CN109361725A - 基于多目标遗传算法的车联网云系统资源分配方法 - Google Patents

Abstract

本发明提出了一种基于多目标遗传算法的车联网云系统资源分配方法，用于解决现有车联网云系统资源分配中存在的应用请求阻塞率较大的技术问题，实现步骤为：(1)建立多目标优化模型；(2)设定迭代次数和最大迭代次数；(3)获取第t代父代种群P_t；(4)获取第t代子代种群Q_t；(5)对第t代父代种群P_t和第t代子代种群Q_t进行合并；(6)获取第t+1代父代种群P_t+1；(7)获取应用请求的资源分配结果。本发明以最小化阻塞率和最小化成本为目标函数，采用遗传算法求解得到一组最优资源分配结果，在满足成本的要求下，降低了应用请求的阻塞率，增加了车联网云系统的资源利用率。

Description

基于多目标遗传算法的车联网云系统资源分配方法

技术领域

本发明属于云计算技术领域，涉及一种车联网云系统资源分配方法，特别是涉及一种基于多目标遗传算法的车联网云系统资源分配方法。

背景技术

智能交通系统是未来交通运输体系的重要发展方向之一，车联网作为物联网技术应用于智能交通领域的具体形式，对于我国交通系统建设和国家经济发展有着重要意义。随着全球汽车产业的高速发展，出现了许多新兴车载应用，例如车载多媒体娱乐、车载社交网络以及基于位置的服务等，这些应用需要复杂的计算能力、充足的带宽资源以及大量的存储空间。然而，由于小型化、低成本的硬件系统，单个车辆的资源有限。云计算能够为用户提供所需的资源，使用户能够按需动态获取计算能力、存储空间和信息服务。车联网与云计算的融合形成车联网云系统，包括车辆云、路边云和中心云，车辆云由一组车辆组成，车辆之间能够进行资源共享，路边云具有少量资源，通常作为资源管理者，中心云由服务器集群组成，具有大量资源。车联网云系统能够提高资源利用率，降低基础设施成本，提高驾驶安全性等。

当单个车辆的资源无法满足应用请求时，车联网云系统需要为应用请求分配资源。当应用请求到来时，资源管理者需要根据应用请求的资源需求、响应时间和车辆云中的资源等，决定将车辆云、路边云或中心云的资源分配给应用请求。一个理想的车联网云系统资源分配方法应该能够满足应用请求的资源、响应时间要求和能耗要求，具有快速收敛、低阻塞率、低成本的特点。由于阻塞率受到应用请求资源、车辆资源、车辆之间连接的稳定性和响应时间等因素的影响，而现有的车联网云系统资源分配方法通常只考虑了应用请求的资源和响应时间，因此具有相对较高的阻塞率。

L.Hou等人在文献“A Continuous-Time Markov decision process-basedresource allocation scheme in vehicular cloud for mobile video services”(Computer Communications，2018,vol.118,pp.140-147)中，公开了一种基于连续时间马尔可夫模型的车联网云系统资源分配方法，该方法首先建立了连续时间马尔可夫模型，然后采用迭代算法求解提出的连续时间马尔可夫模型，经过多次迭代后，能够得到最终的资源分配结果。该方法在建立连续时间马尔可夫模型时，考虑了车辆资源和社交关系对资源分配结果的影响，在一定程度上降低了应用请求的阻塞率，但是其存在的不足之处是：在建立连续时间马尔可夫模型时，忽略了由车辆移动性导致的车辆之间连接频繁中断对应用请求阻塞率的影响，使得阻塞率仍然较高。

多目标遗传算法是一种基于种群搜索方式的全局优化算法，可以处理各种类型的多目标优化模型，能够有效地处理传统优化算法难以解决的复杂问题，具有较高的鲁棒性、全局优化、并行搜索和快速收敛的特点。在求解多目标优化模型时，首先对种群进行初始化，然后对初始种群进行交叉和变异，通过迭代寻找问题的最优解。

利用多目标遗传算法的全局优化、快速收敛的特点，通过建立合适的多目标优化模型，能够有效地解决车联网云系统资源分配中阻塞率较高的问题。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于多目标遗传算法的车联网云系统资源分配方法，在满足成本要求的情况下，降低应用请求的阻塞率。

为实现上述目的，本发明采取的技术方案，包括如下步骤：

(1)建立多目标优化模型：

建立包括目标函数和约束条件的多目标优化模型，其中目标函数包括最小化阻塞率f₁和最小化成本f₂，约束条件包括应用请求资源约束g₁、每辆车的资源约束g₂、车辆云总资源约束g₃、车辆之间传输时间约束g₄、车辆云处理的响应时间约束g₅、中心云处理的响应时间约束g₆和资源大小约束g₇；

(2)设定迭代次数和最大迭代次数：

设迭代次数为t，并初始化t＝0，设最大迭代次数为t_max；

(3)获取第t代父代种群P_t：

(3a)设车辆数量为M，M≥2，计算每辆车的匹配因子MF₁,…,MF_j,…,MF_M，MF_j表示车辆j的匹配因子：

MF_j＝γ₁ψ_j+γ₂C_j+γ₃D_j

其中，γ_i为权重系数，ψ_j为车辆j的相对平均速率，C_j为车辆j的资源能力，D_j为车辆j的相邻节点度；

(3b)设应用请求数量为N，N≥2，应用请求的一种车联网云系统资源分配结果用一个染色体表示，第t代父代种群P_t中包含的染色体数量为N_pop，N_pop∈[40,100]且为偶数，每个染色体有N个基因位e₁,…,e_i,…,e_N，e_i∈{0,1,…,p,…M}，p＝0表示将中心云的资源分配给应用请求i，p＝1,…,M表示将车辆p的资源分配给应用请求i，通过MF_j计算p的概率P_p，根据P_p确定每个染色体的每个基因位的值，N_pop个染色体组成第t代父代种群P_t，其中，P_p的计算公式为：

其中，为MF₁,…,MF_j,…,MF_M的平均值，MF_p为车辆p的匹配因子；

(4)获取第t代子代种群Q_t：

(4a)对第t代父代种群P_t的染色体两两组合，得到对染色体，并对每对染色体中的两个染色体相同位置上的基因位片段进行交叉，得到交叉后的父代种群；

(4b)对交叉后的父代种群中每个染色体的每个基因位进行变异，得到第t代子代种群Q_t；

(5)对第t代父代种群P_t和第t代子代种群Q_t进行合并，得到第t代合并后的种群R_t，R_t＝P_t+Q_t；

(6)获取第t+1代父代种群P_t+1：

根据多目标优化模型的约束条件，计算R_t中每个染色体的目标函数值，并采用精英策略，通过R_t中每个染色体的目标函数值获取第t+1代父代种群P_t+1；

(7)获取应用请求的资源分配结果：

判断迭代次数t是否等于最大进化代数t_max，若是，将第t+1代父代种群P_t+1中的染色体作为应用请求的资源分配结果，否则，令t＝t+1，执行步骤(4)。

本发明与现有技术相比，具有以下优点：

第一，本发明在建立多目标模型的约束条件时，根据车辆的位置信息及速率，预测应用请求发出的车辆与其他车辆之间连接的持续时间，考虑了车辆之间传输时间约束，避免选择持续时间短的车辆作为资源提供者，与现有技术忽略由车辆移动性导致的车辆之间连接频繁中断相比，能够有效地降低应用请求的阻塞率。

第二，本发明在建立多目标模型的目标函数时，将最小化阻塞率和最小化成本作为目标函数，与现有技术考虑单目标相比，在降低阻塞率的同时能够满足成本要求。

第三，本发明在获取应用请求的资源分配结果时，通过计算每辆车的匹配因子获取第0代父代种群P₀，即初始父代种群，根据每辆车的匹配因子计算每辆车被选择作为资源提供者的概率，根据计算出的概率获取初始父代种群，与现有技术随机生成初始父代种群相比，能够进一步降低应用请求的阻塞率。

附图说明

图1为本发明的实现总流程图；

图2为本发明采用的染色体的编码示意图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细描述：

参照图1，本发明的实现步骤如下：

步骤1)建立多目标优化模型：

建立包括目标函数和约束条件的多目标优化模型，其中目标函数包括最小化阻塞率f₁和最小化成本f₂，约束条件包括应用请求资源约束g₁、每辆车的资源约束g₂、车辆云总资源约束g₃、车辆之间传输时间约束g₄、车辆云处理的响应时间约束g₅、中心云处理的响应时间约束g₆和资源大小约束g₇，定义分别为：

其中，N为应用请求数量，为中心云成功处理的应用请求的数量，为车辆云成功处理的应用请求的数量，为在中心云处理的应用请求i的上传资源大小和回传资源大小，γ_cc为中心云的传输速率，为应用请求在中心云中处理的成本，为在车辆云处理的请求i的上传资源大小和回传资源大小，γ_vc为车辆云的传输速率，为应用请求在车辆云中处理的成本；

应用请求资源约束g₁的定义为：

每辆车的资源约束g₂的定义为：

车辆云总资源约束g₃的定义为：

车辆之间传输时间约束g₄的定义为：

车辆云处理的响应时间约束g₅的定义为：

中心云处理的响应时间约束g₆的定义为：

资源大小约束g₇的定义为：

其中，为应用请求i所占用车辆j的资源大小，为车辆j的可利用资源大小，为在车辆云中处理的应用请求i所需要的资源大小，M为车辆数量，为车辆云中给应用请求分配1个单位资源时的服务率，τ_vc为将应用请求分配到车辆云时路边单元的处理时间，d_i为应用请求i的响应时间，为在中心云中处理的应用请求i所需要的计算资源大小，为中心云中给应用请求分配1个单位资源时的服务率，τ_cc为将应用请求分配到中心云时路边单元的处理时间，t_j为车辆j与发出应用请求的车辆之间连接的持续时间，按如下公式计算：

其中，为车辆i与车辆j当前时刻的距离，为车辆i在当前时刻的位置信息，为车辆j在当前时刻的位置信息，v_j为车辆j当前时刻的速率，v_i为车辆i当前时刻的速率，α为速率变化系数，Δv_j为车辆j的速率变化量，Δv_i为车辆i的速率变化量，s为t_j时间后两车之间的距离，s＝300米。

步骤2)设定迭代次数和最大迭代次数：

设迭代次数为t，并初始化t＝0，设最大迭代次数为t_max。

步骤3)获取第t代父代种群P_t：

参照图2，本步骤的具体实现如下：

(3a)设车辆数量为M，M≥2，计算每辆车的匹配因子MF₁,…,MF_j,…M,F_M，MF_j表示车辆j的匹配因子：

MF_j＝γ₁ψ_j+γ₂C_j+γ₃D_j

其中，γ_i为权重系数，ψ_j为车辆j的相对平均速率，C_j为车辆j的资源能力，D_j为车辆j的相邻节点度，定义分别为：

其中，ψ_j为车辆j的相对平均速率，n_sam为车辆速率的样本数量，为车辆j的第i个样本速率值，μ_neigh为车辆j所有相邻车辆的平均速率，为车辆j的相邻节点的数量，按如下公式计算：

其中，Δv表示速率门限值，num{·}表示满足条件的车辆的数量。

(3b)设应用请求数量为N，N≥2，应用请求的一种车联网云系统资源分配结果用一个染色体表示，第t代父代种群P_t中包含的染色体数量为N_pop，N_pop∈[40,100]且为偶数，每个染色体有N个基因位e₁,…,e_i,…,e_N，e_i∈{0,1,…,p,…M}，p＝0表示将中心云的资源分配给应用请求i，p＝1,…,M表示将车辆p的资源分配给应用请求i，通过MF_j计算p的概率P_p，根据P_p确定每个染色体的每个基因位的值，得到基因位的值确定的染色体，N_pop个染色体组成第t代父代种群P_t，其中，P_p的计算公式为：

其中，为MF₁,…,MF_j,…,MF_M的平均值，MF_p为车辆p的匹配因子；

对染色体进行编码，其结构如图2所示，染色体有N个基因位e₁,…,e_i,…,e_N，其中第一个基因位e₁的基因值为2，表示将第2辆车的资源分配给第1个应用请求，第二个基因位e₂的基因值为0，表示将中心云的资源分配给第2个应用请求，第i个基因位e_i的基因值为4，表示将第4辆车的资源分配给第i个应用请求，第N个基因位e_N的基因值为3，表示将第3辆车的资源分配给第N个应用请求。

步骤4)获取第t代子代种群Q_t：

(4a)对第t代父代种群P_t的染色体两两组合，得到对染色体，并对每对染色体中的两个染色体相同位置上的基因位片段进行交叉，得到交叉后的父代种群；

(4a1)根据多目标优化模型的约束条件，计算P_t中每个染色体的目标函数值，根据每个染色体的目标函数值，计算每个染色体的适应度，其中，染色体i的适应度fitness(i)按如下公式计算：

其中，fitness_k(i)为染色体i的第k个适应度，按如下公式计算：

其中，f_k(i)为染色体i的第k个目标函数值。

(4a2)根据每个染色体的适应度，计算每个染色体被选择的概率，其中，染色体i被选择的概率P_i按如下公式计算：

(4a3)将P_t中所有染色体编号，根据每个染色体被选择的概率，每次从P_t中选择两个染色体组成一对，记录对应的编号，采用有放回抽样的方式，选择次，得到对染色体编号，将得到对染色体编号对应的染色体从P_t中取出，得到对染色体；

(4a4)产生一个(0,1)之间的随机数，若该随机数小于设定的交叉概率P_c，随机选择一个基因位e_i，将每对染色体中的两个染色体的基因位片段e_i,…,e_N进行交叉，得到交叉后的染色体，否则两个染色体保持不变，交叉后的染色体和保持不变的染色体组成交叉后的父代种群，其中，交叉概率P_c按如下公式计算：

其中，a₁为0～1的常数，a₂为0～1的常数，为第k个适应度的最大值，为第k个适应度的平均值，β_k为权重系数，

(4b)对交叉后的父代种群中每个染色体的每个基因位进行变异，得到第t代子代种群Q_t：

(4b1)计算P_t中所有染色体目标函数值之间的差异程度D_g，计算公式为：

其中，为所有染色体的第k个目标函数值的平均值，为所有染色体的第k个目标函数值的最大值，α_k为权重系数，当目标函数值之间的差异程度满足D_g＜D_thr，D_thr为门限值，D_thr∈(0,1)，即差异程度较小时，取P_m∈[0.01,0.1]；当目标函数值之间的差异程度满足D_g≥D_thr，即差异程度较大时，取P_m∈[0.001,0.01]。

(4b2)对交叉后的父代种群中每条染色体的每个基因位，产生一个(0,1)之间的随机数，若该随机数小于变异概率P_m，将该基因位的值变为其他可选值，每个可选值被选择的概率相等，否则基因位的值不变，得到变异后的染色体，组成第t代子代种群Q_t。

步骤5)对第t代父代种群P_t和第t代子代种群Q_t进行合并，得到第t代合并后的种群R_t，R_t＝P_t+Q_t；

步骤6)获取第t+1代父代种群P_t+1：

(6a)对R_t中的所有染色体进行非支配排序，得到q个非支配前沿面F₁,…,F_l,…,F_q，F_l为第l个非支配前沿面，然后计算非支配前沿面F₁,…,F_l,…,F_q中的染色体数量n₁,…,n_l,…,n_q：

(6a1)根据多目标优化模型的约束条件，计算R_t中每个染色体的目标函数值；

(6a2)根据R_t中每个染色体的目标函数值，计算每个染色体被支配的染色体的数量，选择被支配的染色体的数量为0的染色体组成非支配前沿面F₁，将F₁中的所有染色体从R_t中除去；

(6a3)令l＝2；

(6a4)根据R_t中剩下的染色体的目标函数值，对R_t中剩下的染色体计算每个染色体被支配的染色体的数量，选择被支配的染色体的数量为0的染色体组成非支配前沿面F_l，将F_l中的所有染色体从R_t中除去；

(6a5)令l＝l+1，执行步骤(6a4)，直到R_t中的染色体数量为0，得到q个非支配前沿面F₁,…,F_l,…,F_q；

(6a6)计算非支配前沿面F₁,…,F_l,…,F_q中的染色体数量n₁,…,n_l,…,n_q；

(6b)令l＝1；

(6c)判断n_l+…+n₁＝N_pop是否成立，若是，将F_l中的染色体作为第t+1代父代种群P_t+1的染色体，组成第t+1代父代种群P_t+1，否则，执行步骤(6d)；

(6d)判断n_l+…+n₁＜N_pop，且n_l+1+n_l+…+n₁＞N_pop是否满足，若是，计算F_l+1中每个染色体的拥挤距离 为第i个染色体的拥挤距离，并按照从大到小的顺序对计算出的拥挤距离进行排序，选取前N_pop-(n_l+…+n₁)个拥挤距离对应的染色体和F₁,…,F_l中的所有染色体作为第t+1代父代种群P_t+1的染色体，组成第t+1代父代种群P_t+1，否则，令l＝l+1，并执行步骤(6c)，其中，按如下公式计算：

其中，m为目标函数的数量，f_k(i)为第i个染色体的第k个目标函数值，f_k(i+1)为第i+1个染色体的第k个目标函数值，f_k(i-1)为第i-1个染色体的第k个目标函数值，为第k个目标函数的最大值，为第k个目标函数的最小值。

步骤7)获取应用请求的资源分配结果：

判断迭代次数t是否等于最大进化代数t_max，若是，将第t+1代父代种群P_t+1中的染色体作为应用请求的资源分配结果，否则，令t＝t+1，执行步骤(4)。

Claims (4)

1.一种基于多目标遗传算法的车联网云系统资源分配方法，其特征在于，包括如下步骤：

(1)建立多目标优化模型：

建立包括目标函数和约束条件的多目标优化模型，其中目标函数包括最小化阻塞率f₁和最小化成本f₂，约束条件包括应用请求资源约束g₁、每辆车的资源约束g₂、车辆云总资源约束g₃、车辆之间传输时间约束g₄、车辆云处理的响应时间约束g₅、中心云处理的响应时间约束g₆和资源大小约束g₇；

(2)设定迭代次数和最大迭代次数：

设迭代次数为t，并初始化t＝0，设最大迭代次数为t_max；

(3)获取第t代父代种群P_t：

(3a)设车辆数量为M，M≥2，计算每辆车的匹配因子MF₁,…,MF_j,…,MF_M，MF_j表示车辆j的匹配因子：

MF_j＝γ₁ψ_j+γ₂C_j+γ₃D_j

其中，γ_i为权重系数，ψ_j为车辆j的相对平均速率，C_j为车辆j的资源能力，D_j为车辆j的相邻节点度；

(3b)设应用请求数量为N，N≥2，应用请求的一种车联网云系统资源分配结果用一个染色体表示，第t代父代种群P_t中包含的染色体数量为N_pop，N_pop∈[40,100]且为偶数，每个染色体有N个基因位e₁,…,e_i,…,e_N，e_i∈{0,1,…,p,…M}，p＝0表示将中心云的资源分配给应用请求i，p＝1,…,M表示将车辆p的资源分配给应用请求i，通过MF_j计算p的概率P_p，根据P_p确定每个染色体的每个基因位的值，N_pop个染色体组成第t代父代种群P_t，其中，P_p的计算公式为：

其中，为MF₁,…,MF_j,…,MF_M的平均值，MF_p为车辆p的匹配因子；

(4)获取第t代子代种群Q_t：

(4a)对第t代父代种群P_t的染色体两两组合，得到对染色体，并对每对染色体中的两个染色体相同位置上的基因位片段进行交叉，得到交叉后的父代种群；

(4b)对交叉后的父代种群中每个染色体的每个基因位进行变异，得到第t代子代种群Q_t；

(5)对第t代父代种群P_t和第t代子代种群Q_t进行合并，得到第t代合并后的种群R_t，R_t＝P_t+Q_t；

(6)获取第t+1代父代种群P_t+1：

根据多目标优化模型的约束条件，计算R_t中每个染色体的目标函数值，并采用精英策略，通过R_t中每个染色体的目标函数值获取第t+1代父代种群P_t+1；

(7)获取应用请求的资源分配结果：

判断迭代次数t是否等于最大进化代数t_max，若是，将第t+1代父代种群P_t+1中的染色体作为应用请求的资源分配结果，否则，令t＝t+1，执行步骤(4)。

2.根据权利要求1所述的基于多目标遗传算法的车联网云系统资源分配方法，其特征在于，步骤(1)中所述的目标函数，其中的最小化阻塞率f₁和最小化成本f₂，所述的约束条件，其中的应用请求资源约束g₁、每辆车的资源约束g₂、车辆云总资源约束g₃、车辆之间传输时间约束g₄、车辆云处理的响应时间约束g₅、中心云处理的响应时间约束g₆和资源大小约束g₇的表达式分别为：

其中，N为应用请求数量，为中心云成功处理的应用请求的数量，为车辆云成功处理的应用请求的数量，为在中心云处理的应用请求i的上传资源大小和回传资源大小，γ_cc为中心云的传输速率，为应用请求在中心云中处理的成本，为在车辆云处理的请求i的上传资源大小和回传资源大小，γ_vc为车辆云的传输速率，为应用请求在车辆云中处理的成本；

应用请求资源约束g₁的定义为：

每辆车的资源约束g₂的定义为：

车辆云总资源约束g₃的定义为：

车辆之间传输时间约束g₄的定义为：

车辆云处理的响应时间约束g₅的定义为：

中心云处理的响应时间约束g₆的定义为：

资源大小约束g₇的定义为：

其中，为应用请求i所占用车辆j的资源大小，为车辆j的可利用资源大小，为在车辆云中处理的应用请求i所需要的资源大小，M为车辆数量，为车辆云中给应用请求分配1个单位资源时的服务率，τ_vc为将应用请求分配到车辆云时路边单元的处理时间，d_i为应用请求i的响应时间，为在中心云中处理的应用请求i所需要的计算资源大小，为中心云中给应用请求分配1个单位资源时的服务率，τ_cc为将应用请求分配到中心云时路边单元的处理时间，t_j为车辆j与发出应用请求的车辆之间连接的持续时间，按如下公式计算：

其中，为车辆i与车辆j当前时刻的距离，为车辆i在当前时刻的位置信息，为车辆j在当前时刻的位置信息，v_j为车辆j当前时刻的速率，v_i为车辆i当前时刻的速率，α为速率变化系数，Δv_j为车辆j的速率变化量，Δv_i为车辆i的速率变化量，s为t_j时间后两车之间的距离，s＝300米。

3.根据权利要求1所述的基于多目标遗传算法的车联网云系统资源分配方法，其特征在于，步骤(3a)中所述的第j辆车的匹配因子MF_j，其中的ψ_j、C_j和D_j的定义分别为：

其中，ψ_j为车辆j的相对平均速率，n_sam为车辆速率的样本数量，为车辆j的第i个样本速率值，μ_neigh为车辆j所有相邻车辆的平均速率，为车辆j的相邻节点的数量，按如下公式计算：

其中，Δv表示速率门限值，num{·}表示满足条件的车辆的数量。

4.根据权利要求1所述的基于多目标遗传算法的车联网云系统资源分配方法，其特征在于，步骤(6)中所述的获取第t+1代父代种群P_t+1，实现步骤为：

(6a)对R_t中的所有染色体进行非支配排序，得到q个非支配前沿面F₁,…,F_l,…,F_q，F_l为第l个非支配前沿面，然后计算非支配前沿面F₁,…,F_l,…,F_q中的染色体数量n₁,…,n_l,…,n_q；

(6b)令l＝1；

(6c)判断n_l+…+n₁＝N_pop是否成立，若是，将F_l中的染色体作为第t+1代父代种群P_t+1的染色体，组成第t+1代父代种群P_t+1，否则，执行步骤(6d)；

(6d)判断n_l+…+n₁＜N_pop，且n_l+1+n_l+…+n₁＞N_pop是否满足，若是，计算F_l+1中每个染色体的拥挤距离为第i个染色体的拥挤距离，并按照从大到小的顺序对计算出的拥挤距离进行排序，选取前N_po_p-(n_l+…+n₁)个拥挤距离对应的染色体和F₁,…,F_l中的所有染色体作为第t+1代父代种群P_t+1的染色体，组成第t+1代父代种群P_t+1，否则，令l＝l+1，并执行步骤(6c)，其中，按如下公式计算：

其中，f_k(i)为第i个染色体的第k个目标函数值，f_k(i+1)为第i+1个染色体的第k个目标函数值，f_k(i-1)为第i-1个染色体的第k个目标函数值，为第k个目标函数的最大值，为第k个目标函数的最小值。