CN110609739B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110609739B
CN110609739B CN201910885407.XA CN201910885407A CN110609739B CN 110609739 B CN110609739 B CN 110609739B CN 201910885407 A CN201910885407 A CN 201910885407A CN 110609739 B CN110609739 B CN 110609739B
Authority
CN
China
Prior art keywords
population
individuals
cycle
iteration
mvb
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.)
Active
Application number
CN201910885407.XA
Other languages
English (en)
Other versions
CN110609739A (zh
Inventor
邹娟
杨奇特
裴廷睿
郑金华
李海博
陈圣琪
杨霄
杨圣祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201910885407.XA priority Critical patent/CN110609739B/zh
Publication of CN110609739A publication Critical patent/CN110609739A/zh
Priority to US17/024,917 priority patent/US11875271B2/en
Application granted granted Critical
Publication of CN110609739B publication Critical patent/CN110609739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，涉及信息通信技术领域，主要包括获取MVB周期信息表，并采用二进制编码方式对MVB周期信息表进行编码处理及随机初始化，生成迭代种群；对迭代种群中的个体进行交叉变异支配选择排序等操作以更新迭代种群；根据多目标进化算法和更新后的迭代种群进行迭代循环以此来构建满足调度要求的同时宏周期最小化的MVB周期调度表，最后基于此MVB周期调度表对列车周期信息进行调度，满足了实际调度过程中周期信息实时性的需求。

Description

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
技术领域
本发明涉及信息通信技术领域，特别是涉及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。
背景技术
多功能车辆总线(MVB)是IEC61375-1中明确定义的用于车辆内部各功能设备间实现互联的网络总线。它作为列车通信网络的标准之一，在地铁、高铁等车辆上得到了广泛的应用。实时通信过程中周期数据的传输主要由总线管理设备利用周期调度表来完成。目前构建周期调度表的一般算法包括：RM算法、EDF算法、DM算法和LSF算法，但是这些算法大都建立在一系列理想假设的基础上，存在如负载平衡性差等局限性，且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。
发明内容
本发明的目的是提供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，能够满足实际调度过程中周期信息实时性需求。
为实现上述目的，本发明提供了如下方案：
一种基于多目标进化算法的列车周期信息调度方法，包括：
获取MVB周期信息表；所述MVB周期信息表包括K个需进行通信的周期信息，每个所述周期信息均包括周期、执行时间以及优先级；所述MVB周期信息表对应一个包含N个微周期的宏周期；
采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群；所述迭代种群包括M个个体；每个所述个体均包括K个二进制编码；一个所述二进制编码是采用二进制编码方式对一个周期信息首次被调度时所在的微周期序号进行编码，然后随机初始化得到的，其中，不同的所述二进制编码对应不同的周期信息；
利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群；其中，更新后的迭代种群的个体数为2M个；
根据已构建的多目标函数计算更新后的迭代种群中的每个个体的适应度值，并记录当前迭代次数；所述多目标函数包括第一目标计算函数和第二目标计算函数；所述适应度值为第一目标与第二目标的和；所述第一目标为在首次调度时所有周期信息所在的微周期序号的和，所述第二目标为所有微周期的执行时长的和；
判断所述当前迭代次数是否小于预设迭代总数，得到第一判断结果；
若所述第一判断结果表示所述当前迭代次数小于所述预设迭代总数，则将当前迭代次数加1，然后根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，返回利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群的步骤；
若所述第一判断结果表示所述当前迭代次数不小于所述预设迭代总数，则根据适应度值最小的个体，构建MVB周期调度表；
根据所述MVB周期调度表调度周期信息。
可选的，所述采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群，具体包括：
采用二进制编码方式对每个所述周期信息首次被调度时所在的微周期序号进行编码，得到K个二进制编码；
依据所述周期信息的优先级顺序，将K个所述二进制编码拼接成一串二进制编码；
对一串二进制编码进行随机初始化处理，生成包括M个个体的迭代种群。
可选的，所述第一目标计算函数为
Figure BDA0002207157620000021
其中，Bink表示第k个二进制代码，Decimal(Bink)表示第k个二进制代码转码成对应的十进制；
所述第二目标计算函数：
Figure BDA0002207157620000031
其中，Tactual(n)表示第n个微周期的实际执行时长。
可选的，所述根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，具体包括：
根据每个个体的适应度值，采用Pareto支配算法，对更新后的迭代种群中的个体进行支配选择；
对经过支配选择的个体进行排序，然后将前M个个体组成下一代的迭代种群。
一种基于多目标进化算法的列车周期信息调度系统，包括：
MVB周期信息表获取模块，用于获取MVB周期信息表；所述MVB周期信息表包括K个需进行通信的周期信息，每个所述周期信息均包括周期、执行时间以及优先级；所述MVB周期信息表对应一个包含N个微周期的宏周期；
迭代种群生成模块，用于采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群；所述迭代种群包括M个个体；每个所述个体均包括K个二进制编码；一个所述二进制编码是采用二进制编码方式对一个周期信息首次被调度时所在的微周期序号进行编码，然后随机初始化得到的，其中，不同的所述二进制编码对应不同的周期信息；
交叉变异操作模块，用于利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群；其中，更新后的迭代种群的个体数为2M个；
适应度值计算模块，用于根据已构建的多目标函数计算更新后的迭代种群中的每个个体的适应度值，并记录当前迭代次数；所述多目标函数包括第一目标计算函数和第二目标计算函数；所述适应度值为第一目标与第二目标的和；所述第一目标为在首次调度时所有周期信息所在的微周期序号的和，所述第二目标为所有微周期的执行时长的和；
判断模块，用于判断所述当前迭代次数是否小于预设迭代总数，得到第一判断结果；
下一代迭代种群生成模块，用于当所述第一判断结果表示所述当前迭代次数小于所述预设迭代总数时，将当前迭代次数加1，然后根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，并返回所述交叉变异操作模块；
MVB周期调度表构建模块，用于当所述第一判断结果表示所述当前迭代次数不小于所述预设迭代总数时，根据适应度值最小的个体，构建MVB周期调度表；
调度模块，用于根据所述MVB周期调度表调度周期信息。
可选的，所述迭代种群生成模块，具体包括：
编码单元，用于采用二进制编码方式对每个所述周期信息首次被调度时所在的微周期序号进行编码，得到K个二进制编码；
拼接单元，用于依据所述周期信息的优先级顺序，将K个所述二进制编码拼接成一串二进制编码；
迭代种群生成单元，用于对一串二进制编码进行随机初始化处理，生成包括M个个体的迭代种群。
可选的，所述适应度值计算模块中的第一目标计算函数为
Figure BDA0002207157620000041
其中，Bink表示第k个二进制代码，Decimal(Bink)表示第k个二进制代码转码成对应的十进制；
所述适应度值计算模块中的第二目标计算函数：
Figure BDA0002207157620000042
其中，Tactual(n)表示第n个微周期的实际执行时长。
可选的，所述下一代迭代种群生成模块，具体包括：
当前迭代次数更新单元，用于将当前迭代次数加1以更新当前迭代次数；
支配选择单元，用于根据每个个体的适应度值，采用Pareto支配算法，对更新后的迭代种群中的个体进行支配选择；
下一代迭代种群生成单元，用于对经过支配选择的个体进行排序，然后将前M个个体组成下一代的迭代种群。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了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，首先根据多目标进化算法构建满足调度要求的同时宏周期最小化的MVB周期调度表，然后基于此MVB周期调度表对列车周期信息进行调度，满足了实际调度过程中周期信息实时性的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于多目标进化算法的列车周期信息调度方法的流程图；
图2为本发明实施例Pareto支配关系图；
图3为本发明实施例基于多目标进化算法的列车周期信息调度系统的结构图；
图4为本发明实施例个体99与个体100交叉结果图；
图5为本发明实施例个体100变异结果图；
图6为本发明实施例MVB周期信息实时调度过程。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供的基于多目标进化算法的列车周期信息调度方法包括以下步骤。
步骤101：获取MVB周期信息表；所述MVB周期信息表包括K个需进行通信的周期信息，每个所述周期信息均包括周期、执行时间以及优先级；所述MVB周期信息表对应一个包含N个微周期的宏周期。
科研人员获取实例问题的MVB周期信息表。MVB周期信息表中包括K个需进行通信的周期信息的周期Tk、执行时间Ck和优先级等相关信息(k＝1，2，…，K)。根据MVB周期信息表可得知一个宏周期包含的微周期数为N。
步骤102：采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群(周期信息首次被调度方案解集)；所述迭代种群包括M个个体；每个所述个体均包括K个二进制编码；一个所述二进制编码是采用二进制编码方式对一个周期信息首次被调度时所在的微周期序号进行编码，然后随机初始化得到的；其中，不同的所述二进制编码对应不同的周期信息。
步骤102具体包括：
首先利用二进制编码方式对每个周期信息首次被调度时所在的微周期序号进行编码，记为Bink，并依据周期信息的优先级顺序拼接成一串二进制编码Bin＝(Bin1，Bin2，…，BinK)，即为一个个体。
然后利用二进制编码方式对该个体进行随机初始化，组成大小为100的迭代种群，即M＝100。
步骤103：利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群；其中，更新后的迭代种群的个体数为2M个。
从迭代种群中随机选择两个个体，进行交叉、变异生成两个新个体，重复此过程，生成相同个数的新种群，把新种群加入到迭代种群中，形成更新后的迭代种群。
步骤104：根据已构建的多目标函数计算更新后的迭代种群中的每个个体的适应度值，并记录当前迭代次数；所述多目标函数包括第一目标计算函数和第二目标计算函数；所述适应度值为第一目标与第二目标的和；所述第一目标为在首次调度时所有周期信息所在的微周期序号的和，所述第二目标为所有微周期的执行时长的和。
利用二进制编码的每个周期信息首次调度的微周期序号计算得到微周期的周期时长。具体如下：
将Bink转码成对应的十进制，记为Decimal(Bink)。每个周期信息首次调度的微周期序号和的计算公式(即第一目标计算函数)为：
Figure BDA0002207157620000071
其中，Bink表示第k个二进制代码，Decimal(Bink)表示第k个二进制代码转码成对应的十进制。
为了尽可能优先地处理每个周期信息，则需要使得F值尽可能小。
依据MVB周期信息表中的周期，在一个宏周期内将每个周期信息按对应周期递推，得到每个微周期中处理的周期信息详情，进一步计算得出每个微周期中的实际执行时长Tactual(n)，计算公式为：
Figure BDA0002207157620000072
其中，k∈n表示第k个周期信息在第n个微周期中被执行。
根据IEC61375-1标准中对微周期时间分配的要求，微周期中执行处理周期信息所消耗的总时间不得超过微周期时长的60％。因此，为了保证微周期的最小化，此处每个微周期执行周期信息处理的时间消耗比例设为60％，之后可得到微周期的实际执行时长，其计算公式为：
Figure BDA0002207157620000073
其中，Tactual(n)表示第n个微周期的实际执行时长。
相对应的宏周期的计算公式(即第二目标计算函数)为：
Figure BDA0002207157620000074
现在将更新后的迭代种群的个体代入公式(1)和(2)计算得到每个个体对应的F值和TMp值作为每个个体的适应度，分析其的可行性，适应度越小，个体越优秀。
步骤105：判断所述当前迭代次数是否小于预设迭代总数，得到第一判断结果；若所述第一判断结果表示所述当前迭代次数小于所述预设迭代总数，则执行步骤106；若所述第一判断结果表示所述当前迭代次数不小于所述预设迭代总数，则执行步骤107。
步骤106：将当前迭代次数加1，然后根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，返回步骤103。
本实施例为了保证宏周期最小以及尽可能优先处理每个周期信息，需对所有的个体经过Pareto支配选择并排序后，前100个具有最好的多样性和最小差异的个体组成下一代的迭代种群。
Pareto支配选择是一种在两个个体中选择出更优秀个体的一种选择方法，它每次选择在两个目标上都具有良好接的个体作为优秀个体。如图2所示，个体a在F和TMp两个目标上的数值比个体d都要小，因此个体a支配个体d，同理，个体b支配个体c。个体a和个体b互不支配并且他们都是优秀解。
步骤107：根据适应度值最小的个体，构建MVB周期调度表。
步骤108：根据所述MVB周期调度表调度周期信息。
在本实施例中还可以采用以下方法替换步骤106-107，具体为当前迭代次数满足预设迭代总数时，输出当前迭代次数对应的迭代种群(周期信息首次被调度方案集)，然后根据输出的种群，进一步进行人工挑选，验证，并完善。
人工挑选出一个个体(周期信息首次被调度方案)，得到每个周期信息首次被调度所在的微周期，然后根据周期信息表的周期可得到完整的MVB周期调度表。
需要注意的一点是，对于刚初始化得到迭代种群，先对刚初始化得到迭代种群的个体(周期信息首次被调度方案)进行交叉变异，生成新一代种群并计算每个个体的适应值F和TMp。根据其值，进行支配选择，选择前100个个体作为新的迭代种群，然后再返回步骤103继续操作。
实施例二
如图3所示，本实施例提供的一种基于多目标进化算法的列车周期信息调度系统，包括：
MVB周期信息表获取模块100，用于获取MVB周期信息表；所述MVB周期信息表包括K个需进行通信的周期信息，每个所述周期信息均包括周期、执行时间以及优先级；所述MVB周期信息表对应一个包含N个微周期的宏周期。
迭代种群生成模块200，用于采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群；所述迭代种群包括M个个体；每个所述个体均包括K个二进制编码；一个所述二进制编码是采用二进制编码方式对一个周期信息首次被调度时所在的微周期序号进行编码，然后随机初始化得到的，其中，不同的所述二进制编码对应不同的周期信息。
交叉变异操作模块300，用于利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群；其中，更新后的迭代种群的个体数为2M个。
适应度值计算模块400，用于根据已构建的多目标函数计算更新后的迭代种群中的每个个体的适应度值，并记录当前迭代次数；所述多目标函数包括第一目标计算函数和第二目标计算函数；所述适应度值为第一目标与第二目标的和；所述第一目标为在首次调度时所有周期信息所在的微周期序号的和，所述第二目标为所有微周期的执行时长的和。
判断模块500，用于判断所述当前迭代次数是否小于预设迭代总数，得到第一判断结果。
下一代迭代种群生成模块600，用于当所述第一判断结果表示所述当前迭代次数小于所述预设迭代总数时，将当前迭代次数加1，然后根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，并返回所述交叉变异操作模块300。
MVB周期调度表构建模块700，用于当所述第一判断结果表示所述当前迭代次数不小于所述预设迭代总数时，根据适应度值最小的个体，构建MVB周期调度表。
调度模块800，用于根据所述MVB周期调度表调度周期信息。
所述迭代种群生成模块200，具体包括：
编码单元，用于采用二进制编码方式对每个所述周期信息首次被调度时所在的微周期序号进行编码，得到K个二进制编码。
拼接单元，用于依据所述周期信息的优先级顺序，将K个所述二进制编码拼接成一串二进制编码。
迭代种群生成单元，用于对一串二进制编码进行随机初始化处理，生成包括M个个体的迭代种群。
所述适应度值计算模块400中的第一目标计算函数为
Figure BDA0002207157620000101
其中，Bink表示第k个二进制代码，Decimal(Bink)表示第k个二进制代码转码成对应的十进制。
所述适应度值计算模块400中的第二目标计算函数：
Figure BDA0002207157620000102
其中，Tactual(n)表示第n个微周期的实际执行时长。
所述下一代迭代种群生成模块600，具体包括：
当前迭代次数更新单元，用于将当前迭代次数加1以更新当前迭代次数；
支配选择单元，用于根据每个个体的适应度值，采用Pareto支配算法，对更新后的迭代种群中的个体进行支配选择。
下一代迭代种群生成单元，用于对经过支配选择的个体进行排序，然后将前M个个体组成下一代的迭代种群。
实施例三
在本实施例中，使用表1所示的MVB周期信息表的作为基本输入信息。
表1 MVB周期信息表
Figure BDA0002207157620000111
根据MVB周期信息表可得知有6个周期信息，因此K＝6。最大周期为8，因此N＝8，Bink的编码需要一个3位二进制数。一个个体由一串18位二进制数表示。用多目标进化算法随机生成如表2所示的种群(100个18位二进制数)。
表2种群表
Figure BDA0002207157620000112
初始化的100个个体中，个体1、2、99和100分别代表的周期信息首次被调度方案Decimal为365354、446438、665744和243433，将个体带入公式(1)和(4)获得F和TMp。在初始化的100个个体中有很多非优秀解，不符合要求。接下来进行交叉和变异操作产生新个体。交叉操作是两个个体在某一个或几个位置发生数据交错或交换位置的操作。假设选取个体99和个体100作为父代个体，则交叉结果如图4所示。
变异操作是指在个体中的某一位或多位数值随即发生变化。假设个体100’中发生变异，变异位置为Bin1和Bin4中的随机位置，则变异结果如图5所示。
在交叉变异操作后，两个优秀的个体会有极大的概率产生两个优秀的新个体。然而，只有单纯的交叉操作无法跳出局部最优。这时变异操作就会起到作用，使一个个体跳出局部最优，寻找全局变量。当然，新个体也许会比父代个体差，但是在精英选择过程中，非精英个体将会被舍弃。把新个体带入到公式(1)和(4)中计算F值跟TMp值后加入到种群中，利用Pareto支配选择排序，保留前100个精英个体作为下一代的父代。重复迭代后将产生最佳个体，输出最后一代的种群。需要注意的是：在交叉和变异中，交叉位置和变异位置都是随机产生的，交叉概率为100％，变异概率为5％。
最后一代的种群，输出技术人员选择的个体(周期信息首次被调度方案)：(000，001，000，001，001，000)，进一步利用周期信息表中的周期得到MVB周期调度表如下表3。
表3 MVB周期调度表
Figure BDA0002207157620000121
最后如图6所示，基于MVB周期调度表实时调度列车通信网络周期信息。
本发明在MVB周期信息通信原理的基础上，利用周期信息间的关系和多目标进化算法实现了一种新的生成MVB周期调度表方案的算法，并且满足数据量大，方案多，可迭代等特点，然后基于此MVB周期调度表对列车周期信息进行调度，满足了实际调度过程中周期信息实时性的需求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于多目标进化算法的列车周期信息调度方法，其特征在于，所述列车周期信息调度方法，包括：
获取MVB周期信息表；所述MVB周期信息表包括K个需进行通信的周期信息，每个所述周期信息均包括周期、执行时间以及优先级；所述MVB周期信息表对应一个包含N个微周期的宏周期；
采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群；所述迭代种群包括M个个体；每个所述个体均包括K个二进制编码；一个所述二进制编码是采用二进制编码方式对一个周期信息首次被调度时所在的微周期序号进行编码，然后随机初始化得到的，其中，不同的所述二进制编码对应不同的周期信息；
利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群；其中，更新后的迭代种群的个体数为2M个；
根据已构建的多目标函数计算更新后的迭代种群中的每个个体的适应度值，并记录当前迭代次数；所述多目标函数包括第一目标计算函数和第二目标计算函数；所述适应度值为第一目标与第二目标的和；所述第一目标为在首次调度时所有周期信息所在的微周期序号的和，所述第二目标为所有微周期的执行时长的和；
判断所述当前迭代次数是否小于预设迭代总数，得到第一判断结果；
若所述第一判断结果表示所述当前迭代次数小于所述预设迭代总数，则将当前迭代次数加1，然后根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，返回利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群的步骤；
若所述第一判断结果表示所述当前迭代次数不小于所述预设迭代总数，则根据适应度值最小的个体，构建MVB周期调度表；
根据所述MVB周期调度表调度周期信息；
所述第一目标计算函数为
Figure FDA0003337964080000021
其中，Bink表示第k个二进制代码，Decimal(Bink)表示第k个二进制代码转码成对应的十进制；
所述第二目标计算函数：
Figure FDA0003337964080000022
其中，Tactual(n)表示第n个微周期的实际执行时长。
2.根据权利要求1所述的基于多目标进化算法的列车周期信息调度方法，其特征在于，所述采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群，具体包括：
采用二进制编码方式对每个所述周期信息首次被调度时所在的微周期序号进行编码，得到K个二进制编码；
依据所述周期信息的优先级顺序，将K个所述二进制编码拼接成一串二进制编码；
对一串二进制编码进行随机初始化处理，生成包括M个个体的迭代种群。
3.根据权利要求1所述的基于多目标进化算法的列车周期信息调度方法，其特征在于，所述根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，具体包括：
根据每个个体的适应度值，采用Pareto支配算法，对更新后的迭代种群中的个体进行支配选择；
对经过支配选择的个体进行排序，然后将前M个个体组成下一代的迭代种群。
4.一种基于多目标进化算法的列车周期信息调度系统，其特征在于，所述列车周期信息调度系统，包括：
MVB周期信息表获取模块，用于获取MVB周期信息表；所述MVB周期信息表包括K个需进行通信的周期信息，每个所述周期信息均包括周期、执行时间以及优先级；所述MVB周期信息表对应一个包含N个微周期的宏周期；
迭代种群生成模块，用于采用二进制编码方式对所述MVB周期信息表进行编码处理并随机初始化，生成迭代种群；所述迭代种群包括M个个体；每个所述个体均包括K个二进制编码；一个所述二进制编码是采用二进制编码方式对一个周期信息首次被调度时所在的微周期序号进行编码，然后随机初始化得到的，其中，不同的所述二进制编码对应不同的周期信息；
交叉变异操作模块，用于利用遗传算法对所述迭代种群中的个体进行交叉变异操作以更新迭代种群；其中，更新后的迭代种群的个体数为2M个；
适应度值计算模块，用于根据已构建的多目标函数计算更新后的迭代种群中的每个个体的适应度值，并记录当前迭代次数；所述多目标函数包括第一目标计算函数和第二目标计算函数；所述适应度值为第一目标与第二目标的和；所述第一目标为在首次调度时所有周期信息所在的微周期序号的和，所述第二目标为所有微周期的执行时长的和；
判断模块，用于判断所述当前迭代次数是否小于预设迭代总数，得到第一判断结果；
下一代迭代种群生成模块，用于当所述第一判断结果表示所述当前迭代次数小于所述预设迭代总数时，将当前迭代次数加1，然后根据每个个体的适应度值对更新后的迭代种群中的个体进行支配选择排序，并将前M个个体组成下一代的迭代种群，并返回所述交叉变异操作模块；
MVB周期调度表构建模块，用于当所述第一判断结果表示所述当前迭代次数不小于所述预设迭代总数时，根据适应度值最小的个体，构建MVB周期调度表；
调度模块，用于根据所述MVB周期调度表调度周期信息；
所述第一目标计算函数为
Figure FDA0003337964080000041
其中，Bink表示第k个二进制代码，Decimal(Bink)表示第k个二进制代码转码成对应的十进制；
所述第二目标计算函数：
Figure FDA0003337964080000042
其中，Tactual(n)表示第n个微周期的实际执行时长。
5.根据权利要求4所述的基于多目标进化算法的列车周期信息调度系统，其特征在于，所述迭代种群生成模块，具体包括：
编码单元，用于采用二进制编码方式对每个所述周期信息首次被调度时所在的微周期序号进行编码，得到K个二进制编码；
拼接单元，用于依据所述周期信息的优先级顺序，将K个所述二进制编码拼接成一串二进制编码；
迭代种群生成单元，用于对一串二进制编码进行随机初始化处理，生成包括M个个体的迭代种群。
6.根据权利要求4所述的基于多目标进化算法的列车周期信息调度系统，其特征在于，所述下一代迭代种群生成模块，具体包括：
当前迭代次数更新单元，用于将当前迭代次数加1以更新当前迭代次数；
支配选择单元，用于根据每个个体的适应度值，采用Pareto支配算法，对更新后的迭代种群中的个体进行支配选择；
下一代迭代种群生成单元，用于对经过支配选择的个体进行排序，然后将前M个个体组成下一代的迭代种群。
CN201910885407.XA 2019-09-19 2019-09-19 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 Active CN110609739B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910885407.XA CN110609739B (zh) 2019-09-19 2019-09-19 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
US17/024,917 US11875271B2 (en) 2019-09-19 2020-09-18 Method and system for train periodic message scheduling based on multi-objective evolutionary algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910885407.XA CN110609739B (zh) 2019-09-19 2019-09-19 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

Publications (2)

Publication Number Publication Date
CN110609739A CN110609739A (zh) 2019-12-24
CN110609739B true CN110609739B (zh) 2022-04-08

Family

ID=68891562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910885407.XA Active CN110609739B (zh) 2019-09-19 2019-09-19 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

Country Status (2)

Country Link
US (1) US11875271B2 (zh)
CN (1) CN110609739B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420970B (zh) * 2021-06-10 2023-11-24 西安电子科技大学 智能仓储环境下的任务调度方法
CN115688605B (zh) * 2022-11-21 2023-09-08 西北工业大学 一种基于多目标优化算法的民机研制需求排序方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204595469U (zh) * 2015-05-06 2015-08-26 长春工业大学 一种mvb网络组件式模型
CN106953886A (zh) * 2016-12-21 2017-07-14 北京交通大学 一种基于以太网的列车通信网络周期信息调度方法
CN108632167A (zh) * 2018-04-11 2018-10-09 长春工业大学 一种基于遗传算法的mvb周期信息实时调度优化算法
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8700548B2 (en) * 2010-04-28 2014-04-15 Indian Statistical Institute Optimization technique using evolutionary algorithms
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204595469U (zh) * 2015-05-06 2015-08-26 长春工业大学 一种mvb网络组件式模型
CN106953886A (zh) * 2016-12-21 2017-07-14 北京交通大学 一种基于以太网的列车通信网络周期信息调度方法
CN108632167A (zh) * 2018-04-11 2018-10-09 长春工业大学 一种基于遗传算法的mvb周期信息实时调度优化算法
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Modeling and Simulation Technology for Performance Analysis ofTeN Network;Chaoyong Guo;《201O International Conference on Information, Networking and Automation (ICINA) 》;20101231;全文 *
基于Pareto蚁群算法的MVB周期轮询表优化设计;范超;《大连理工大学学报》;20151231;全文 *
基于改进差分进化算法的MVB周期调度表优化设计;张梦璇;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20180415;正文第15-42页 *

Also Published As

Publication number Publication date
US20210089929A1 (en) 2021-03-25
CN110609739A (zh) 2019-12-24
US11875271B2 (en) 2024-01-16

Similar Documents

Publication Publication Date Title
CN110609739B (zh) 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
CN109242532B (zh) 基于局域均值分解及优化rbf神经网络的短期电价预测方法
CN106610867B (zh) 一种片上网络任务调度方法及装置
CN109255498A (zh) 基于神经网络的负荷预测方法及装置
CN102929263A (zh) 一种混合流水车间调度方法
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
Fang et al. Genetic adaptive state estimation with missing input/output data
CN114362859B (zh) 增强条件生成对抗网络的自适应信道建模方法及系统
CN110213784B (zh) 一种流量预测方法及装置
CN113127193A (zh) 一种边缘网络动态业务卸载和调度方法及装置
CN116245030A (zh) 一种参数自动反馈调节的深度学习需水预测方法
CN114219027A (zh) 一种基于离散小波变换的轻量级时间序列预测方法
CN112736902B (zh) 一种基于stl分解的时间序列短期电力负荷预测方法
CN111724004B (zh) 一种基于改进量子灰狼算法的水库可供水量预报方法
Wang et al. Solving system-level synthesis problem by a multi-objective estimation of distribution algorithm
CN109543879A (zh) 基于神经网络的负荷预测方法及装置
CN111652373B (zh) 一种云机器人的任务调度方法、装置、设备及存储介质
Megala et al. Genetic algorithm and Hopfield neural network for a dynamic lot sizing problem
CN115713044B (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
CN114124554B (zh) 一种虚拟网络服务链吞吐量预测方法
CN110474798A (zh) 一种利用回声状态网络预测无线通信未来信号的方法
CN112200366B (zh) 负荷预测方法、装置、电子设备及可读存储介质
CN113269324B (zh) 一种基于遗传算法的低轨卫星时间窗规划方法及系统
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法

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