CN111148110A - 一种基于遗传蚁群混合算法的车联网路侧单元部署方法 - Google Patents

Abstract

本发明公开了一种基于遗传蚁群混合算法的车联网路侧单元部署方法，包括建立路网模型、建立部署效益函数Bn、利用遗传蚁群混合算法对路侧单元部署问题进行优化求解；本发明首先建立的二维模型图更能够反映部署区域的地理位置，更具有实际运用价值，当最优解部署点计算出来后，可以很直观的知道部署点位置，为后续施工建设带来了方便；运用遗传蚁群混合算法，能够提高收敛速度和解的稳定性、多样性，成功避免早熟、停滞现象；另外由于遗传算法的局部搜索能力较差，导致单纯的遗传算法在局部搜索比较费时，在进化后期搜索效率较低，而蚁群算法对于小范围局部搜索就具有很大的优势，可以得到比单纯遗传算法更加优秀的结果。

Description

一种基于遗传蚁群混合算法的车联网路侧单元部署方法

技术领域

本发明涉及车联网路侧技术领域，尤其涉及一种基于遗传蚁群混合算法的车联网路侧单元部署方法。

背景技术

随着5G时代的到来，物联网技术已经不再是一项遥不可及的未来科技，而其中最引人注目的是车联网，它作为智能交通系统的关键技术和重要研究方向之一，已成为保障行车安全、提高交通效率的重要技术手段之一。

在车联网中车辆自组织网络(VANET,vehicularadhocnetwork)是一种特殊的移动自组织网络，它结合多个无线自组网技术，包括车与车通信 (V2V,vehicle-to-vehicle)、车与路侧单元通信(V2R,vehicle-to-RSU)、车与人通信(V2P,vehicle-to-People)。这三种通信模式实现了车载自组织网络中人、车、路三者的智能协同。

作为VANET的辅助通信设备，RSU能够解决由于车辆快速移动引起的网络拓扑结构频繁变化的问题，也能够提高车联网中的通信质量。然而，大量部署RSU 不仅费用较高，而且会受到候选部署点集合、交通特征、道路特征等诸多因素的影响。现有的关于RSU部署工作的研究主要是优化数据传输时延、RSU覆盖率和RSU部署费用等，以提高网络的性能。

本发明公开了一种基于遗传蚁群混合算法的车联网路侧单元部署方法，目的是为了最大化RSU部署效益。第一步建立路网模型，现在大多数存在的专利都是建立在一维的路网模型中，本发明采用一个更具实际运用价值的二维路网模型；第二步综合考虑每个路段的各项因素作为权重，来建立效益模型；第三步将路网模型和效益模型联合起来形成RSU部署问题的最终模型；最后利用遗传蚁群混合算法来搜索这个模型的最优解。对比已经发布的发明专利，在搜索最优解这一步大部分专利只采用一种优化算法。例如有的专利只采用遗传算法来搜索最优解，然而遗传算法的局部搜索能力较差，在局部最优搜索时无法快速收敛。在实际应用中，因为遗传算法容易产生早熟收敛的问题，所以运用贪心算法产生初始种群。本发明的创新点是，首先基于贪心算法的思想产生遗传算法的初始种群；然后利用遗传算法搜索出一组较优解；最后利用蚁群算法搜索出最优解。本发明思路期望达到遗传算法和蚁群算法优缺点互补的目的。

综上本发明所要解决的问题如下：

1.先前大部分专利对RSU部署问题的研究局限于将道路假设成一条线段，如何在线上部署RSU点的一维道路模型；而具有实际运用价值的二维路网模型研究的不够透彻，其中二维路网模型就是将一个区域内的道路看作线段，由各个线段构成的一个平面图形就是二维路网模型。为了满足RSU部署的实际运用价值，建立了二维路网模型G(V,E)。能够真实反应每个最优解RSU的坐标。

2.先前大部分专利只运用一种搜索最优解问题的算法来求解部署效益函数，每一种优化搜索算法都有它的优缺点，而单单使用一种算法来搜索时，可能会因为某一种算法的缺点，而导致无法搜索到最优解，所以通过遗传算法和蚁群算法优缺点互补。能够提高收敛速度和解的稳定性、多样性，成功避免早熟、停滞现象。

3.先前大部分作品对于最优解问题的初始解是随机产生的，如果初始解离最优解相差太远，那么最优解搜索试错的组数就会多很多，降低了搜索速度。针对这一点，采用贪心策略随机生成一组初始解。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于遗传蚁群混合算法的车联网路侧单元部署方法，来解决上述背景技术中提出的问题。

为了实现上述目的，本发明采用了如下技术方案：

一种基于遗传蚁群混合算法的车联网路侧单元部署方法，具体包括以下步骤：

S1、建立路网模型：

建立一个二维路网模型G(V，E)。V＝(v1，v2，v3，…，vn)代表路网中交叉路口节点，而E＝(e1，e2，e3，…，em)代表节点之间的路段。则某个路段e 表示为e(vh，vt，ft，fw)，其中vh、vt为路段起始点，而ft为路段e的路线函数，fw为路段e的权重函数；

S2、建立部署效益函数Bn，如下所示：

其中U是n个路侧单元的覆盖路段集合，符号S为其部分覆盖路段的集合， Me为路段e在路网中所有路侧单元覆盖区域的部分；

S3、利用遗传蚁群混合算法对路侧单元部署问题进行优化求解：

3.1参数初始化，初始化遗传算法参数，包括遗传算法种群大小，变异算子参数pm，交叉算子参数pc；初始化蚁群算法参数，包括信息素启发因子α，期望启发因子β，信息素挥发因子ρ，寻找下一个节点的阀值概率p0；初始化遗传算法迭代次数n和蚁群算法的迭代次数m；

3.2种群个体编码方式；假设需要部署k个路侧单元，而(x，y)代表一个部署点的坐标，将x和y转化为二进制数，分别为(δ1，δ2，δ3，…，δn) 和(μ1，μ2，μ3，…，μn)，从而结合成一个长为2n的(0-1)数据串(δ 1，δ2，，δ3，…，δn，μ1，μ2，μ3，…，μn)，而需要部署k个点，所以数据串长度为2n*k；最后用(γ1，γ2，γ3，…，γ2n*k)来对2n*k个(0-1) 数据一一对应；此数据串为遗传算法中的一个染色体；

3.3使用贪心策略初始化数据集；使用贪心算法产生初始种群P，其中种群个数为m，用(p1，p2，p3，…pm)表示；其中p1代表一个长度为2n*k的(0-1) 数据串；

3.4设定适应度函数；设计每个路段的权重函数fw，进而确定部署效益函数Bn，用Bn作为适应度函数；

3.5进化策略；使用遗传算法对染色体进行操作，采取轮盘赌进行染色体的选择，采用多点交叉和均匀变异进行操作，迭代循环n次；

3.6将遗传算法获得的最优部署集来初始化蚁群算法的信息素表，初始化妈蚁的只数；

3.7根据蚁群算法公式进行部署点的选择，直到所有的蚂蚁都找到最优部署点，根据蚁群算法找到的部署点更新信息素表；

3.8然后回到遗传算法，再进行最优解搜索，直到循环次数达到我们预设的循环次数，则循环结束并输出最优路径。

本发明提供的一种基于遗传蚁群混合算法的车联网路侧单元部署方法，与现有技术相比：

1.首先建立的二维模型图更能够反映部署区域的地理位置，更具有实际运用价值，当最优解部署点计算出来后，可以很直观的知道部署点位置，为后续施工建设带来了方便。

2.运用遗传蚁群混合算法，能够提高收敛速度和解的稳定性、多样性，成功避免早熟、停滞现象；另外由于遗传算法的局部搜索能力较差，导致单纯的遗传算法在局部搜索比较费时，在进化后期搜索效率较低，而蚁群算法对于小范围局部搜索就具有很大的优势，可以得到比单纯遗传算法更加优秀的结果。

附图说明：

图1为本发明的算法思想流程图；

图2为本发明的遗传算法流程图；

图3为本发明的蚁群算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例和说明书附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1-3，一种基于遗传蚁群混合算法的车联网路侧单元部署方法，具体包括以下步骤：

S1、建立路网模型：

建立一个二维路网模型G(V，E)。V＝(v1，v2，v3，…，vn)代表路网中交叉路口节点，而E＝(e1，e2，e3，…，em)代表节点之间的路段。则某个路段e 表示为e(vh，vt，ft，fw)，其中vh、vt为路段起始点，而ft为路段e的路线函数，fw为路段e的权重函数；

S2、建立部署效益函数Bn，如下所示：

其中U是n个路侧单元的覆盖路段集合，符号S为其部分覆盖路段的集合， Me为路段e在路网中所有路侧单元覆盖区域的部分；

S3、利用遗传蚁群混合算法对路侧单元部署问题进行优化求解：

3.1参数初始化，初始化遗传算法参数，包括遗传算法种群大小，变异算子参数pm，交叉算子参数pc；初始化蚁群算法参数，包括信息素启发因子α，期望启发因子β，信息素挥发因子ρ，寻找下一个节点的阀值概率p0；初始化遗传算法迭代次数n和蚁群算法的迭代次数m；

3.2种群个体编码方式；假设需要部署k个路侧单元，而(x，y)代表一个部署点的坐标，将x和y转化为二进制数，分别为(δ1，δ2，δ3，…，δn) 和(μ1，μ2，μ3，…，μn)，从而结合成一个长为2n的(0-1)数据串(δ 1，δ2，，δ3，…，δn，μ1，μ2，μ3，…，μn)，而需要部署k个点，所以数据串长度为2n*k；最后用(γ1，γ2，γ3，…，γ2n*k)来对2n*k个(0-1) 数据一一对应；此数据串为遗传算法中的一个染色体；

3.3使用贪心策略初始化数据集；使用贪心算法产生初始种群P，其中种群个数为m，用(p1，p2，p3，…pm)表示；其中p1代表一个长度为2n*k的(0-1) 数据串；

3.4设定适应度函数；设计每个路段的权重函数fw，进而确定部署效益函数Bn，用Bn作为适应度函数；

3.5进化策略；使用遗传算法对染色体进行操作，采取轮盘赌进行染色体的选择，采用多点交叉和均匀变异进行操作，迭代循环n次；

3.6将遗传算法获得的最优部署集来初始化蚁群算法的信息素表，初始化妈蚁的只数；

3.7根据蚁群算法公式进行部署点的选择，直到所有的蚂蚁都找到最优部署点，根据蚁群算法找到的部署点更新信息素表；

3.8然后回到遗传算法，再进行最优解搜索，直到循环次数达到我们预设的循环次数，则循环结束并输出最优路径。

本发明首先建立的二维模型图更能够反映部署区域的地理位置，更具有实际运用价值，当最优解部署点计算出来后，可以很直观的知道部署点位置，为后续施工建设带来了方便。

运用遗传蚁群混合算法，能够提高收敛速度和解的稳定性、多样性，成功避免早熟、停滞现象；另外由于遗传算法的局部搜索能力较差，导致单纯的遗传算法在局部搜索比较费时，在进化后期搜索效率较低，而蚁群算法对于小范围局部搜索就具有很大的优势，可以得到比单纯遗传算法更加优秀的结果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于遗传蚁群混合算法的车联网路侧单元部署方法，其特征在于，具体包括以下步骤：

S1、建立路网模型：

建立一个二维路网模型G(V，E)。V＝(v1，v2，v3，…，vn)代表路网中交叉路口节点，而E＝(e1，e2，e3，…，em)代表节点之间的路段。则某个路段e表示为e(vh，vt，ft，fw)，其中vh、vt为路段起始点，而ft为路段e的路线函数，fw为路段e的权重函数；

S2、建立部署效益函数Bn，如下所示：

其中U是n个路侧单元的覆盖路段集合，符号S为其部分覆盖路段的集合，Me为路段e在路网中所有路侧单元覆盖区域的部分；

S3、利用遗传蚁群混合算法对路侧单元部署问题进行优化求解：

3.1参数初始化，初始化遗传算法参数，包括遗传算法种群大小，变异算子参数pm，交叉算子参数pc；初始化蚁群算法参数，包括信息素启发因子α，期望启发因子β，信息素挥发因子ρ，寻找下一个节点的阀值概率p0；初始化遗传算法迭代次数n和蚁群算法的迭代次数m；

3.2种群个体编码方式；假设需要部署k个路侧单元，而(x，y)代表一个部署点的坐标，将x和y转化为二进制数，分别为(δ1，δ2，δ3，…，δn)和(μ1，μ2，μ3，…，μn)，从而结合成一个长为2n的(0-1)数据串(δ1，δ2，，δ3，…，δn，μ1，μ2，μ3，…，μn)，而需要部署k个点，所以数据串长度为2n*k；最后用(γ1，γ2，γ3，…，γ2n*k)来对2n*k个(0-1)数据一一对应；此数据串为遗传算法中的一个染色体；

3.3使用贪心策略初始化数据集；使用贪心算法产生初始种群P，其中种群个数为m，用(p1，p2，p3，…pm)表示；其中p1代表一个长度为2n*k的(0-1)数据串；

3.4设定适应度函数；设计每个路段的权重函数fw，进而确定部署效益函数Bn，用Bn作为适应度函数；

3.5进化策略；使用遗传算法对染色体进行操作，采取轮盘赌进行染色体的选择，采用多点交叉和均匀变异进行操作，迭代循环n次；

3.6将遗传算法获得的最优部署集来初始化蚁群算法的信息素表，初始化妈蚁的只数；

3.7根据蚁群算法公式进行部署点的选择，直到所有的蚂蚁都找到最优部署点，根据蚁群算法找到的部署点更新信息素表；

3.8然后回到遗传算法，再进行最优解搜索，直到循环次数达到我们预设的循环次数，则循环结束并输出最优路径。

Images