CN110377805B - 一种基于快速分支配排序算法的传感器资源推荐方法 - Google Patents

Abstract

本发明涉及一种基于快速分支配排序算法的传感器资源推荐方法，包括：步骤1：输入传感器数据集，使用R树结构静态检索传感器数据资源；步骤2：根据用户偏好缩小传感器集合；步骤3：用改进的快速非支配排序算法检索传感器集合，获取非支配解集。本发明的有益效果是：本发明优于现有的传感器推荐算法,采用构建R树结构的方式降低反复检索的时间、提高检索效率。根据传感器位置和类型两个特征对传感器资源进行检索并获得传感器集合；有效提高传感器资源推荐的准确率，将物联网中传感器的选择定义成多标准决策分析问题并通过快速非支配排序算法提高推荐精度，并降低响应时间。

Description

一种基于快速分支配排序算法的传感器资源推荐方法

技术领域

本发明涉及物联网场景下的资源推荐领域，尤其是涉及一种基于快速分支配排序算法的传感器资源推荐方法。将物联网中传感器的选择定义成多标准决策分析问题，并通过改进的快速非支配排序算法提高推荐精度。

背景技术

目前，物联网的应用领域已涉及智能家居、智能城市、智能健康、智能工厂、智能交通等多个领域，比如应用程序在智能交通中实时监控交通拥堵、优化驾驶路线，这个过程就使用了很多传感器。GSN、OpenIoT、Xively等物联网平台负责管理底层传感器资源，支持上层应用程序。物联网平台的主要挑战之一是在大规模异构环境中搜索和发现传感器资源，以便其他应用程序根据其特定需求和约束重用这些传感器资源。近年来，ViSIoT、CASSARAM和CASSF等多种物联网框架和中间件，结合用户对多种指标的设定优先级，搜索物联网环境中的资源。

传感器资源推荐的过程可以分为两个阶段：(1)使用静态查询找到一组关于满足用户特定需求的可用传感器资源；(2)应用多标准决策分析(multiple criteria decisionanalysis，MCDA)算法根据用户需求的相对优先级对可用资源进行排序。推荐过程的第一阶段主要根据用户对传感器的初步需求，比如位置(或经纬度)、传感器类型等，使用数据库或者其他途径进行静态查询获取候选资源集合。而第二阶段是使用多目标决策分析算法(SAW、TOPSIS、CPWI和VIKOR等)对上阶段的候选资源集合中的所有资源进行评价，接着根据评价的结果进行排序然后推荐给用户。

发明内容

本发明在于提供一种基于快速非支配排序算法的传感器资源推荐方法，针对物联网传感器资源推荐过程的第二阶段，采用基于快速非支配排序算法的推荐方法提高传感器资源推荐的准确率并降低响应时间。

这种基于快速非支配排序算法的传感器资源推荐方法，具体包括如下步骤：

步骤1：输入传感器数据集，使用R树结构静态检索传感器数据资源；构建R树结构在二维空间进行查询，根据传感器位置和类别两个特征，对传感器资源进行检索并获得传感器集合；

步骤2：根据用户偏好缩小传感器集合；将所述步骤1中的传感器集合按不同的传感器属性值：寿命、灵敏度、测量精度、响应时间、发动时间和能耗六个传感器属性从大到小排序，得到{f₁…f₆}六个集合；然后确定传感器集合的数量n，根据用户对某传感器属性的偏好值占偏好值总和的比重确定六个集合各占传感器集合数量n的比重，获得数量为n的传感器数据集；

步骤3：用改进的快速非支配排序算法检索传感器集合，获取非支配解集；将所述步骤2中获取的{f₁…f₆}六个集合输入到快速非支配排序算法中，基于帕累托最优解原则，获取传感器集合中的非支配解集；

步骤4：使用TOPSIS算法对所述步骤3中的传感器集合中的非支配解集进行表征并排序；参照用户偏好及各个传感器属性值的物理意义，使用TOPSIS算法对所述步骤3中的局部最优解集合中的每条传感器资源数据进行表征，并以此为衡量指标进行排序，为用户进行推荐。

作为优选，所述步骤3涉及的改进的快速非支配排序算法具体包括如下步骤：

步骤3.1：提取所述步骤2获取的传感器集合按照上述传感器特征的顺序封装成数组Fast_list，输入传感器数组Fast_list，Fast_list数组格式如下：

Fast_list＝[[m₁₁,m₁₂,m₁₃,m₁₄,m₁₅,m₁₆],…,[m_n1,m_n2,m_n3,m_n4,m_n5,m_n6]]

式中m₁₁表示第一条记录中传感器的寿命,n表示数组Fast_list的数据量；

步骤3.2：基于封装好的数组Fast_list，确定待数组起始点下标start，end及下标start对应的待比较节点base；初始化start为0,end为n；

步骤3.3：将下标start记作i，从下标i对应的数值Fast_list[i]开始正序与节点base按照pareto最优解原则进行比较；如果节点base支配节点Fast_list[i]，则Fast_list[i]赋值为-1，并将下标i的数值加1，i＝i+1后，返回上一步，即：下标记作i，从start开始正序将节点与base比较；如果节点Fast_list[i]支配节点base，则将Fast_list[i]赋值给base；

步骤3.4：将下标end记作j，从下标j对应的数值Fast_list[j]开始逆序与节点base比较；当下标不满足i<j的条件时:如果节点base支配节点Fast_list[j]，则Fast_list[j]赋值为-1，并将下标j数值减1；如果节点Fast_list[j]支配节点base，则将下标j数值减1，j＝j-1的操作过后，返回前面对i<j条件的判断；

步骤3.5：当步骤3.4中的下标j不满足i<j的条件时：将i赋值给start,将end赋值为len(Fast_list)-1，其中len()函数用于计算Fast_list数组的长度，执行步骤3.2；当数组Fast_list中没有被支配解时，退出循环并返回Fast_list中非支配解对应的下标数组。

作为优选，所述步骤4具体包括以下步骤：

步骤4.1：根据所述步骤3中返回的Fast_list中非支配解对应的下标数组重新封装成传感器属性值数组A，并规则化数组中的数值，公式如下：

式中a_ij表示第i条记录中第j个传感器属性的数值，l是数组A的数据量；

步骤4.2：将数组A中响应时间、发动时间和能耗三个属性对应的数值取负数，以统一的标准衡量每个属性值；计算数组A中每个传感器属性对应的最小、最大值并构造最优点、最差点，公式如下：

式中a_+j、a_-j分别表示第j个属性值对应的最大值和最小值；

步骤4.3：计算数组A每条传感器资源到最优点和最差点的欧式距离，公式如下：

其中s_i+、s_i-分别是数组A中第i条传感器记录到最优点和最差点的欧式距离；

步骤4.4：设定评价每条传感器资源的衡量指标，并根据该指标进行从大到小排序，指标公式如下：

式中，c_i+为传感器资源的衡量指标。

本发明的有益效果是：

本发明优于现有的传感器推荐算法,采用构建R树结构的方式降低反复检索的时间、提高检索效率。本发明根据传感器位置和类型两个特征对传感器资源进行检索并获得传感器集合；能有效提高传感器资源推荐的准确率，将物联网中传感器的选择定义成多标准决策分析问题并通过快速非支配排序算法提高推荐精度，并降低响应时间。

附图说明

图1是总体流程图

图2是改进的快速非支配排序算法流程图

图3是响应时间实验比较图

图4是准确率实验比较图

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

物联网场景下传感器推荐问题主要应用多标准决策分析(MCDA)算法对可用资源进行排序，基于此想法本发明使用改进的快速非支配排序算法提高推荐的精度并降低响应时间。

多标准决策分析(MCDA)算法是由一个M×N矩阵的分析矩阵进行描述。元素a_ij对应于第i个选项关于决策准则c_j的性能值，公式如下：

本发明主要通过四个步骤解决传感器推荐问题，整体流程图如图1所示，下面分别进行详述：

步骤1：使用R树结构静态检索传感器数据集。

联网错综复杂，其中包含的传感器数量繁多，若使用传统的暴力比较的办法静态检索符合条件的传感器记录时间消耗大。本发明采用构建R树结构的方式降低反复检索的时间、提高检索效率。R树结构可以在二维空间进行查询，本发明根据传感器位置和类型两个特征对传感器资源进行检索并获得传感器集合；

步骤2：步骤1只是根据传感器的位置和类型对传感器进行初步检索，满足要求的传感器数量依旧庞大，为了进一步缩小传感器最优解的范围，将步骤1中的传感器集合按照不同的传感器属性值：寿命、灵敏度、测量精度、响应时间、发动时间和能耗六个传感器属性从大到小排序，得到{f₁…f₆}六个集合。接着实验确定传感器集合的数量n并根据用户对传感器属性值的偏好占六个传感器属性偏好总和的比重确定六个集合占n的比重，整合获得数量为n的传感器数据集。

步骤3：使用快速非支配排序算法检索传感器集合中的非支配解集。

在多目标优化问题中，依靠唯一的选项优化所有目标函数的情况很少见。为了解决这类问题，需要确定一组在目标之间具有不同优势的选项。帕累托(pareto)最优解原则使用优势关系来确定最优解。例如,给出两个解决方案x和y,当满足x≥y则x支配y。

非支配解集也称为帕累托前沿，快速非支配排序方法用于对非支配级选项进行排序。算法复杂度时间为O(mn³)，存储需求为O(n²)，其中n为可用选项，m为准则个数。结合快速排序算法的思路对快速非支配排序算法进行改进，将时间复杂度降为O(mn²)，具体的改进步骤如下，改进的快速非支配排序算法流程图如图2，具体的流程如下：

步骤3.1：提取步骤2取的传感器集合按照上述传感器特征的顺序封装成数组Fast_list，格式如下：

Fast_list＝[[m₁₁,m₁₂,m₁₃,m₁₄,m₁₅,m₁₆],…,[m_n1,m_n2,m_n3,m_n4,m_n5,m_n6]],

其中m₁₁表示第一条记录中传感器的寿命,n是数组Fast_list的数据量。

步骤3.2：基于封装好的数组Fast_list确定待数组起始点下标start，end及下标start对应的待比较节点base(初始化start为0,end为n)。

步骤3.3：将下标start记作i，从下标i对应的数值Fast_list[i]开始正序与节点base按照pareto最优解原则进行比较。如果节点base支配节点Fast_list[i]，则Fast_list[i]赋值为-1并将下标数值加1；如果节点Fast_list[i]支配节点base，则将Fast_list[i]赋值给base。

步骤3.4：将下标end记作j，从下标j对应的数值Fast_list[j]开始逆序与节点base比较。如果节点base支配节点Fast_list[j]，则Fast_list[j]赋值为-1并将下标数值减1；如果节点Fast_list[j]支配节点base，则将下标数值减1。

步骤3.5：、当步骤3.4中的下标j不满足i<j的条件时，执行步骤3.2并将i赋值给start。当数组Fast_list中没有被支配解时，退出循环并返回Fast_list中非支配解对应的下标数组。

步骤4：使用TOPSIS算法对步骤3中的集合进行表征并排序。参照用户偏好及各个传感器属性值的物理意义，使用TOPSIS算法对步骤3中的局部最优解集合中的每条传感器资源进行表征并以次为衡量指标进行排序为用户进行推荐。

步骤4.1：根据步骤3中返回的Fast_list中非支配解对应的下标数组重新封装成传感

器属性值数组A并规则化数组中的数值，公式如下：

其中a_ij表示第i条记录中第j个传感器属性的数值，l是数组A的数据量；

步骤4.2：为了能以统一的标准衡量每个属性值，将数组A中响应时间、发动时间和能耗三个属性对应的数值取负数。计算数组A中每个传感器属性对应的最小、最大值并构造最优点、最差点，公式如下：

其中a_+j、a_-j分别是第j个属性值对应的最大值和最小值。

步骤4.3：计算数组A每条传感器资源到最优点和最差点的欧式距离，公式如下：

其中s_i+、s_i-分别是数组A中第i条传感器记录到最优点和最差点的欧式距离。

步骤4.4：设定评价每条传感器资源的衡量指标并根据该指标进行从大到小排序，指标公式如下：

验证结果和性能说明：

目前还没有公共数据集提供大规模的传感器及其上下文信息。为此，本发明使用了真实数据和综合生成数据的组合，共有十万条传感器资源记录。整合来自公开传感器网站“Array of Things”的传感器属性数据，“Array of Things”包含环境、空气质量和图像处理三类传感器、共包括22个不同的传感器，这些传感器采集了包含芝加哥、台湾等12个地点的数据信息。在本发明的实验中，本发明考虑了传感器寿命、灵敏度、测量精度、响应时间、发动时间和能耗六个传感器属性。如果需要，可以向这个列表添加更多传感器属性。为了综合考虑本发明的效果，从响应时间和准确率两方面考虑。

图3中比较了4种方法(TOPSISI、ES、Dynamic Skyline和本发明提出的方法)在响应时间上的差异。从图中可以看出本发明提出的方法与TOPSIS方法的响应时间接近，明显低于E-S算法和D算法，这说明了本发明在可以以低响应时间为用户推荐传感器。

图4展示了4种方法(TOPSISI、ES、Dynamic Skyline和本发明提出的方法)推荐的K个传感器中用户满意数量的百分比，即准确率。从图中可以看出本发明提出的方法其他三种方法的准确率都高，这说明了本发明在可以准确的为用户推荐传感器。

实验结论：

由实验结果可以看出本发明优于现有的传感器推荐算法，表明使用改进的快速非支配排序算法提高了传感器推荐的准确率并降低了响应时间。

Claims (3)

1.一种基于快速分支配排序算法的传感器资源推荐方法，其特征在于，具体包括如下步骤：

步骤1：输入传感器数据集，使用R树结构静态检索传感器数据资源；构建R树结构在二维空间进行查询，根据传感器位置和类别两个特征，对传感器资源进行检索并获得传感器数据集；

步骤2：根据用户偏好缩小传感器数据集；将所述步骤1中的传感器数据集按不同的传感器属性值：寿命、灵敏度、测量精度、响应时间、发动时间和能耗六个传感器属性从大到小排序，得到{f₁…f₆}六个集合；然后确定传感器数据集的数量n，根据用户对某传感器属性的偏好值占偏好值总和的比重确定六个集合各占传感器数据集数量n的比重，获得数量为n的传感器数据集；

步骤3：用改进的快速非支配排序算法检索传感器数据集，获取非支配解集；将所述步骤2中获取的{f₁…f₆}六个集合输入到快速非支配排序算法中，基于帕累托最优解原则，获取传感器数据集中的非支配解集；

步骤4：使用TOPSIS算法对所述步骤3中的传感器数据集中的非支配解集进行表征并排序；参照用户偏好及各个传感器属性值的物理意义，使用TOPSIS算法对所述步骤3中的局部最优解集合中的每条传感器资源数据进行表征，并以此为衡量指标进行排序，为用户进行推荐。

2.根据权利要求1所述的基于快速分支配排序算法的传感器资源推荐方法，其特征在于，所述步骤3涉及的改进的快速非支配排序算法具体包括如下步骤：

步骤3.1：提取所述步骤2获取的传感器数据集按照上述传感器特征的顺序封装成数组Fast_list，输入传感器数组Fast_list，Fast_list数组格式如下：

Fast_list＝[[m₁₁,m₁₂,m₁₃,m₁₄,m₁₅,m₁₆],…,[m_n1,m_n2,m_n3,m_n4,m_n5,m_n6]]

式中m₁₁表示第一条记录中传感器的寿命,n表示数组Fast_list的数据量；

步骤3.2：基于封装好的数组Fast_list，确定待数组起始点下标start，end及下标start对应的待比较节点base；初始化start为0,end为n；

步骤3.3：将下标start记作i，从下标i对应的数值Fast_list[i]开始正序与节点base按照pareto最优解原则进行比较；如果节点base支配节点Fast_list[i]，则Fast_list[i]赋值为-1，并将下标i的数值加1，i＝i+1后，返回上一步，即：下标记作i，从start开始正序将节点与base比较；如果节点Fast_list[i]支配节点base，则将Fast_list[i]赋值给base；

步骤3.4：将下标end记作j，从下标j对应的数值Fast_list[j]开始逆序与节点base比较；当下标不满足i＜j的条件时：如果节点base支配节点Fast_list[j]，则Fast_list[j]赋值为-1，并将下标j数值减1；如果节点Fast_list[j]支配节点base，则将下标j数值减1，j＝j-1的操作过后，返回前面对i＜j条件的判断；

步骤3.5：当步骤3.4中的下标j不满足i＜j的条件时：将i赋值给start，将end赋值为len(Fast_list)-1，其中len()函数用于计算Fast_list数组的长度，执行步骤3.2；当数组Fast_list中没有被支配解时，退出循环并返回Fast_list中非支配解对应的下标数组。

3.根据权利要求1所述的基于快速分支配排序算法的传感器资源推荐方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4.1：根据所述步骤3中返回的Fast_list中非支配解对应的下标数组重新封装成传感器属性值数组A，并规则化数组中的数值，公式如下：

式中a_ij表示第i条记录中第j个传感器属性的数值，1是数组A的数据量；

步骤4.2：将数组A中响应时间、发动时间和能耗三个属性对应的数值取负数，以统一的标准衡量每个属性值；计算数组A中每个传感器属性对应的最小、最大值并构造最优点、最差点，公式如下：

式中a_+i、a_-j分别表示第j个属性值对应的最大值和最小值；

步骤4.3：计算数组A每条传感器资源到最优点和最差点的欧式距离，公式如下：

其中s_i+、s_i-分别是数组A中第i条传感器记录到最优点和最差点的欧式距离；

步骤4.4：设定评价每条传感器资源的衡量指标，并根据该指标进行从大到小排序，指标公式如下：

式中，c_i+为传感器资源的衡量指标。

Images