CN110084360B - 一种基于ga-bp的mvb周期实时性改进算法 - Google Patents

Abstract

本发明涉及一种MVB周期信息调度的算法，特别涉及一种基于GA‑BP的MVB周期实时性改进算法。主要应用于列车MVB网络通信系统，包括BP神经网络部分及GA遗传算法部分。以MVB周期信息长度均匀的信息个体数为输入变量，经过BP神经网络进行处理得出GA操作算子的输出值，根据约束条件判断该误差值是否能满足要求，若不满足则根据误差值调整阈值和权值，继续训练直至得出最佳值；若满足则将BP神经网络输出的最优算子做为GA的遗传操作参数，并以此为对遗传编码后MVB的周期信息进行遗传操作，在遗传算法流程中，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。

Description

一种基于GA-BP的MVB周期实时性改进算法

技术领域

本发明涉及一种MVB周期信息调度的算法，特别涉及一种基于GA-BP的MVB周期实时性改进算法。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GA-BP的MVB周期实时性改进算法，将BP神经网络及遗传算法用在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GA-BP的MVB周期实时性改进算法，包括BP神经网络部分及GA遗传算法部分。以MVB周期信息长度均匀的信息个体数为输入变量，经过BP神经网络进行处理得出GA操作算子的输出值，将输出的概率值与理想值进行比较，得出误差值，根据约束条件判断该误差值是否能满足要求，若不满足则根据误差值调整阈值和权值，继续训练直至得出结果；若满足则将BP神经网络输出的最优算子做为GA的遗传操作参数，并以此为对遗传编码后MVB的周期信息进行遗传操作，在遗传算法流程中，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。

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。

BP神经网络主要对遗传算法中的交叉和变异操作算子进行优化处理：

(1)交叉算子：采用两点交叉，待程序挑选出任意两个需进行交叉的个体后，即经过编码后需要传输的周期信息，然后随机选定两个位置交叉，进行基因串交换，生成新的传输信息。

(2)变异算子：采用均匀变异，即随机产生一个变异位置，在已编码的待传输的周期信息集中随机挑选出一个值进行自然数的随意替换。

BP神经网络是包括输入层、隐含层和输出层的多层反馈神经网络，其学习过程主要包括信号的正向传播和误差的反向传播，将MVB周期调度表长度均匀的信息个体作为BP神经网络的输入，用于训练网络模型；在信号的正向传播过程中，样本经由输入层输入，在各个隐含层对样本进行处理后，经由输出层输出。比较输出层的输出与期望的输出，若两者差异较大，则开始误差的反响传播。这个过程是通过某种方式将实际输出与期望输出的误差经由各个隐含层向输入层逆向传递，误差在传递过程中会平均分配，由此能得出各层各单元的误差信号，并基于此对权值进行调整更新，以保证输出最优的遗传算子。

在遗传算法过程中，首先需要对输入信息进行初始化：

假设MVB总线上有x条周期信息需要传输，则需要传输的任务集为：

y＝{y₁,y₂,...,y_x}

在此任务集中，源端口地址产生的周期信息和其特征周期则对应该数据报文在每个周期信息传输任务集中的编号；特征周期编号由小到大排列；当特征周期相同时，则依据源端口地址排列，地址小的在前，地址大的在后。可描述为：

y_i＝(a_i,T_i,λ_i)，i∈{1,2,...,n}

其中y_i为第i个周期信息，a_i表示第条i周期信息第一次出现时对应的基本周期编号，T_i为第i个周期信息传输的时间。

然后根据优化的遗传算子，以第一个基本周期及第一个宏周期为起点，判断信息j能否在第i个周期发送，可以则进行下一步，否则信息j不能安排在第i个周期；判断能够发送的信息j是否在截止期内，不能则该信息j不能被调度，能则将信息安排在调度表中；判断生成的周期调度表是否满足约束条件，不满足则修改遗传策略并重新进行遗传操作。

附图说明

图1为本发明采用基本规则生成的周期扫描表；

图2为本发明采用BP神经网络算法结构图；

图3为本发明的遗传算法生成周期扫描表的流程图。

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GA-BP的MVB周期实时性改进算法，包括BP神经网络部分以及GA遗传算法部分。以MVB周期信息长度均匀的信息个体数为输入变量，经过BP神经网络进行处理得出GA操作算子的输出值，将输出的概率值与理想值进行比较，得出误差值，根据约束条件判断该误差值是否能满足要求，若不满足则根据误差值调整阈值和权值，继续训练直至得出结果；若满足则将BP神经网络输出的最优算子做为GA的遗传操作参数，并以此为对遗传编码后MVB的周期信息进行遗传操作，在遗传算法流程中，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。

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：

其中：N_master为主帧的长度；N_slave为从帧的长度；V_MVB为信号速率，其值取1.5Mbit/s；T_reply为主帧发出后到响应该主帧的从帧发出的时间间隔；T_sm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1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：

式中的n是周期变量，λ_i为周期级别。

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：

式(4)中，第m个基本周期的端口数为N(m)；第m个基本周期中周期相实际时间为周期相的平均值为t_ave，

式(5)中λ为特征周期级别；N_λ为级别为λ的端口数目；t_i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。

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。

根据BP神经网络优化后的遗传算子进行遗传操作，遗传操作是以群体中的所有个体为对象，主要使用交叉和变异两个操作算子来对个体进行处理。

(1)交叉算子：采用两点交叉，待程序挑选出任意两个需进行交叉的个体后，即经过编码后需要传输的周期信息，然后随机选定两个位置交叉，进行基因串交换，生成新的传输信息。

(2)变异算子：采用均匀变异，即随机产生一个变异位置，在已编码的待传输的周期信息集中随机挑选出一个值进行自然数的随意替换。

BP神经网络是包括输入层、隐含层和输出层的多层反馈神经网络，其学习过程主要包括信号的正向传播和误差的反向传播，其结构图如图2所示。将MVB周期调度表长度均匀的信息个体作为BP神经网络的输入，用于训练网络模型，在信号的正向传播过程中，样本经由输入层输入，在各个隐含层对样本进行处理后，经由输出层输出。比较输出层的输出与期望的输出，若两者差异较大，则开始误差的反响传播。这个过程是通过某种方式将实际输出与期望输出的误差经由各个隐含层向输入层逆向传递，误差在传递过程中会平均分配，由此能得出各层各单元的误差信号，并基于此对权值进行调整更新，以保证输出最优的遗传算子。

在图2中，n、p表示BP神经网络输入层和输出层节点个数，i、j表示网络中隐含层节点个数，BP神经网络的实际输入向量为X＝(X₁,X₂,...,X_n)^T，期望输出向量为Y＝(Y₁,Y₂,...,Y_p)^T；w_ni、w_ij、w_jp分别表示输入层到第一个隐含层和第一个隐含层到第二个隐含层以及第二隐含层到输出层的权值矩阵。BP神经网络具体学习过程如下：

(1)初始归一化。为了消除样本数据量纲的影响，BP神经网络通常使用Sigmoid函数作为激励函数，并采用以下公式对数据进行初始归一化处理：

(2)将归一化的数据a_i经输入层输入，通过传递函数作用后得出隐含层的输出b_i，再次经过传递函数处理，得出输出层各节点的最终输出c_i。

(3)比较神经网络实际的输出c_i与网络期望的输出y_i，并计算各单元的误差：

(4)由于误差信号由后往前传递，则需在该过程中，逐层进行连接权值和阈值的修改，则相邻两隐含层I与J的权值和阈值的修正量如下：

式中，η为训练步数，m为迭代次数，表示隐含层I的第i个输入，/>表示隐含层J的第j个输入。

(5)完成信号的正向传播与误差的反向传播，即完成了一轮样本的训练。

将优化后的遗传算子输入到遗传操作中。

在遗传算法过程中，首先需要对输入信息进行初始化：

假设MVB总线上有x条周期信息需要传输，则需要传输的任务集为

y＝{y₁,y₂,...,y_x} (10)

在此任务集中，源端口地址产生的周期信息和其特征周期则对应该数据报文在每个周期信息传输任务集中的编号；特征周期编号由小到大排列；当特征周期相同时，则依据源端口地址排列，地址小的在前，地址大的在后。可描述为

y_i＝(a_i,T_i,λ_i)，i∈{1,2,...,n} (11)

其中y_i为第i个周期信息，a_i表示第条i周期信息第一次出现时对应的基本周期编号，T_i为第i个周期信息传输的时间。

然后根据优化的遗传算子，以第一个基本周期及第一个宏周期为起点，判断信息j能否在第i个周期发送，可以则进行下一步，否则信息j不能安排在第i个周期；判断能够发送的信息j是否在截止期内，不能则该信息j不能被调度，能则将信息安排在调度表中；判断生成的周期调度表是否满足约束条件，不满足则修改遗传策略并重新进行遗传操作。

本发明的优化算法是将BP神经网络及遗传算法用在MVB总线周期信息调度优化的问题上，在BP神经网络过程中，首先选择排布较为均匀的MVB周期表信息作为BP神经网络的训练样本，对BP神经网络进行训练，得到遗传算法最优的然遗传算子，并将得到的最优算子送入到遗传算法中；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，BP神经网络优化后的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。该算法的基本流程框图如图3所示，其具体步骤如下：

Step 1：确定BP神经网络的拓扑结构，并对网络的权值与阈值进行初始归一化；

Step 2：根据误差公式7与调整公式8更新网络的权值与阈值；

Step 3：根据约束条件判断遗传算子是否是最优值，即当网络的训练误差E≤0.025时，网络学习训练结束，若E＞0.025，继续对网络进行训练，直至达到了设置的最高迭代次数。

Step 4：根据约束条件得到最优遗传算子，并将其作为操作参数对编码后的MVB周期信息群体进行遗传操作；

Step 5：计算个体的适应性值是否满足约束条件，不满足的，经遗传算法的选择操作、交叉操作、变异操作进行进化；满足条件的，则从第一个周期和第一个宏周期开始，判断第i个周期能否发送信息，不能发送则该条信息不能放在第i个周期，若能，则进行下一步；

Step 6：判断能够发送的信息是否在截止期内，不在截止期内则不能被调度，在截止期内则可将信息安排在调度表中；

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；

Step 8：宏周期结束，所有信息扫描完毕，则生成周期调度表。

按照上述基本步骤即可生成优化后的周期调度表。

本发明一种基于GA-BP的MVB周期实时性改进算法，提出将BP神经网络及遗传算法应用在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，还可以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 (1)

1.一种基于GA-BP的MVB周期实时性改进算法，其特征在于：包括BP神经网络部分及GA遗传算法部分，以MVB周期调度表中长度均匀的信息个体数为输入变量，经过BP神经网络进行处理得出GA操作算子的输出值，将输出的概率值与理想值进行比较，得出误差值，根据约束条件判断该误差值是否能满足要求，若不满足则根据误差值调整阈值和权值，继续训练直至得出结果；若满足则将BP神经网络输出的最优算子做为GA的遗传操作参数，并以此为对遗传编码后MVB的周期信息进行遗传操作，在遗传算法流程中，根据约束条件及优化目标，对周期调度表的宽度和梯度参数进行优化调整，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，所述的一种基于GA-BP的MVB周期实时性改进算法，其具体如下：

(1)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；

(2)所述的优化目标是根据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)}

其标准差可表示为：式中，第n个基本周期的端口数为N(m)；第m个基本周期中周期相实际时间为/>周期相的平均值为t_ave,式中λ为特征周期级别；N_λ为级别为λ的端口数目；t_i为第i个周期相的时间；

(3)在满足约束条件及优化目标的情况下，本方法可以明确数据传送时间并且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；

(4)所述的BP神经网络主要对遗传算法中的交叉和变异操作算子进行优化处理；

(5)所述的BP神经网络是包括输入层、隐含层和输出层的多层反馈神经网络，将MVB周期调度表长度均匀的信息个体作为BP神经网络的输入，用于训练网络模型；在信号的正向传播过程中，样本经由输入层输入，在各个隐含层对样本进行处理后，经由输出层输出遗传操作的遗传算子，比较输出层的输出与期望的输出，若两者差异较大，则开始误差的反向传播，误差在传递过程中会平均分配，由此能得出各层各单元的误差信号，并基于此对权值进行调整更新，以保证输出最优的遗传算子；

(6)在遗传算法过程中，首先需要对输入信息进行初始化，将MVB总线上需要传输的任务集y＝{y₁，y₂，...，y_x}，按源端口地址产生的周期信息和其特征周期则对应数据报文在每个周期信息传输任务集中的编号；特征周期编号由小到大排列；当特征周期相同时，则依据源端口地址排列，地址小的在前，地址大的在后，即：y_i＝(a_i，T_i，λ_i)，i∈{1，2，...，n}；

(7)根据优化的遗传算子，以第一个基本周期及第一个宏周期为起点，判断信息j能否在第i个周期发送，可以则进行下一步，否则信息j不能安排在第i个周期；判断能够发送的信息j是否在截止期内，不能则该信息j不能被调度，能则将信息安排在调度表中；判断生成的周期调度表是否满足约束条件，不满足则修改遗传策略并重新进行遗传操作；

(8)将BP神经网络及遗传算法用在MVB总线周期信息调度优化的问题上，在BP神经网络过程中，首先选择排布较为均匀的MVB周期表信息作为BP神经网络的训练样本，对BP神经网络进行训练，得到遗传算法最优的然遗传算子，并将得到的最优算子送入到遗传算法中；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，BP神经网络优化后的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，其具体步骤如下：

Step 1：确定BP神经网络的拓扑结构，并对网络的权值与阈值进行初始归一化；

Step 2：根据误差公式与调整公式更新网络的权值与阈值；

Step 3：根据约束条件判断遗传算子是否是最优值，即当网络的训练误差E≤0.025时，网络学习训练结束，若E＞0.025，继续对网络进行训练，直至达到了设置的最高迭代次数；

Step 4：根据约束条件得到最优遗传算子，并将其作为操作参数对编码后的MVB周期信息群体进行遗传操作；

Step 5：计算个体的适应性值是否满足约束条件，不满足的，经遗传算法的选择操作、交叉操作、变异操作进行进化；满足条件的，则从第一个周期和第一个宏周期开始，判断第i个周期能否发送信息，不能发送则该条信息不能放在第i个周期，若能，则进行下一步；

Step 6：判断能够发送的信息是否在截止期内，不在截止期内则不能被调度，在截止期内则可将信息安排在调度表中；

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；

Step 8：宏周期结束，所有信息扫描完毕，则生成周期调度表；

按照上述基本步骤即可生成优化后的周期调度表。