CN109862535A - 基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法 - Google Patents

Abstract

基于模拟退火粒子群算法的路边单元RSU非全覆盖优化部署的方法，利用通信半径大于路面宽度的路边单元等间距部署实现对整个道路的非全面覆盖，目标车辆在非覆盖区域内行驶时依靠自身的惯性导航模块来实现定位功能，并根据基于距离间隔的累积误差来推导出整个非覆盖区域内的累计定位误差；通过几何精度因子GDOP来评价非覆盖区域内定位误差性能,由此推导出GDOP在整个非覆盖区域内的目标函数，然后利用基于模拟退火粒子群算法给出整个道路系统的定位误差的适应度值以判断部署性能；将通信半径大于路面宽度的路边单元等间距部署在整个道路路面上并处于车道中央，实现非全面覆盖。

Description

基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法

技术领域

本发明提出一种基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，适用于中等规模的路边单元(Roadside Unit,RSU)非全覆盖优化部署，属于无线通信的技术领域。

背景技术

在车辆自组织网络中，行车用户端可以同过多种通信方式来建立网络连接，例如车辆到车辆通信(Vehicle to Vehicle,V2V)、车辆到基础设施通信(Vehicle toInfrastructure,V2I)等，以实现相应的应用服务。而这些应用的目的是为了提高整个交通系统的输运效率以及满足用户对出行的便捷性和安全性的需求。在车路协同的通信方式中都需要RSU的参与，并且与RSU的部署问题如覆盖范围、部署密度和位置坐标都息息相关。从道路管理者角度来说必须要考虑整个道路系统的运维成本，因此RSU优化部署问题也是具有相当重要的研究意义。在市场中RSU的购买单价会非常昂贵，而且道路网络的连通性能并不随RSU的部署数量的增加而无限制的提高，因此在固定的预算或成本制约下，在整个车辆网络中如何解决用最少的RSU实现道路的最优覆盖是非常具有挑战性的，且在研究领域中越来越受到关注。

在所提出的部署方法中，我们将部署问题划分为三部分：(a)当车辆行驶在道路的非覆盖区域时,我们将精确分析当车辆利用惯性导航时的累积误差估计，并以车辆的定位误差为标准来确定非全覆盖区域(Non-full Coverage Area,NCA)的边界。(b)当确定NCA范围后，将RSU的覆盖范围近似成圆环并制定在道路系统中的覆盖策略，再通过几何精度因子(Geometric Dilution of Precision,GDOP)方法将整个非覆盖区域的道路系统抽象成定位误差的评价标准，并给出对应的约束条件以及相关的问题的目标函数。(c)采用基于模拟退火的粒子群优化算法来最小化RSU优化部署的目标函数，当目标函数取得最小值时的解即为路边单元优化部署的最优/近最优部署方案。

发明内容

本发明目的是，提供一种基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法。该方法能够针对特定路段或应用场景利用GDOP和启发式算法提供基于一层覆盖的RSU最优部署，在对于车辆定位精度在安全阈值内时，所提出的路边单元优化部署方法相比Vehicular Ad-hoc Network(VANET)中全覆盖方案而言，提出考虑车辆定位精度需求，在道路系统的非全覆盖前提下融合行驶车辆的速度分量实现最优RSU部署。

技术方案：为解决上述技术问题，本发明提供了一种基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，具有目标函数适应度值的全局寻优效果；

在车用自组织网络中采用基于模拟退火粒子群算法的路边单元(RSU)非全覆盖优化部署的方法，利用通信半径大于路面宽度的路边单元等间距部署实现对整个道路的非全面覆盖，目标车辆在非覆盖区域内行驶时依靠自身的惯性导航模块来实现定位功能，并根据基于距离间隔的累积误差来推导出整个非覆盖区域内的累计定位误差；通过几何精度因子来评价非覆盖区域内定位误差性能,由此推导出GDOP在整个非覆盖区域内的目标函数，然后利用基于模拟退火粒子群算法给出整个道路系统的定位误差的适应度值以判断部署性能；

包括如下步骤：

(1)将通信半径大于路面宽度的路边单元等间距部署在整个道路路面上并处于车道中央，实现非全面覆盖；

(2)目标车辆循序驶入驶出非覆盖区域，当其在RSU的通信半径内时其定位误差可以视为一个很小的定值；

(3)当目标车辆驶入道路的非覆盖区域时依靠车载(Inertial NavigationSystem,INS)模块实现定位，再计算其在非覆盖区域内行驶的累积误差，不同方向的表达式可以表示为Δt为采样估计的时间间隔，ex_tn为x方向的t_n时刻的估计误差，ey_tn为y方向的t_n时刻的估计误差，都服从N(m,δ²)的正态分布；

(4)利用GDOP来计算基于距离间隔的累积误差的映射关系，在x方向上GDOP关于距离采样间格Δl的表达式为不计y方向的GDOP，为x方向的速度真值，，生成用于优化的目标函数；

(5)融合车辆行驶方向的速度分量，求出车辆在整个非覆盖区域内的目标函数；

(6)采用基于模拟退火的粒子群算法来求解此目标函数，生成关于距离间隔的适应度值函数；

(7)重复步骤(3)-(6)，依据目标函数的适应度值的选择标准来获取以车辆定位精度最优的RSU部署拓扑结构。

路边单元的部署位置依据道路宽度和路边单元的通信半径来确定，以实现单个RSU部署的覆盖最大化。根据摘要附图所示，当相邻RSU的覆盖半径相交于路边时即为道路的一重全覆盖，当RSU位于路面中央时间距最远即为最优的一重全覆盖，沿x方向水平等间距平移RSU的位置，意义是可以实现道路的优化非全覆盖，是道路中出现相邻RSU不相交的非覆盖区域；

当车辆行驶在该道路系统内时采用混合定位模式，当车辆行驶于RSU的覆盖范围内时，其定位服务由RSU提供，定位误差可以视为一个很小的定值。而当车辆位于非覆盖区域内时，其定位方法是由车载定位模块实现，会产生累积误差，因此必须优化RSU的部署结构。

利用几何精度因子GDOP来评价车辆在非覆盖区域内的定位性能，并生成出GDOP在整个非覆盖区域内与行驶累积定位误差相关的目标函数，此目标函数融合了车辆的行驶速度分量和惯导产生的定位误差。

利用基于模拟退火的粒子群算法来生成道路系统中路边单元部署结构的适应度值已确定关于定位精度的部署效果，该启发式算法的优势在于混合的模拟退火粒子群算法属于一种新型的进化计算技术，能够有效克服标准(Particle Swarm Optimization,PSO)算法中粒子在解空间内搜索最优解时出现的震荡现象，在该算法中还引入压缩因子来保证搜索过程的收敛性以及消除粒子群速度边界的限制，并且在本算法中对每次寻优迭代的搜索结果都有记忆功能，能够进一步提高搜索全局最优解的效率。

本发明提供一种基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法。通过具有通信功能的路边单元实现对道路系统的间断性覆盖，目标车辆在非覆盖区域内行驶时依靠自身的惯性导航模块来实现定位功能，并根据基于距离间隔的累积误差来推导出整个非覆盖区域内的累计定位误差；通过几何精度因子(GDOP)来评价非覆盖区域内定位误差性能,再由此推导出GDOP在整个非覆盖区域内的目标函数，然后再利用基于模拟退火粒子群算法给出整个道路系统的定位误差的适应度值以判断部署性能或执行相应部署策略。

在车用自组织网络(Vehicular Ad-hoc Networks,VANET)中基于模拟退火粒子群算法的路边单元(Roadside Unit,RSU)非全覆盖优化部署方法，其目标是为了在整个道路系统的构建成本和车辆对行驶过程中定位精度的需求之间获得最佳均衡，即当车辆的定位精度为一个安全阈值时，RSU的部署数量达到最少。利用当车辆行驶在道路的非覆盖区域时的基于惯性导航(Inertial Navigation System,INS)的累积误差估计，并参考RSU的覆盖半径来制定其在道路中的部署模型。由于在VANET中寻求RSU优化部署的最优解是一个NP-hard问题，利用几何精度因子(Geometric Dilution of Precision,GDOP)来推出非覆盖区域内定位误差性能的对象函数，再通过基于模拟退火的粒子群算法来求解RSU优化部署的问题。

有益效果：本发明利用在VANET中采用基于模拟退火粒子群算法的路边单元非全覆盖的优化部署。该部署方法针对道路的非全覆盖来实现以车辆精确定位为目标的RSU优化部署方案。在该方法中主要从RSU部署模式和车辆在非覆盖区域中的行驶速度两个方面来研究整个道路系统的定位性能，当RSU具有相同通信半径时，可将其置于道路中央来获得最大的部署间距，以减少RSU的数目和部署成本。还通过仿真结果比较了不同速度及其变化在整个道路系统中对由GDOP产生的对象函数的影响，并以此来评价道路系统的定位性能，根据全局寻优结果当车辆在NCA中的行驶速度越高则越能提高整个非全覆盖道路系统的定位性能和鲁棒性，能够有效解决中等规模的道路系统非全覆盖最优部署的问题，这很符合高速公路的行车场景或车流稀疏的郊区道路。

附图说明

图1是非覆盖区域中的车辆行驶状态。

图2是基于模拟退火粒子群算法的迭代流程。

具体实施方式

本方法可以为在车辆定位满足应用需求的情况下，实现基于非全覆盖的RSU优化部署方法，假定道路中系统在车道中央或隔离带中已经预先部署了路边节点单元,且这些路边单元集合的通信距离能够覆盖整段道路的路面宽度，对于车辆来说这些路边单元的位置信息是已知的，并且假定车辆在覆盖区域内行驶时的定位误差是一个很小的定值。目标车辆在非覆盖区域内行驶时依靠自身的惯性导航模块来实现定位功能，并根据基于距离间隔的累积误差来推导出整个非覆盖区域内的累计定位误差；通过几何精度因子来评价非覆盖区域内定位误差性能,由此推导出GDOP在整个非覆盖区域内的目标函数，然后利用基于模拟退火粒子群算法给出整个道路系统的定位误差的适应度值。

具体步骤：

(1)将通信半径大于路面宽度的路边单元等间距部署在整个道路路面上并处于车道中央，实现非全面覆盖；

(2)目标车辆循序驶入驶出非覆盖区域，当其在RSU的通信半径内时其定位误差可以视为一个很小的定值；

(3)当目标车辆驶入道路的非覆盖区域时依靠车载INS模块实现定位，再计算其在非覆盖区域内行驶的累积误差；

(4)利用GDOP来计算基于距离间隔的累积误差的映射关系，用于生成用于优化的目标函数；

(5)融合车辆行驶方向的速度分量，求出车辆在整个非覆盖区域内的目标函数；

(6)采用基于模拟退火的粒子群算法来求解此目标函数，生成关于距离间隔的适应度值函数；

(7)重复步骤(3)-(6)，依据目标函数的适应度值的选择标准来获取以车辆定位精度最优的RSU部署拓扑结构。

所述路边单元的部署位置是依据道路宽度和路边单元的通信半径来确定，以实现单个RSU部署的覆盖最大化。根据摘要附图所示，当相邻RSU的覆盖半径相交于路边时即为道路的一重全覆盖，当RSU位于路面中央时间距最远即为最优的一重全覆盖，通过平移RSU的位置可以实现道路的最优非全覆盖；

当车辆行驶在该道路系统内时采用混合定位模式，当车辆行驶于RSU的覆盖范围内时，其定位服务由RSU提供，定位误差可以视为一个很小的定值。而当车辆位于非覆盖区域内时，其定位方法是由车载定位模块实现，会产生累积误差，因此必须优化RSU的部署结构。

利用几何精度因子GDOP来评价车辆在非覆盖区域内的定位性能，并生成出GDOP在整个非覆盖区域内与行驶累积定位误差相关的目标函数，此目标函数融合了车辆的行驶速度分量和惯导产生的定位误差。

利用基于模拟退火的粒子群算法来生成道路系统中路边单元部署结构的适应度值已确定关于定位精度的部署效果，该启发式算法的优势在于混合的模拟退火粒子群算法属于一种新型的进化计算技术，能够有效克服标准PSO算法中粒子在解空间内搜索最优解时出现的震荡现象，在该算法中还引入压缩因子来保证搜索过程的收敛性以及消除粒子群速度边界的限制，并且在本算法中对每次寻优迭代的搜索结果都有记忆功能，能够进一步提高搜索全局最优解的效率。

结合附图，对本发明方案设计作进一步的具体分析和描述。

在本段中对上摘要附图中的整个道路建立平面二维坐标系，以左下角的顶点为原点(0,0)，以右上角的顶点(T,W)为边界，T为道路的整体长度。目标车辆的位置累积估计误差的生成方式可以为，取NCA中某一实际位置真值P(x,y)处，则它的累计估计位置为P(x,y)，设t时刻x方向和y方向的估计速度分别为：

在公式(1)中,为x、y方向的速度真值，为服从正态分布的速度估计误差N(m,δ²)，Δt为累积采样的时间间隔且假设在该时间段内车辆作匀速行驶，即速度不变，则t₁时刻x、y方向的估计位置为：

在公式(2)中，为x、y方向t₁时刻的位置真值，x₀、y₀为车辆进入NCA时的起始位置，则t_N时刻x、y方向的估计位置可由下式给出：

由上式(3)可得x、y方向上的在t₀～t_N时间段内的累积误差，并且令为速度真值，Δl为对应时间间隔的距离长度

在公式(4)中e_x、e_y均服从N(NmΔt,Nδ²Δt²)的正态分布。

此外采用几何精度因子来求解NCA区域内沿道路直线方向的长度L对车辆定位精度的影响。GDOP已经越来越多的应用于无线传感网络来衡量网络的定位性能，其表达式可以定义为

在公式(5)中分别为x、y方向上的位置估计误差的方差，且令t_l时刻时的方差为

假设车辆沿道路直线行驶不计y方向速度分量的影响，则可以得出x方向上GDOP关于Δl的映射关系

由公式(6)可以推导出GDOP在整个NCA区域内的目标函数

在上式中，N为NCA区域内的时间间隔数，当在NCA区域内取得极小值时，则目标车辆在NCA区域内利用航位推算方法产生的估计误差对车辆定位精度的影响就越小，这意味着RSU覆盖将会形成一个车辆定位精度最优的部署拓扑结构。

在该部署方法中采用基于模拟退火(SA)的粒子群优化(PSO)算法来搜索整条道路区域内RSU部署的最优解，SA是基于轨迹位置的寻优算法,类似于凝聚态物理中用退火方法来处理晶格缺陷，使得整块半导体材料处于有序状态。PSO是一种基于种群的随机优化算法，该混合SAPSO属于一种新型的进化计算技术，能够有效克服标准PSO算法中粒子在解空间内搜索最优解时出现的震荡现象，在该算法中还引入压缩因子来保证搜索过程的收敛性以及消除粒子群速度边界的限制。带压缩因子的PSO的位置与速度状态更新公式如下

v(k+1)＝χ[v(k)+c₁r₁(pg(k)-x(k))+c₂r₂(po(k)-x(k))] (8)

x(k+1)＝x(k)+v(k+1) (9)

在公式(8)中c₁、c₂为学习因子，pg为粒子的最优解，po为粒子群的全局最优解，r₁、r₂为(0，1)上的伪随机数，po可由pg中的个体最优值来替换，压缩因子χ由下式表示

粒子的最优解pg被选为全局最优解的概率为f()为待优化的目标函数，i的取值范围为粒子群的总数目[1,...,N]。由此方法解出中等规模RSU部署最优拓扑结构的适应度值，并执行相应的部署策略。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.在车用自组织网络中采用基于模拟退火粒子群算法的路边单元RSU非全覆盖优化部署的方法，其特征在于：利用通信半径大于路面宽度的路边单元等间距部署实现对整个道路的非全面覆盖，目标车辆在非覆盖区域内行驶时依靠自身的惯性导航模块来实现定位功能，并根据基于距离间隔的累积误差来推导出整个非覆盖区域内的累计定位误差；通过几何精度因子GDOP来评价非覆盖区域内定位误差性能,由此推导出GDOP在整个非覆盖区域内的目标函数，然后利用基于模拟退火粒子群算法给出整个道路系统的定位误差的适应度值以判断部署性能；

包括如下步骤：

(1)将通信半径大于路面宽度的路边单元等间距部署在整个道路路面上并处于车道中央，实现非全面覆盖；

(2)目标车辆循序驶入驶出非覆盖区域，当其在RSU的通信半径内时其定位误差视为一个很小的定值；

(3)当目标车辆驶入道路的非覆盖区域时依靠车载(Inertial Navigation System,INS)模块实现定位，再计算其在非覆盖区域内行驶的累积误差，不同方向的表达式可以表示为Δt为采样估计的时间间隔，ex_tn为x方向的t_n时刻的估计误差，ey_tn为y方向的t_n时刻的估计误差，都服从N(m,δ²)的正态分布；

(4)利用GDOP来计算基于距离间隔的累积误差的映射关系，在x方向上GDOP关于距离采样间格Δl的表达式为不计y方向的GDOP，为x方向的速度真值，生成用于优化的目标函数；

(5)融合车辆行驶方向的速度分量,求出车辆在整个非覆盖区域内的目标函数；

(6)采用基于模拟退火的粒子群算法来求解此目标函数，生成关于距离间隔的适应度值函数；

(7)重复步骤(3)-(6)，依据目标函数的适应度值的选择标准来获取以车辆定位精度最优的RSU部署拓扑结构。

所述基于模拟退火粒子群算法的路边单元部署方法能够有效解决中等规模的道路系统非全覆盖最优部署的问题。

2.根据权利要求1所述的基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，其特征在于：路边单元的部署位置依据道路宽度和路边单元的通信半径来确定，以实现单个RSU部署的覆盖最大化；当相邻RSU的覆盖半径相交于路边时即为道路的一重全覆盖，当RSU位于路面中央时间距最远即为最优的一重全覆盖，沿x方向水平等间距平移RSU的位置，实现道路的优化非全覆盖，是指道路中出现相邻RSU不相交的非覆盖区域。

3.根据权利要求1所述的基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，其特征在于：当车辆行驶在该道路系统内时采用混合定位模式，当车辆行驶于RSU的覆盖范围内时，其定位服务由RSU提供，定位误差可以视为一个很小的定值；而当车辆位于非覆盖区域内时，其定位方法是由车载定位模块实现，会产生累积误差，因此必须优化RSU的部署结构。

4.根据权利要求1所述的基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，其特征在于：利用几何精度因子GDOP来评价车辆在非覆盖区域内的定位性能，并生成出GDOP在整个非覆盖区域内与行驶累积定位误差相关的目标函数，此目标函数融合了车辆的行驶速度分量和惯导产生的定位误差。

5.根据权利要求1所述的基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，其特征在于：利用基于模拟退火的粒子群算法来生成道路系统中路边单元部署结构的适应度值已确定关于定位精度的部署效果，该启发式算法的优势在于混合的模拟退火粒子群算法属于一种新型的进化计算技术，能够有效克服标准PSO算法中粒子在解空间内搜索最优解时出现的震荡现象，在该算法中还引入压缩因子来保证搜索过程的收敛性以及消除粒子群速度边界的限制，并且在本算法中对每次寻优迭代的搜索结果都有记忆功能，能够进一步提高搜索全局最优解的效率。

6.根据权利要求2至5之一所述的基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法，其特征在于：

对整个道路建立平面二维坐标系，以左下角的顶点为原点(0,0)，以右上角的顶点(T,W)为边界，T为道路的整体长度；采用几何精度因子来求解非全覆盖区域(Non-fullCoverage Area,NCA)区域内沿道路直线方向的长度L对车辆定位精度的影响，其表达式定义为

在公式(1)中分别为x、y方向上的位置估计误差的方差，δ²为t_n时刻的估计误差的估计方差，且令t_l时刻时的方差为假设车辆沿道路直线行驶不计y方向速度分量的影响，令 为速度真值，Δl为对应采样时间间隔的距离长度，则得出x方向上GDOP关于Δl的映射关系

由公式(2)推导出GDOP在整个NCA区域内的目标函数，为x方向的速度真值；

在上式中，N为NCA区域内的时间间隔数，当在NCA区域内取得极小值时，则目标车辆在NCA区域内利用航位推算(DeadReckoning,DR)产生的估计误差对车辆定位精度的影响就越小，这意味着RSU覆盖将会形成一个车辆定位精度最优的部署拓扑结构；

在该部署方法中采用基于模拟退火(Simulated Annealing,SA)的粒子群优化(Particle Swarm Optimization,PSO)算法来搜索整条道路区域内RSU部署的最优解，SA是基于轨迹位置的寻优算法,类似于凝聚态物理中用退火方法来处理晶格缺陷，使得整块半导体材料处于有序状态。PSO是一种基于种群的随机优化算法，该混合SAPSO属于一种新型的进化计算技术，能够有效克服标准PSO算法中粒子在解空间内搜索最优解时出现的震荡现象，在该算法中还引入压缩因子来保证搜索过程的收敛性以及消除粒子群速度边界的限制；带压缩因子的PSO的位置与速度状态更新公式如下

v(k+1)＝χ[v(k)+c₁r₁(pg(k)-x(k))+c₂r₂(po(k)-x(k))] (4)

x(k+1)＝x(k)+v(k+1) (5)

在公式(4)中c₁、c₂为学习因子，pg为粒子的最优解，po为粒子群的全局最优解，r₁、r₂为(0，1)上的伪随机数，po可由pg中的个体最优值来替换，公式(5)为位置状态更新公式，(4)中的压缩因子χ由下式表示

在上式(6)中c＝c₁+c₂,粒子的最优解pg被选为全局最优解的概率为f()为待优化的目标函数，i的取值范围为粒子群的总数目[1,...,N]；由此解出中等规模RSU部署最优拓扑结构的适应度值，并执行相应的部署策略。