CN106161618A - 一种车联网专用短程通信系统路侧通信单元布局优化方法 - Google Patents
一种车联网专用短程通信系统路侧通信单元布局优化方法 Download PDFInfo
- Publication number
- CN106161618A CN106161618A CN201610519384.7A CN201610519384A CN106161618A CN 106161618 A CN106161618 A CN 106161618A CN 201610519384 A CN201610519384 A CN 201610519384A CN 106161618 A CN106161618 A CN 106161618A
- Authority
- CN
- China
- Prior art keywords
- network
- value
- feasible solution
- limit
- car networking
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种车联网专用短程通信系统路侧通信单元布局优化方法,包括步骤一:提取实际应用场景下的车联网路侧单元网络,抽象为复杂网络;步骤二:构建目标函数以及效率和成本的函数;步骤三:引入初始的扰动,模拟网络的级联实效过程,并且调整目标函数的参数;步骤四:确定CRO算法中的参数,并且执行迭代过程以获得全局最优解;步骤五:记录总体迭代过程中对应的四个理论指标值的变化趋势,并且存入信息库中,为类似的网络优化提供定性和定量的评价以及参考。本发明对于通讯网络中常见的级联失效问题,利用复杂网络的相关理论,实现车联网路侧单元网络结构的优化,可以为车辆自组织网络的正常运行提供可靠性保证。
Description
技术领域
本发明涉及车辆自组织网络和复杂网络理论交叉领域中的车联网路侧单元网络优化方法,特别是涉及一种车联网专用短程通信系统路侧通信单元布局优化方法。
背景技术
复杂网络理论的研究方法主要是将复杂系统,如互联网络、自然网络、社会网络,表示为网络中点与边的集合,点代表基本单元,边代表基本单元之间的相互关系,定义权的概念来说明点和边所包含的固有的性质。这种表示方式比较合理的说明复杂系统的基本的结构和性质,有利于对于复杂系统的基本的结构和性质的研究。基于复杂网络理论对于复杂系统的相关研究主要集中于网络动力学的研究领域。
对于复杂网络理论的研究将促进相关领域的理论和应用的迅速发展。
级联失效问题可以定义为对于复杂系统(复杂网络)进行蓄意的或者随机的攻击,导致一个或者若干个节点的损坏或者缺失,一个或者若干个节点的损坏或者缺失又进一步的蔓延,进一步的导致复杂系统在一定范围内甚至在全局范围内的崩溃。因此,如何有效的处理级联失效问题是现如今亟需研究的一个应用方面的问题。相关的研究主要集中于级联失效模型的构建,提出一系列提高网络鲁棒性的方案,以及级联失效问题与人工智能算法的结合。
车联网路侧单元网络是智能交通系统中移动自组织网络的重要组成部分之一,车联网路侧单元网络的构建对于提高移动自组织网络的安全性和可靠性,保证人、车、路之间互联互通有十分重要的意义。因此,在车联网路侧单元网络的实际应用场景下,一个关键的问题是如何构建车联网路侧单元网络,以实现在消耗资源最小化的前提之下提高可靠性的最大化。
发明内容
本发明的目的是为了解决上述问题,提出一种车联网专用短程通信系统路侧通信单元布局优化方法。
一种车联网专用短程通信系统路侧通信单元布局优化方法,包括以下几个步骤:
步骤一:提取实际应用场景下的车联网路侧单元网络,将其抽象为复杂网络;
步骤二:基于所建立的复杂网络的邻接矩阵,设定边的权重,构建目标函数以及效率和成本的函数;
步骤三:引入初始的扰动,根据级联实效模型,模拟网络的级联实效过程,并且调整目标函数中的两个参数;
步骤四:采用CRO算法,确定CRO算法中的参数,生成初始的可行解,并且以CRO算法的流程,对初始的可行解进行迭代优化,直到局部最优解趋于全局最优解;
步骤五:记录总体迭代过程中对应的四个理论指标值的变化趋势,并且存入信息库中,为类似的网络优化提供定性和定量的评价以及参考。
本发明的优点在于:
(1)本发明车联网专用短程通信系统路侧通信单元布局优化方法,采取复杂网络的研究方法,将实际情况下的车联网路侧单元网络抽象为理论情况下的车联网路侧单元网络,基于此,从复杂网络的角度定义网络失效过程、网络演化过程、网络分析过程的基本流程,着眼于实际应用场景下车联网路侧单元网络的级联失效问题,实现车联网路侧单元网络结构的优化。充分的考虑到影响车联网路侧单元网络性能的各方面因素,以保证其具有良好的综合性能,与此同时,参考复杂网络的一系列性质,建立一系列指标,以便于对网络的性质进行定性和定量的评价,为了之后的优化过程提供经验;
(2)本发明车联网专用短程通信系统路侧通信单元布局优化方法,将人工智能算法应用于级联失效问题的研究之中,利用一个启发式的人工智能算法,CRO算法,替换传统的进化算法,模拟车联网路侧单元网络结构的演化过程,与此同时,充分考虑到车联网路侧单元网络中级联失效问题的理论上和实际上的限制,进行了一定程度上的改进。与传统的算法对比,对于多目标优化问题,CRO算法有良好的运算效率和效果,其中,选择在算法的起始位置和终止位置,以及每一次迭代循环过程的起始位置,增加一个可行解的限制条件检验机制,可以在一定程度上提高运算效率和效果。
附图说明
图1为本发明车联网专用短程通信系统路侧通信单元布局优化方法流程图;
图2为级联失效仿真过程流程图;
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种车联网专用短程通信系统路侧通信单元布局优化方法,流程如图1所示,包括以下几个步骤:
步骤一,提取实际应用场景下的车联网路侧单元网络,将其抽象为复杂网络,定义为R网络,其中,点定义为车联网路侧单元设备,点和点之间的边定义为设备之间建立通讯,并且生成其邻接矩阵G,G为一个N*N矩阵,N为点的个数,矩阵G中的元素表示两个点之间是否有边相连,元素为1则有边相连,元素为0则没有边相连。
步骤二,设kij表示矩阵中边的权重,i和j表示网络中任意两个点,则初始的时候,若i和j之间有边连接,则kij=1,若i和j之间没有边连接,则kij=0,此时,将目标函数定义为:
Val=aA(G)-bB(G) (1)
其中,A(G)表示网络的总体效率,B(G)表示网络的总体成本,a、b为参数,表示目标函数Val中,总体效率A(G)和总体成本B(G)所分别占有的比重,取值范围为[0.5,1.5],取值跨度为0.1,因此,要分别确定A(G)和B(G),
其中,N为网络中点的个数,表示所确定的A(G)和B(G)是一个平均值,λij为点i和点j之间的传输效率,也就是车联网路侧单元网络两个设备间的通讯效率,μi为点i之中所需要的传输容量,也就是车联网路侧单元网络单个设备中的通讯成本,
对于λij的计算,根据网络的定义,寻找任意两个点i和点j之间的最短路径,例如,点i和点j之间的最短路径为(x1,x2,……xk),(x1,x2,……xk)为两个点之间的点,对于任意的点i和点j,计算为两点之间的最短路径,f1为x1和x2之间的边的权重,f2为x2和x3之间的边的权重,……等,以此类推,r表示最短路径的编号。
对于μi的计算,对于任意一点i,计算μi=d·Hi(0),Hi(0)表示初始状态下,点i的负载,定义为时间步长为t=0时刻经过点i的最短路径的个数,d为参数,d表示点i的容量和负载之间的相对关系,若d的取值大于1,则点i的容量大于负载,处于较宽松的状态,若d的取值小于1,则点i的容量小于负载,处于较紧张的状态,d的取值范围为[0,2],其中,对于所有的点,μ是固定不变的,H不是固定不变的,可能随时间步长,也就是级联失效过程中每一次迭代的变化而变化的,例如,Hi(0),Hi(1),Hi(2),……,可以将每一个时间步长的所有的点的H的值视为一个一维矩阵。
步骤三,引入初始的扰动,网络中某个点的容量减少为初始的一定的百分比,此时,可能会出现该节点的负载大于该节点的容量的情况,根据级联失效模型模拟网络的级联失效过程,一个时间步长完成一次迭代过程,更新一次网络的权重矩阵和负载矩阵,并且计算一次目标函数值Val,持续到Val趋于稳定,其中级联失效模型为:
其中,kij表示矩阵中边的权重。
与此同时,对于目标函数中的两个参数a和b,进行调整,分别取值为,
a∈[1.5,1.4,1.3,1.2,1.1,1.0,0.9,0.8,0.7,0.6,0.5]
b∈[0.5,0.6,0.7,0.8,0.9,1.0,1.1,1.2,1.3,1.4,1.5]
两两一组,{a=1.5,b=0.5}、{a=1.4,b=0.6}、{a=1.3,b=0.7}、{a=1.2,b=0.8}、{a=1.1,b=0.9}、{a=1.0,b=1.0}、{a=0.9,b=1.1}、{a=0.8,b=1.2}、{a=0.7,b=1.3}、{a=0.6,b=1.4}、{a=0.5,b=1.5},代入目标函数中,执行上述级联失效过程,比较趋于稳定的Val,选择其中可以令结果相对比较好的参数组合为之后的目标函数的参数(这里提到的相对比较好的结果,指的是在级联失效过程之后,趋于稳定的Val值越大,认为结果越好,趋于稳定的Val值越小,认为结果越不好)。
步骤四,确定目标函数为Val=aA(G)-bB(G),根据所选择的CRO算法的规则,确定其他一系列参数,包括
PopSize(初始可行解个数),定义为初始生成的可行解集中可行解的个数;
MoleCollision(处理方式选择判断标准),定义为判断从可行解集中选择的可行解的个数的标准;
DCriterion(D判断标准),判断是On---wall ineffective collision(分子与墙壁无效碰撞过程)或是Decomposition(分解过程);
SCriterion(S判断标准),判断是Intermolecular ineffective collision(分子间无效碰撞过程)或是Synthesis(合成过程);
可行解可以定义为实现对于网络的初始的邻接矩阵的结构优化的N*N矩阵,矩阵中的每一个元素,随机的选择为1,2,3,4,所表示的意义分别定义为,
1表示两点之间增加一条边,若两点之间本来就有边则不变;
2表示两点之间减少一条边,若两点之间本来就没有边则不变;
3表示更改两点之间边的连接方式,也就是将A和B相连改为B和C相连,A、B、C表示网络中的三个点,若两点之间本来就没有边则不变;
4表示无变化;
可行解的限制条件检验,其中的限制条件包括,
1)根据可行解修正后的邻接矩阵所表示的网络是否是一个整体连接的网络;
2)根据可行解修正后的邻接矩阵所表示的网络的边的个数是否不大于阈值;
对于不符合限制条件检验的可行解要重新生成,
定义PE和KE,PE对应的是化学反应中的势能,这里指的是某个可行解所对应的目标函数的函数值;定义KE,KE对应的是化学反应中的动能,这里指的是某个可行解在某一个迭代步骤中完成所选择的处理方式的一种趋势程度;
生成一定个数的可行解,可行解的个数为PopSize,并且执行限制条件检验,计算各个可行解对应的PE,并且给各个可行解赋予一个KE,定义为InitialKE,生成一个随机数value,随机数value的取值范围为[0,1],执行以下四个过程,
(1)若value大于Molecollision,则随机的选择一个可行解,并且执行R网络的级联失效仿真过程,获得Val值,再判断DCriterion条件是否成立,
DCriterion条件指的是PE(w)+KE(w)+buffer>PE(w*1)+PE(w*2);
w指的是所选择的可行解,w*指的是若执行Decomposion处理方式之后生成的可行解,buffer指的是能量存储器之中的可以利用的动能,能量存储器定义为将与反应容器之间发生碰撞反应可是没有流失到环境中的动能储存起来并且用于其他反应的机制,KELossRate指的是流失到环境中的动能的百分比,
A.若DC条件成立,执行On-wall ineffective collision处理方式,
该处理方式定义为随机的选择可行解矩阵中的一个元素,并且随机的赋予其一个更新的取值,并且更新PE和KE,以及buffer,
PE更新为PE(w*);
KE更新为(PE(w)+KE(w)+buffer-PE(w*))*(1-KELossRate);
buffer更新为(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*KELossRate;
B.若DC条件不成立,则执行Decomposition处理方式
该处理方式定义为随机的选择可行解矩阵中的一个元素,根据该元素所在的行和列进行分割,以左上角为一部分,以右下角为一部分,并且分别随机的补全两个部分所缺失的部分,并且更新PE和KE,
PE更新为PE(w*1),
PE(w*2);
KE更新为[(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*(1-KELossRate)]*k,[(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*(1-KELossRate)]*(1-k),K的取值范围为[0,1];
(2)若value小于Molecollision,则随机的选择两个可行解,并且执行R网络的级联失效仿真过程,获得Val值,再判断SCriterion条件是否成立,
SCriterion条件指的是PE(w1)+PE(w2)+KE(w1)+KE(w2)>PE(w*);
w1,w2指的是所选择的可行解,w*指的是若执行Synthesis处理方式之后生成的可行解,
A.若SC条件成立,执行Intermolecular ineffective collision处理方式,
该处理方式定义为随机的选择两个可行解矩阵中的各一个元素,并且随机的赋予其各一个更新的取值,并且更新PE和KE,
PE更新为PE(w*1),
PE(w*2);
KE更新为[PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*1)-PE(w*2)]*k,[PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*1)-PE(w*2)]*(1-k),K的取值范围为[0,1];
B.若SC条件不成立,执行Synthesis处理方式,
该处理方式定义为随机的选择两个可行解矩阵中的各一个相同位置的元素,分别根据该元素所在的行和列进行分割,以左上角为一部分,以右下角为一部分,并且将前者的左上角部分和后者的右下角部分组合在一起,并且更新PE和KE,
PE更新为PE(w*);
KE更新为PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*);
对于上述四个过程,完成之后均需要对于更新的可行解执行限制条件检验,并且执行R网络的级联失效仿真过程,计算更新的可行解对应的PE,四个过程分别可以表示为,
(1)A.PE(new)值,B.PE1(new)和PE2(new)值,
(2)A.PE1(new)和PE2(new)值,B.PE(new)值,
分别对应的比较,
(1)A.PE与PE(new),B.PE与PE1(new)和PE2(new),
(2)A.PE1和PE2与PE1(new)和PE2(new),B.PE1和PE2与PE(new),
选择其中的最优PE值与截止到上一次迭代过程的局部最优PE值相互比较,选择二者之中较优的为这一次迭代过程的局部最优PE值且保存其对应的可行解,判断局部最优PE值是否趋于稳定,可以取近五次迭代过程的局部最优PE值的标准差为判断标准,检验标准差是否不大于某一个给定的阈值,
若局部最优PE值趋于平稳,可以将局部最优PE值提取为全局最优PE值,并且保存其对应的可行解,就可以基于此可行解获得优化后的网络的邻接矩阵,也就是优化后的网络的结构组成,
若局部最优PE值没有趋于平稳,则返回迭代过程的起始重新开始迭代过程。
步骤五,参考复杂网络的基本性质,建立四个理论指标,反映网络的状态,分别是最短路径长度,聚类系数,模块化系数,同配异配系数,
A.最短路径长度:Smin是点i和点j之间的最短路径长度;
B.聚类系数:ti是点i的相邻节点的个数,Ti是ti个相邻节点之间的边的个数;
C.模块化系数:Gij是点i和点j所共有的与点i和点j所有的相邻节点的个数之商;
D.同配异配系数:mi和ni分别是第i条边的两个端点的相邻节点的个数,l是边的个数的倒数;
记录总体迭代过程中对应的四个理论指标值的变化趋势,并且存入信息库中,为类似的网络优化提供定性和定量的评价以及参考。
提取现实场景中的道路网络信息以及车联网专用短程通信系统路侧单元的拟布设位置,应用上述算法流程,就可以得到最优的路侧单元布局方案。
Claims (6)
1.一种车联网专用短程通信系统路侧通信单元布局优化方法,包括以下几个步骤:
步骤一:提取实际应用场景下的车联网路侧单元网络,将其抽象为复杂网络;
步骤二:基于所建立的复杂网络的邻接矩阵,设定边的权重,构建目标函数以及效率和成本的函数;
步骤三:引入初始的扰动,根据级联实效模型,模拟网络的级联实效过程,并且调整目标函数中的两个参数;
步骤四:采用CRO算法,确定CRO算法中的参数,生成初始的可行解,并且以CRO算法的流程,对初始的可行解进行迭代优化,直到局部最优解趋于全局最优解;
步骤五:记录总体迭代过程中对应的四个理论指标值的变化趋势,并且存入信息库中,为类似的网络优化提供定性和定量的评价以及参考。
2.根据权利要求1所述的一种车联网专用短程通信系统路侧通信单元布局优化方法,所述的步骤一具体为:
设复杂网络为R网络,点表示车联网路侧单元设备,点和点之间的边表示设备之间建立通讯,并且生成其邻接矩阵G,G中的元素表示两个点之间是否有边相连,元素为1则有边相连,元素为0则没有边相连,G为N*N矩阵,N为点的个数。
3.根据权利要求1所述的一种车联网专用短程通信系统路侧通信单元布局优化方法,所述的步骤二具体为:
设kij表示矩阵中边的权重,i和j表示网络中任意两个点,则初始的时候,若i和j之间有边连接,则kij=1,若i和j之间没有边连接,则kij=0,设目标函数为:
Val=aA(G)-bB(G) (1)
其中,A(G)表示网络的总体效率,B(G)表示网络的总体成本,a、b分别表示A(G)和B(G)所分别占有的比重,取值范围为[0.5,1.5],取值跨度为0.1,A(G)和B(G)为:
其中,N为网络中点的个数,λij为点i和点j之间的传输效率,μi为点i之中所需要的传输容量;
获取λij具体为:
设点i和点j之间的最短路径为(x1,x2,……xk),(x1,x2,……xk)为两个点之间的点,对于任意的点i和点j,fr表示xr和xr+1之间的边的权重,r表示最短路径的编号;
获取μi具体为:
对于任意一点i,计算μi=d·Hi(0),Hi(0)表示初始状态下,点i的负载,定义为时间步长为t=0时刻经过点i的最短路径的个数,d表示点i的容量和负载之间的相对关系,若d的取值大于1,则点i的容量大于负载,若d的取值小于1,则点i的容量小于负载,d的取值范围为[0,2]。
4.根据权利要求1所述的一种车联网专用短程通信系统路侧通信单元布局优化方法,所述的步骤三具体为:
引入初始的扰动,根据级联失效模型模拟网络的级联失效过程,一个时间步长完成一次迭代过程,更新一次网络的权重矩阵和负载矩阵,并且计算一次目标函数值Val,持续到Val趋于稳定,其中级联失效模型为:
其中,kij表示矩阵中边的权重;
与此同时,对于目标函数中的两个参数a和b,进行调整,分别取值为:
a∈[1.5,1.4,1.3,1.2,1.1,1.0,0.9,0.8,0.7,0.6,0.5]
b∈[0.5,0.6,0.7,0.8,0.9,1.0,1.1,1.2,1.3,1.4,1.5]
两两一组,{a=1.5,b=0.5}、{a=1.4,b=0.6}、{a=1.3,b=0.7}、{a=1.2,b=0.8}、{a=1.1,b=0.9}、{a=1.0,b=1.0}、{a=0.9,b=1.1}、{a=0.8,b=1.2}、{a=0.7,b=1.3}、{a=0.6,b=1.4}、{a=0.5,b=1.5},分别代入目标函数中,执行上述级联失效过程,比较趋于稳定的Val,选择Val值最大的参数组合为目标函数的参数。
5.根据权利要求1所述的一种车联网专用短程通信系统路侧通信单元布局优化方法,所述的步骤四具体为:
确定目标函数为Val=aA(G)-bB(G),
确定CRO算法中的参数:
设PopSize为初始生成的可行解集中可行解的个数;
设MoleCollision为判断从可行解集中选择的可行解的个数的标准;
设DCriterion为判断是On---wall ineffective collision或是Decomposition;
设SCriterion为判断是Intermolecular ineffective collision或是Synthesis;
设可行解为实现对于网络的初始的邻接矩阵的结构优化的N*N矩阵,矩阵中的每一个元素,随机的选择为1,2,3,4,所表示的意义分别为:
1表示两点之间增加一条边,若两点之间本来就有边则不变;
2表示两点之间减少一条边,若两点之间本来就没有边则不变;
3表示更改两点之间边的连接方式,也就是将A和B相连改为B和C相连,A、B、C表示网络中的三个点,若两点之间本来就没有边则不变;
4表示无变化;
可行解的限制条件检验,其中的限制条件包括:
1)可行解修正后的邻接矩阵所表示的网络是否是一个整体连接的网络;
2)可行解修正后的邻接矩阵所表示的网络的边的个数是否不大于阈值;
对于不符合限制条件检验的可行解要重新生成;
设PE对应的是化学反应中的势能,指某个可行解所对应的目标函数的函数值;设KE,KE对应的是化学反应中的动能,指某个可行解在某一个迭代步骤中完成所选择的处理方式的一种趋势程度;
生成一定个数的可行解,可行解的个数为PopSize,并且执行限制条件检验,计算各个可行解对应的PE,并且给各个可行解赋予一个KE,定义为InitialKE,生成一个随机数value,随机数value的取值范围为[0,1],执行以下四个过程:
(1)若value大于Molecollision,则随机的选择一个可行解,并且执行R网络的级联失效仿真过程,获得Val值,再判断DCriterion条件是否成立;
DCriterion条件指的是PE(w)+KE(w)+buffer>PE(w*1)+PE(w*2);
w指的是所选择的可行解,w*指的是若执行Decomposion处理方式之后生成的可行解,buffer指的是能量存储器之中的能够利用的动能,能量存储器定义为将与反应容器之间发生碰撞反应可是没有流失到环境中的动能储存起来并且用于其他反应的机制,KELossRate指的是流失到环境中的动能的百分比;
A.若DC条件成立,执行On-wall ineffective collision处理方式,该处理方式定义为随机的选择可行解矩阵中的一个元素,并且随机的赋予其一个更新的取值,并且更新PE和KE,以及buffer;
PE更新为PE(w*);
KE更新为(PE(w)+KE(w)+buffer-PE(w*))*(1-KELossRate);
buffer更新为(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*KELossRate;
B.若DC条件不成立,则执行Decomposition处理方式;
该处理方式定义为随机的选择可行解矩阵中的一个元素,根据该元素所在的行和列进行分割,以左上角为一部分,以右下角为一部分,并且分别随机的补全两个部分所缺失的部分,并且更新PE和KE;
PE更新为PE(w*1),PE(w*2);
KE更新为[(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*(1-KELossRate)]*k,
[(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*(1-KELossRate)]*(1-k),K的取值范围为[0,1];
(2)若value小于Molecollision,则随机的选择两个可行解,并且执行R网络的级联失效仿真过程,获得Val值,再判断SCriterion条件是否成立;
SCriterion条件指的是PE(w1)+PE(w2)+KE(w1)+KE(w2)>PE(w*),w1,w2指的是所选择的可行解,w*指的是若执行Synthesis处理方式之后生成的可行解;
A.若SC条件成立,执行Intermolecular ineffective collision处理方式;
该处理方式定义为随机的选择两个可行解矩阵中的各一个元素,并且随机的赋予其各一个更新的取值,并且更新PE和KE;
PE更新为PE(w*1),PE(w*2);
KE更新为[PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*1)-PE(w*2)]*k,
[PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*1)-PE(w*2)]*(1-k),K的取值范围为[0,1];
B.若SC条件不成立,执行Synthesis处理方式;
该处理方式定义为随机的选择两个可行解矩阵中的各一个相同位置的元素,分别根据该元素所在的行和列进行分割,以左上角为一部分,以右下角为一部分,并且将前者的左上角部分和后者的右下角部分组合在一起,并且更新PE和KE;
PE更新为PE(w*);
KE更新为PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*);
对于上述四个过程,完成之后均需要对于更新的可行解执行限制条件检验,并且执行R网络的级联失效仿真过程,计算更新的可行解对应的PE,四个过程分别表示为;
(1)A.PE(new)值,B.PE1(new)和PE2(new)值,
(2)A.PE1(new)和PE2(new)值,B.PE(new)值,
分别对应的比较,
(1)A.PE与PE(new),B.PE与PE1(new)和PE2(new),
(2)A.PE1和PE2与PE1(new)和PE2(new),B.PE1和PE2与PE(new),
选择其中的最优PE值与截止到上一次迭代过程的局部最优PE值相互比较,选择二者之中较优的为这一次迭代过程的局部最优PE值且保存其对应的可行解,判断局部最优PE值是否趋于稳定,取近五次迭代过程的局部最优PE值的标准差为判断标准,检验标准差是否不大于某一个给定的阈值;
若局部最优PE值趋于平稳,将局部最优PE值提取为全局最优PE值,并且保存其对应的可行解,基于此可行解获得优化后的网络的邻接矩阵,即优化后的网络的结构组成;
若局部最优PE值没有趋于平稳,则返回迭代过程的起始重新开始迭代过程。
6.根据权利要求1所述的一种车联网专用短程通信系统路侧通信单元布局优化方法,所述的步骤五具体为:
建立四个理论指标,反映网络的状态,分别是最短路径长度,聚类系数,模块化系数,同配异配系数;
A.最短路径长度:Smin是点i和点j之间的最短路径长度;
B.聚类系数:ti是点i的相邻节点的个数,Ti是ti个相邻节点之间的边的个数;
C.模块化系数:Gij是点i和点j所共有的与点i和点j所有的相邻节点的个数之商;
D.同配异配系数:mi和ni分别是第i条边的两个端点的相邻节点的个数,l是边的个数的倒数;
记录总体迭代过程中对应的四个理论指标值的变化趋势,并且存入信息库中,为类似的网络优化提供定性和定量的评价以及参考,最终得到最优的路侧单元布局方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519384.7A CN106161618B (zh) | 2016-07-04 | 2016-07-04 | 一种车联网专用短程通信系统路侧通信单元布局优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519384.7A CN106161618B (zh) | 2016-07-04 | 2016-07-04 | 一种车联网专用短程通信系统路侧通信单元布局优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106161618A true CN106161618A (zh) | 2016-11-23 |
CN106161618B CN106161618B (zh) | 2019-05-03 |
Family
ID=58061165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610519384.7A Active CN106161618B (zh) | 2016-07-04 | 2016-07-04 | 一种车联网专用短程通信系统路侧通信单元布局优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106161618B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107579840A (zh) * | 2017-07-25 | 2018-01-12 | 首都师范大学 | 基于最大流的城市车载网络数据车辆接收方法及装置 |
CN107919985A (zh) * | 2017-11-08 | 2018-04-17 | 南京邮电大学 | 一种复杂网络级联失效容量负载架构的应用 |
CN109769033A (zh) * | 2019-02-26 | 2019-05-17 | 武汉大学 | 一种城市VANETs分布式文件传输方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053588B1 (en) * | 2014-03-13 | 2015-06-09 | Allstate Insurance Company | Roadside assistance management |
CN104955056A (zh) * | 2015-06-05 | 2015-09-30 | 大连理工大学 | 一个基于粒子群算法的车联网路侧单元部署方法 |
CN104951832A (zh) * | 2015-06-05 | 2015-09-30 | 大连理工大学 | 一种基于人工鱼群算法的车联网路侧单元优化部署方法 |
-
2016
- 2016-07-04 CN CN201610519384.7A patent/CN106161618B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053588B1 (en) * | 2014-03-13 | 2015-06-09 | Allstate Insurance Company | Roadside assistance management |
CN104955056A (zh) * | 2015-06-05 | 2015-09-30 | 大连理工大学 | 一个基于粒子群算法的车联网路侧单元部署方法 |
CN104951832A (zh) * | 2015-06-05 | 2015-09-30 | 大连理工大学 | 一种基于人工鱼群算法的车联网路侧单元优化部署方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107579840A (zh) * | 2017-07-25 | 2018-01-12 | 首都师范大学 | 基于最大流的城市车载网络数据车辆接收方法及装置 |
CN107919985A (zh) * | 2017-11-08 | 2018-04-17 | 南京邮电大学 | 一种复杂网络级联失效容量负载架构的应用 |
CN107919985B (zh) * | 2017-11-08 | 2020-10-27 | 南京邮电大学 | 一种复杂网络级联失效容量负载架构的应用 |
CN109769033A (zh) * | 2019-02-26 | 2019-05-17 | 武汉大学 | 一种城市VANETs分布式文件传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106161618B (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104732A (zh) | 一种基于深度强化学习的机动通信网智能规划方法 | |
CN108053037A (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
CN106972504A (zh) | 基于遗传算法的区间无功优化方法 | |
CN108183475A (zh) | 一种低压配电网拓扑重构方法及装置 | |
CN107612016A (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
CN107330589A (zh) | 卫星网络协调风险的定量化评估方法及系统 | |
CN106161618A (zh) | 一种车联网专用短程通信系统路侧通信单元布局优化方法 | |
CN105512755A (zh) | 一种基于分解的多目标分布估计优化方法 | |
Venkatesh et al. | Multi-objective evolutionary programming for economic emission dispatch problem | |
CN107846018A (zh) | 基于路径搜索算法的配网最大供电能力评估方法 | |
CN112329973A (zh) | 一种基于图神经网络和区域网格化的时空负荷预测方法 | |
CN111008686B (zh) | 一种基于节点相关度实现可靠解列的网架结构优化方法 | |
CN105720591A (zh) | 一种电力系统无功优化方法及系统 | |
CN115759199B (zh) | 基于层次化图神经网络的多机器人环境探索方法及系统 | |
CN103714211A (zh) | 基于移动模式序列与多智能体粒子群的集成电路布图方法 | |
CN116596105A (zh) | 一种考虑配电网发展的充电站负荷预测方法 | |
CN114745288B (zh) | 基于区块链和动态赋权的复杂网络抗毁性模型量化方法 | |
CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 | |
CN110703725B (zh) | 一种适用于航天姿态轨道控制系统的路径优化方法 | |
CN114692495A (zh) | 一种高效的基于可靠性框图的复杂系统可靠性评估方法 | |
Townsend | Wireless sensor network clustering with machine learning | |
CN106156366A (zh) | 一种基于聚类的牵制控制节点选择方法 | |
CN105704778B (zh) | 一种具有拓扑感知的移动对等网络聚集域划分方法 | |
CN110139233A (zh) | 基于时空特征融合的无线传感器网络数据修复方法 | |
LU505448B1 (en) | Industrial internet resource allocation method based on virtual node construction |
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 |