm{\τ}}_{is}}^{\mathrm{\α}}\left(t\right){{\mathrm{\η}}_{is}}^{\mathrm{\β}}\left(t\right)},j\∈{\mathrm{allowed}}_k;\\ 0,otherwise\end{array}\right.---\left(6\right)$

其中：τ_ij(t)为t时刻，当前执行器节点中任务i与任务j之间路径上的信息素；η_ij(t)为启发式因子，取η_ij(t)＝1/d_ij，d_ij为任务i和任务j之间的距离；α为τ相对重要程度；β为η相对重要程度；allowed_k为t时刻蚂蚁k所能选择的任务集合。

6.根据权利要求1所述的基于蚁群算法的WSAN中执行器任务调度方法，其特征在于：在所述步骤6)中，信息素的更新有以下2个步骤：

61)信息素更新公式如下：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij(t) (7)

Δτ_ij(t)＝∑Δτ_ij ^k(t)(8)

其中：ρ为信息素的挥发程度，取值范围为[0,1]；Δτ_ij ^k为蚂蚁k本次循环在路径[i,j]上释放的信息素量；Δτ_ij(t)为本次循环后路径[i,j]上信息素的增量；

62)信息素的挥发方式为蚁周模型，为：

${{\mathrm{\Δ\τ}}_{ij}}^k\left(t\right)=\left\{\begin{array}{cc}Q/L_k,& \begin{array}{ccc}antk& passesthrough& \[i,j\]\end{array};\\ 0,& otherwise.\end{array}\right.---\left(9\right)$

其中：Q为信息素总量，L_k为蚂蚁k在本次循环中所走路径的长度，随着所有蚂蚁完成对执行器路径的构建，信息素不断积累、挥发。

7.根据权利要求1所述的基于蚁群算法的WSAN中执行器任务调度方法，其特征在于：在所述步骤7)中，算法终止条件为：蚁群算法的迭代次数超过50次。