CN108632167A - 一种基于遗传算法的mvb周期信息实时调度优化算法 - Google Patents
一种基于遗传算法的mvb周期信息实时调度优化算法 Download PDFInfo
- Publication number
- CN108632167A CN108632167A CN201810337426.4A CN201810337426A CN108632167A CN 108632167 A CN108632167 A CN 108632167A CN 201810337426 A CN201810337426 A CN 201810337426A CN 108632167 A CN108632167 A CN 108632167A
- Authority
- CN
- China
- Prior art keywords
- cycle
- mvb
- time
- scheduling
- data
- 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
- H04L47/00—Traffic control in data switching networks
- H04L47/50—Queue scheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40267—Bus for use in transportation systems
- H04L2012/40293—Bus for use in transportation systems the transportation system being a train
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Small-Scale Networks (AREA)
Abstract
本发明涉及一种MVB周期信息调度的算法,特别是一种基于遗传算法的MVB周期信息实时调度优化算法。本发明主要应用于列车MVB网络通信系统,包括MVB通信过程模型及其调度优化算法。在通信过程模型的基础上中,根据IEC61375‑1国际标准确定约束条件及优化目标并采用遗传算法进行求解,对周期调度表的宽度和梯度等参数进行调整,以达到提高网络调度实时性及总线利用率的目的。
Description
技术领域
本发明涉及一种MVB周期信息调度的算法,特别是一种基于遗传算法的MVB周期信息实时调度优化算法。该方法根据IEC61375-1国际标准确定约束条件及优化目标并采用遗传算法进行求解,对周期调度表的宽度和梯度等参数进行调整,以达到提高网络调度实时性及总线利用率的目的。
背景技术
多功能车辆总线MVB(Multifunction Vehicle Bus)是列车通信网络(TrainCommunication Network-TCN)国际标准之一,因其结构简单、实时性、安全性和可靠性高而在普通轨道列车、动车以及高铁上得到了广泛应用。虽然IEC61375标准明确了MVB数据传输的实时性要求,但如何进一步提高其通信实时性能一直是其面临的主要挑战。
对于一般的现场总线,构建周期调度表的算法主要有最小截止期优先算法、单调速率算法、延迟释放算法、逐步填空算法,对于特殊的现场总线如MVB,国内学者进行了相应的研究也提出了一些更优化的算法。有人提出了多粒子群优化算法,但该算法更适用于处理连续问题,而对于离散问题的调度优化则存在一定的缺陷;也有人提出Pareto蚁群算法,虽然该算法适合处理离散问题,但不能兼顾具体的通信指标,且算法的参数设定严重依赖于人的经验,因而难以使算法性能达到最优;也有人提出采用模拟退火算法进行周期表的优化调度,但是算法的收敛速度较慢,难以满足实际调度过程中周期信息实时性需求。
可见,现有的MVB调度算法很难满足MVB周期数据实时通信,且其数据的传输能力和总线利用率也较低,这对列车MVB网络系统的实时调度算法提出了更高的要求。
发明内容
本发明所要解决的技术问题是针对目前已有多功能车辆总线调度算法中数据传输能力不足及总线利用率较低的问题,提出了一种基于遗传算法的MVB周期信息实时调度优化算法,将遗传算法用在MVB总线周期信息调度优化的问题上,根据约束条件及优化目标对周期调度表的宽度和梯度等参数进行优化,以达到提高网络调度实时性及总线利用率的目的,从而解决上述问题。
本发明一种基于遗传算法的MVB周期信息实时调度优化算法包括MVB通信过程模型及其调度优化算法。MVB通信过程模型是在一个轮回周期中,MVB主设备通过事先生成的周期调度表在MVB基本周期内按照表中报文发送的先后顺序向MVB从设备发送报文的一种通信模型。MVB周期信息调度优化算法是采用遗传算法对周期信息调度的实时性进行优化,根据约束条件及优化目标,对周期调度表的宽度和梯度等参数进行优化调整,使周期扫描表的分布更加均匀,从而达到提高网络调度实时性及总线利用率的目的。
所述的MVB通信过程模型是在一个轮回周期内,MVB由单一的总线主设备控制,总线主设备是发起通信的唯一设备,其他所有设备都是从设备,从设备不能自发引起通信过程,整个MVB通信过程由总线主设备协同管理。总线主设备将一个轮回周期分成若干个固定的时间片段,即基本周期,基本周期包括四个相:周期相、监视相、事件相及保护相,周期相用于发送过程数据,此时总线主设备执行过程数据的周期轮询,以保证对实时性要求严格的数据可以及时更新;事件相、监视相和保护相统称为偶发相,主要用于设备进行消息数据的传送,由于此类消息是按需发送,所以对网络的实时性要求一般不高。
所述的周期调度表,也称周期扫描表,就是MVB主设备用来管理总线上所有周期信息通信的轮询表,主要包括过程数据的请求,也包括用于特殊要求的监视数据请求或消息数据请求。不同设备的不同周期的轮询是由总线主设备根据事先设定好的周期扫描表以源寻址的方式进行控制的。在周期轮询中,MVB主设备根据周期扫描表发送一个事先定义好的主帧,所有设备都接收这个主帧然后进行译码,与主帧中逻辑地址匹配且端口为源的从设备响应从帧,端口为宿的从设备接受总线上的数据,以此完成一个MVB基本周期内的数据传输。按照上述描述在一个轮回时间内进行反复轮询,就构成了MVB总线的通信过程模型。由于,MVB网络中报文发送的先后顺序由周期调度表决定。所以,对周期扫描表的优化,就是对周期信息调度实时性的优化。
根据IEC61375-1国际标准,在构建周期调度表时,需要注意以下基本规则:一般通过特征周期来对周期数据进行分类,将具有相同特征的周期数据编成一个循环中的一组,组名为其基本周期的倍数,一个循环又可分成由若干个基本周期组成的子循环;一个宏周期(最大的特征周期)内的所有循环构成一个宏循环,且每个宏循环的最后一个偶发相专为主权的转移而保留,即使在此宏循环中并未用于主权的转移。
所述的MVB周期信息调度优化算法是针对MVB中过程数据传送任务时,在满足优化目标及约束条件的情况下,明确数据的传送时间并对数据发送的先后顺序进行合理安排,以获得满足优化目标的传输效率或时间的最优解。遗传算法是通过模拟自然进化过程搜索最优解的方法,从选定的初始解出发,不断迭代逐步改进当前解,使得最具有适应能力的染色体尽可能地生存下来,则该染色体就是所要解决问题的一个最优解。将遗传算法用在MVB总线周期信息调度优化的问题上,基本的算法流程是:首先是根据优化目标确定实际问题的参数集,并对其进行编码;然后是初始群体的设定,从第一个周期和以第一个宏周期开始,判断能够发送的信息是否在截止期内,并以此为起点通过遗传算子一代代进化,最后,直到满足设定的优化目标时终止遗传过程,并由此得到最终解,生成优化后的周期扫描表。
附图说明
图1为本发明的MVB基本周期结构图。
图2为本发明的MVB过程数据的通信过程图。
图3为本发明采用基本规则生成的周期扫描表。
图4为本发明的遗传算法生成周期扫描表的流程图。
图5为本发明采用遗传算法生成的周期扫描表。
图6为本发明的优化算法前后周期扫描表分布对比图。
图7为本发明的优化算法前后MVB总线利用率对比图。
具体实施方式
下面结合附图对本发明作进一步的详细说明,本发明一种基于遗传算法的MVB周期信息实时调度优化算法包括MVB通信过程模型及其调度优化算法。MVB通信过程模型是在一个轮回周期中,MVB主设备通过事先生成的周期调度表在MVB基本周期内按照表中报文发送的先后顺序向MVB从设备发送报文的一种通信模型。MVB周期信息调度优化算法是采用遗传算法对周期信息调度的实时性进行优化,根据约束条件及优化目标,对周期调度表的宽度和梯度等参数进行优化调整,使周期扫描表的分布更加均匀,从而达到提高网络调度实时性及总线利用率的目的。
MVB通信过程模型是在一个轮回周期内,MVB由单一的总线主设备控制,总线主设备是发起通信的唯一设备,其他所有设备都是从设备,从设备不能自发引起通信过程,整个MVB通信由总线主设备协同管理。MVB总线的基本周期如图1所示,MVB总线主设备将一个轮回周期分成若干个固定的时间片段,即基本周期,基本周期包括四个相:周期相、监视相、事件相及保护相,周期相用于发送周期数据,此时总线主设备执行过程数据的周期轮询,以保证对实时性要求严格的数据可以及时更新;监视相是主设备进行设备扫描;在事件相中,总线主设备执行事件轮询以传送消息数据;在保护相中,主设备在偶发发送之后应保留一个保护相作为缓冲以提供下一个周期相的开始;事件相、监视相和保护相统称为偶发相,主要用于设备进行消息数据的传送,由于此类消息是按需发送,所以对网络的实时性要求一般不高。
所述的周期调度表,也称周期扫描表,就是MVB主设备用来管理总线上所有周期信息通信的轮询表,主要是过程数据的请求,也包含用于特殊要求的监视数据请求或消息数据请求。不同设备的不同周期的轮询是由总线主设备根据事先设定好的周期扫描表以源寻址的方式进行控制的。MVB中周期数据也称为过程数据,其通信过程主要通过总线管理设备利用周期调度表来完成,如图2所示,在周期轮询中,MVB主设备根据周期扫描表发送一个事先定义好的主帧,所有设备都接收这个主帧然后进行译码,与主帧中逻辑地址匹配且为源的从设备响应从帧,端口为宿的从设备接受总线上的数据,以此完成一个MVB基本周期内的数据传输。按照上述描述在一个轮回时间内进行反复轮询,就构成了MVB总线的通信过程模型。由于,MVB网络中数据发送的先后顺序由周期调度表决定。所以,对周期扫描表的优化,就是对周期信息调度实时性的优化。
根据IEC61375-1国际标准,在构建周期调度表时,需要注意以下基本规则:一般通过特征周期来对周期数据进行分类,将具有相同特征的周期数据编成一个循环中的一组,组名为其基本周期的倍数,一个循环又可分成由若干个基本周期组成的子循环;一个宏周期(最大的特征周期)内的所有循环构成一个宏循环,且每个宏循环的最后一个偶发相专为主权的转移而保留,即使在此宏循环中并未用于主权的转移。
生成MVB周期调度表的约束条件是根据IEC61375-1标准中给出的,包括以下三个约束条件:
(1)所有周期数据传输的总时间在一个基本周期内不得超过周期相所占时间;
(2)宏周期为最长的特征周期,最大不得超过1024ms;
(3)过程数据的主帧长度固定为33位,从帧长度有5种类型,分别为33、49、81、153、297位;过程数据传输的时间为:
(1)
其中:Nmaster为主帧的长度;Nslave为从帧的长度;VMVB为信号速率,其值取1.5Mbit/s;Treply为主帧发出后到响应该主帧的从帧发出的时间间隔;Tsm为两个报文之间的传输间隔。。
不管采用何种算法构建周期扫描表,都必须满足上述的基本规则及约束条件,否则所生成的周期扫描表是不可调度的。
按照以上规则及约束条件,假设一个包含35个基本周期的轮回时间中,有8个周期数据变量V=(v0,v1,v2,v3,v4,v5,v6,v7),其特征周期级别分别为,截取前八个基本周期得到的周期扫描表,如图3所示。其中:W为周期扫描表的宽度,即在周期扫描表各行的最大周期相宽度;G为周期扫描表的梯度,即周期扫描表最长周期相和最短周期相之差;H为周期扫描表的高度,H可由式(2)求得:
(2)
式中的n是周期变量,λi为周期级别。
所述的MVB周期信息调度优化算法是针对MVB中过程数据传送任务时,在满足约束条件及优化目标的情况下,明确数据传送时间对数据发送的先后顺序进行合理安排,以获得满足优化目标的传输效率或时间的最优解。通过遗传算法从选定的初始解出发,不断迭代逐步改进当前解,使得最具有适应能力的染色体尽可能地生存下来,则该染色体就是MVB周期调度问题的一个最优解。
MVB周期调度优化算法的优化目标同样是根据IEC61375-1标准确定的,标准中为了均衡网络负荷,更好地处理偶发信息,要求周期信息均匀分布且尽可能提高总线利用率及吞吐量,尽量减小周期信息在各周期相中所占时间的波动,因此,定义时间梯度为最长周期相与最短周期相之差,也就是极差,用G表示,第i个基本周期内周期相长度用length(i)表示,则:
G=max{length(i)}-min{length(i)} (3)
其标准差可表示为:
(4)
式(4)中,第m个基本周期的端口数为N(m);第g个基本周期中周期相实际时间为;周期相的平均值为tave。
(5)
式(5)中λ为特征周期级别;Nλ为级别为λ的端口数目;ti为第i个周期相的时间。
极差和标准差用来衡量MVB周期扫描表中过程数据通信时长与平均通信时长的差异,若极差、标准差越大,表示过程数据通信时长与平均通信时长相比波动幅度较大,则网络信息调度实时性越差;反之,若极差、标准差越小,表示过程数据通信时长与平均通信时长相比波动幅度较小,周期数据在宏周期内分布更加均匀,更好地均衡了网络中的负载,则网络信息调度实时性越好,总线利用率越高。
本发明的优化算法是将遗传算法用在MVB总线周期信息调度优化的问题上,通过模拟自然进化过程搜索最优解的方法,在遗传算法处理流程中,首先是编码设计,然后是初始群体的设定,并以此为起点通过遗传算子一代代进化,直到满足上述设定的优化目标则终止遗传过程,并由此得到最终解。遗传算法生成周期扫描表的基本流程框图如图4所示,其具体步骤如下:
Step 1:根据上述优化目标确定实际问题的参数集;
Step 2:选择合适地编码策略,对参数进行编码;
Step 3:随机初始化各参数;
Step 4:从第一个周期和以第一个宏周期开始,判断第i个周期能否发送信息,若不能则信息不能放在第i个周期,若能则进行下一步;
Step 5:判断能够发送的信息是否在截止期内,不能则该信息不能被调度,能则将信息安排在调度表中;
Step 6:按照遗传策略,将选择算子作用于数据群体,来形成下一代数据群体;
Step 7:判断生成的周期调度表是否满足约束条件,不满足则返回Step 5,或者修改遗传策略再返回Step 6;
Step8:宏周期结束,所有信息扫描完毕,则生成周期扫描表。
按照上述基本步骤即可生成优化后的周期调度表。
为了验证本发明一种基于遗传算法的MVB周期信息实时调度优化算法的有效性,在满足IEC61375-1标准的基础上,假设一个包含35个基本周期的轮回时间中,其中有8个周期数据变量V=(v0,v1,v2,v3,v4,v5,v6,v7),其特征周期级别分别为,如图5所示,是采用遗传算法生成的前八个基本周期的周期扫描表,与按基本规则生成的前八个基本周期的周期扫描表(图3)相比,采用遗传算法后的周期扫描表,周期变量排布更加紧密,使周期信息排列的更合理。如图6所示,是改进差分算法和遗传算法生成周期扫描表的过程数据通信时长分布,对比图中的可以发现,改进差分算法生成的周期扫描表中过程数据通信时长最大为450μs,最小为200μs,极差为250μs,标准差为63.53μs,在图中的通信时间起伏比较大;而采用遗传算法后,过程数据通信时间最大为395μs,最小为310μs,极差为85μs,标准差为30.43μs,反映在图中的通信时间基本排布在370μs左右,分布更加均匀。通过对比两种算法生成的周期扫描表可发现,采用遗传算法可以使周期扫描表分布的更加均匀,从而均衡网络中的负载,提高网络的实时性。
根据IEC61375-1标准可知,总线利用率为基本周期中周期数据传输所占时间与周期相所占时间的比值。基本周期传输的利用率在一个轮回时间内差别越小,周期数据分布越均匀。对两种算法的总线利用率如图7所示。对比两种算法的数据可知,采用改进差分算法的平均利用率约为62.2%,虽然总线利用率分布在平均利用率附近,且波动较小。但采用遗传算法的平均利用率可达75.6%,且周期扫描表分布更加均匀,同时还提高了总线平均利用率。因此遗传算法能够更好地优化周期扫描表。提高数据的实时性与有效性。
可见本发明一种基于遗传算法的MVB周期信息实时调度优化算法,提出将遗传算法应用在MVB周期信息调度中,在改善了过程数据在各基本周期中的均匀度,使周期扫描表分布更加均匀的同时,还提高了总线平均利用率,更好地改善了MVB过程数据的传送性能,均衡了网络中的负载,从而提高了消息数据传送的实时性与有效性,实现对MVB周期信息调度的优化。
Claims (8)
1.一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:包括MVB通信过程模型及其调度优化算法;MVB通信过程模型是在一个轮回周期中,MVB主设备通过事先生成的周期调度表在MVB基本周期内按照表中报文发送的先后顺序向MVB从设备发送报文的一种通信模型;MVB周期信息调度优化算法是采用遗传算法对周期信息调度的实时性进行优化,根据约束条件及优化目标,对周期调度表的宽度和梯度等参数进行优化调整,使周期扫描表的分布更加均匀,从而达到提高网络调度实时性及总线利用率的目的。
2.根据权利要求1所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的MVB通信过程模型是在一个轮回周期内,MVB由单一的总线主设备控制,总线主设备是发起通信的唯一设备,其他所有设备都是从设备,从设备不能自发引起通信过程,整个MVB通信过程由总线主设备在周期调度表的调度下协同管理;MVB总线主设备将一个轮回周期分成若干个固定的时间片段,即基本周期,基本周期包括四个相:周期相、监视相、事件相及保护相,周期相用于发送周期数据,此时总线主设备执行过程数据的周期轮询,以保证对实时性要求严格的数据可以及时更新;监视相是主设备进行设备扫描;在事件相中,总线主设备执行事件轮询以传送消息数据;在保护相中,主设备在偶发发送之后应保留一个保护相作为缓冲以提供下一个周期相的开始;事件相、监视相和保护相统称为偶发相,主要用于设备进行消息数据的传送,由于此类消息是按需发送,所以对网络的实时性要求一般不高。
3.根据权利要求2所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的周期调度表,也称周期扫描表,就是MVB主设备用来管理总线上所有周期信息通信的轮询表,主要是过程数据的请求,也包含用于特殊要求的监视数据请求或消息数据请求,不同设备的不同周期的轮询是由总线主设备根据事先设定好的周期扫描表以源寻址的方式进行控制的,MVB中周期数据也称为过程数据,其通信过程主要通过总线管理设备利用周期调度表来完成,在周期轮询中,MVB主设备根据周期扫描表发送一个事先定义好的主帧,所有设备都接收这个主帧然后进行译码,与主帧中逻辑地址匹配且为源的从设备响应从帧,端口为宿的从设备接受总线上的数据,以此完成一个MVB基本周期内的数据传输,按照上述描述在一个轮回时间内进行反复轮询,就构成了MVB总线的通信过程模型;由于,MVB网络中数据发送的先后顺序由周期调度表决定,所以,对周期扫描表的优化,就是对周期信息调度实时性的优化,但不管采用何种算法构建周期扫描表,都必须满足一定的基本规则及约束条件,否则所生成的周期扫描表是不可调度的。
4.根据权利要求3所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的MVB周期调度表在构建时需要注意以下基本规则:一般通过特征周期来对周期数据进行分类,将具有相同特征的周期数据编成一个循环中的一组,组名为其基本周期的倍数,一个循环又可分成由若干个基本周期组成的子循环;一个宏周期(最大的特征周期)内的所有循环构成一个宏循环,且每个宏循环的最后一个偶发相专为主权的转移而保留,即使在此宏循环中并未用于主权的转移。
5.根据权利要求3所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的MVB周期调度表的约束条件是根据IEC61375-1标准中给出的,包括以下三个约束条件:
(1)所有周期数据传输的总时间在一个基本周期内不得超过周期相所占时间;
(2)宏周期为最长的特征周期,最大不得超过1024ms;
(3)过程数据的主帧长度固定为33位,从帧长度有5种类型,分别为33、49、81、153、297位;过程数据传输的时间为:
(1)
其中:Nmaster为主帧的长度;Nslave为从帧的长度;VMVB为信号速率,其值取1.5Mbit/s;Treply为主帧发出后到响应该主帧的从帧发出的时间间隔;Tsm为两个报文之间的传输间隔。
6.根据权利要求1所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的MVB周期信息调度优化算法是针对MVB中过程数据传送任务时,在满足约束条件及优化目标的情况下,明确数据传送时间对数据发送的先后顺序进行合理安排,以获得满足优化目标的传输效率或时间的最优解;通过遗传算法从选定的初始解出发,不断迭代逐步改进当前解,使得最具有适应能力的染色体尽可能地生存下来,则该染色体就是MVB周期调度问题的一个最优解。
7.根据权利要求6所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的MVB周期调度优化算法的优化目标是根据IEC61375-1标准确定的,标准中为了均衡网络负荷,更好地处理偶发信息,要求周期信息均匀分布且尽可能提高总线利用率及吞吐量,尽量减小周期信息在各周期相中所占时间的波动,因此,定义时间梯度为最长周期相与最短周期相之差,也就是极差,用G表示,第i个基本周期内周期相长度用length(i)表示,则:
G=max{length(i)}-min{length(i)} (2)
其标准差可表示为:
式(3)中,第m个基本周期的端口数为N(m);第g个基本周期中周期相实际时间为周期相的平均值为tave。
式(4)中λ为特征周期级别;Nλ为级别为λ的端口数目;ti为第i个周期相的时间。
8.根据权利要求6所述的一种基于遗传算法的MVB周期信息实时调度优化算法,其特征在于:所述的优化算法是将遗传算法用在MVB总线周期信息调度优化的问题上,通过模拟自然进化过程搜索最优解的方法,在遗传算法处理流程中,首先是编码设计,然后是初始群体的设定,并以此为起点通过遗传算子一代代进化,直到满足上述设定的优化目标则终止遗传过程,并由此得到最终解,遗传算法生成周期扫描表的基本流程框图如图4所示,其具体步骤如下:
Step 1:根据上述优化目标确定实际问题的参数集;
Step 2:选择合适地编码策略,对参数进行编码;
Step 3:随机初始化各参数;
Step 4:从第一个周期和以第一个宏周期开始,判断第i个周期能否发送信息,若不能则信息不能放在第i个周期,若能则进行下一步;
Step 5:判断能够发送的信息是否在截止期内,不能则该信息不能被调度,能则将信息安排在调度表中;
Step 6:按照遗传策略,将选择算子作用于数据群体,来形成下一代数据群体;
Step 7:判断生成的周期调度表是否满足约束条件,不满足则返回Step 5,或者修改遗传策略再返回Step 6;
Step8:宏周期结束,所有信息扫描完毕,则生成周期扫描表
按照上述基本步骤即可生成优化后的周期调度表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810337426.4A CN108632167B (zh) | 2018-04-11 | 2018-04-11 | 一种基于遗传算法的mvb周期信息实时调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810337426.4A CN108632167B (zh) | 2018-04-11 | 2018-04-11 | 一种基于遗传算法的mvb周期信息实时调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108632167A true CN108632167A (zh) | 2018-10-09 |
CN108632167B CN108632167B (zh) | 2022-05-06 |
Family
ID=63705243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810337426.4A Active CN108632167B (zh) | 2018-04-11 | 2018-04-11 | 一种基于遗传算法的mvb周期信息实时调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108632167B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783890A (zh) * | 2018-12-26 | 2019-05-21 | 华东交通大学 | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 |
CN110084360A (zh) * | 2019-04-26 | 2019-08-02 | 长春师范大学 | 一种基于ga-bp的mvb周期实时性改进算法 |
CN110609739A (zh) * | 2019-09-19 | 2019-12-24 | 湘潭大学 | 一种基于多目标进化算法的列车周期信息调度方法及系统 |
CN111475888A (zh) * | 2020-03-30 | 2020-07-31 | 浙江大学 | 自平衡电动车车架动态特性的可靠性稳健均衡设计方法 |
CN116860691A (zh) * | 2023-09-05 | 2023-10-10 | 东方空间技术(山东)有限公司 | 一种运载火箭的总线数据的处理方法、装置及计算设备 |
CN117852840A (zh) * | 2024-03-07 | 2024-04-09 | 长春工业大学 | 一种基于多目标差分进化可变子批的柔性车间调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468301A (zh) * | 2014-11-06 | 2015-03-25 | 南车株洲电力机车研究所有限公司 | 一种基于mvb通信的安全输出方法 |
CN104579878A (zh) * | 2014-11-24 | 2015-04-29 | 长春工业大学 | 一种基于OMNeT++的灵活通用MVB网络建模方法 |
US20170251382A1 (en) * | 2016-02-26 | 2017-08-31 | Crrc Zhuzhou Institute Co., Ltd. | Method and device for wireless typology discovery for train backbone networks |
-
2018
- 2018-04-11 CN CN201810337426.4A patent/CN108632167B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468301A (zh) * | 2014-11-06 | 2015-03-25 | 南车株洲电力机车研究所有限公司 | 一种基于mvb通信的安全输出方法 |
CN104579878A (zh) * | 2014-11-24 | 2015-04-29 | 长春工业大学 | 一种基于OMNeT++的灵活通用MVB网络建模方法 |
US20170251382A1 (en) * | 2016-02-26 | 2017-08-31 | Crrc Zhuzhou Institute Co., Ltd. | Method and device for wireless typology discovery for train backbone networks |
Non-Patent Citations (2)
Title |
---|
严翔: "列车网络化控制系统中控制与调度协同的研究", 《中国博士学位论文全文数据库》 * |
张梦璇等: "基于改进差分进化算法的MVB周期调度表优化设计", 《大连理工大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783890A (zh) * | 2018-12-26 | 2019-05-21 | 华东交通大学 | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 |
CN109783890B (zh) * | 2018-12-26 | 2022-06-14 | 华东交通大学 | 基于钩缓装置模型的重载列车运行曲线多目标优化方法 |
CN110084360A (zh) * | 2019-04-26 | 2019-08-02 | 长春师范大学 | 一种基于ga-bp的mvb周期实时性改进算法 |
CN110084360B (zh) * | 2019-04-26 | 2023-08-18 | 长春师范大学 | 一种基于ga-bp的mvb周期实时性改进算法 |
CN110609739A (zh) * | 2019-09-19 | 2019-12-24 | 湘潭大学 | 一种基于多目标进化算法的列车周期信息调度方法及系统 |
CN110609739B (zh) * | 2019-09-19 | 2022-04-08 | 湘潭大学 | 一种基于多目标进化算法的列车周期信息调度方法及系统 |
CN111475888A (zh) * | 2020-03-30 | 2020-07-31 | 浙江大学 | 自平衡电动车车架动态特性的可靠性稳健均衡设计方法 |
CN116860691A (zh) * | 2023-09-05 | 2023-10-10 | 东方空间技术(山东)有限公司 | 一种运载火箭的总线数据的处理方法、装置及计算设备 |
CN116860691B (zh) * | 2023-09-05 | 2023-12-01 | 东方空间技术(山东)有限公司 | 一种运载火箭的总线数据的处理方法、装置及计算设备 |
CN117852840A (zh) * | 2024-03-07 | 2024-04-09 | 长春工业大学 | 一种基于多目标差分进化可变子批的柔性车间调度方法 |
CN117852840B (zh) * | 2024-03-07 | 2024-05-03 | 长春工业大学 | 一种基于多目标差分进化可变子批的柔性车间调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108632167B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632167A (zh) | 一种基于遗传算法的mvb周期信息实时调度优化算法 | |
Ali et al. | Fast uplink grant for machine type communications: Challenges and opportunities | |
JP6264474B2 (ja) | 実時間演算のための動的で協調的なマイクログリッドを有する電力分配システム | |
CN102098737B (zh) | 一种基于小区优先级的协作调度方法及系统 | |
EP2096890B1 (en) | Method for data collection and supervision in wireless node networks | |
CN102905335A (zh) | 无线网络中的网络管理和设备通信的支持 | |
CN108332356A (zh) | 空调交互终端、空调系统的控制器、空调系统及空调交互系统 | |
CN102422691A (zh) | 用于星型网络的信标、星型网络中的传感器节点、在星型网络中初始化网关的方法以及操作星型网络的方法 | |
CN101859139A (zh) | 一种分布式控制系统的数据共享实现方法及装置 | |
Alizadeh et al. | Least laxity first scheduling of thermostatically controlled loads for regulation services | |
CN1879360B (zh) | 用于宽带接入系统的分布式媒体接入控制 | |
CN109756380A (zh) | 一种物联网设备自适应访问与共享方法及系统 | |
Jia et al. | Social-aware learning-based online energy scheduling for 5G integrated smart distribution power grid | |
CN104113088A (zh) | 一种风电机群控制系统 | |
CN110805991A (zh) | 一种控制终端与中央空调的状态同步的方法及装置 | |
CN104601424B (zh) | 设备控制网中利用概率模型的主被动数据收集装置及方法 | |
CN116599028A (zh) | 基于多源数据融合的台区边缘自治及协同控制方法及系统 | |
CN111342446B (zh) | 三维家庭智慧用能泛在调度控制方法及系统 | |
AU2016202858B2 (en) | Method and device for the provision of aggregate offers of electrical energy | |
Jiang et al. | Scalable multi-agent learning for situationally-aware multiple-access and grant-free transmissions | |
CN110084360A (zh) | 一种基于ga-bp的mvb周期实时性改进算法 | |
CN101231523A (zh) | 一种灵敏负荷的控制系统及方法 | |
CN210428523U (zh) | 能源管理网关、能源网络系统 | |
Wang et al. | Energy-aware and URLLC-aware task offloading for internet of health things | |
Saad | Wireless capacity maximization: A constrained genetic approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |