CN111526495B - 一种基于改进遗传算法的车联网AoI优化任务卸载方法 - Google Patents
一种基于改进遗传算法的车联网AoI优化任务卸载方法 Download PDFInfo
- Publication number
- CN111526495B CN111526495B CN202010324289.8A CN202010324289A CN111526495B CN 111526495 B CN111526495 B CN 111526495B CN 202010324289 A CN202010324289 A CN 202010324289A CN 111526495 B CN111526495 B CN 111526495B
- Authority
- CN
- China
- Prior art keywords
- task
- unloading
- aoi
- fitness
- vehicle
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于改进遗传算法的车联网AoI优化任务卸载方法,包括:根据车辆并发任务过程各类型任务数量的变化,结合不同类型任务的特点,得到适应度评价函数模型;根据卸载任务自身特点以及并发任务对应任务车辆的状态,利用适应度评价函数模型,得到个体适应度值;根据当前个体适应度值,计算种群的适应度变异系数,调整遗传进化过程中的变异概率和交叉概率,实现AoI优化。相比于基于卸载任务类型或卸载任务到达基站时间的卸载方法,本发明基于改进遗传算法能在一定迭代次数内找到并发任务卸载过程中的最优响应顺序,有效地优化任务卸载过程中的AoI。
Description
技术领域
本发明属于无线通信技术领域,更具体地,涉及一种基于改进遗传算法的车联网AoI优化任务卸载方法。
背景技术
在车联网中,任务卸载是解决车辆对消息传输处理性能的高要求和车辆自身有限计算能力之间矛盾的重要技术手段,但是任务卸载技术并不代表计算资源是无限的,同时考虑到服务器计算资源的服务成本等现实问题,所以对于服务器的响应过程我们仍需要进行合理的策略选择以保证基站服务器的计算资源能更加充分合理的得到利用,提升服务器对卸载任务的响应效率,保证车辆消息、请求处理响应的时效性和车辆行驶的安全性。
特别是任务卸载过程中随着车辆网络中车辆数和车辆请求任务密度的进一步增长而形成的并发任务卸载过程;在并发任务卸载过程中卸载任务状态非常接近,主要包括卸载任务状态到达基站的时间、卸载任务类型以及任务车辆位置状态,而且由于此时卸载任务状态差异很小,因此并发任务卸载过程还需要考虑任务车辆当前执行指令状态的影响;更为复杂的是,车辆当前执行指令的状态与卸载任务状态对任务卸载过程AoI(Age ofInformation,指令更新及时度)的影响并不是简单的叠加关系,而是存在一定地耦合关系,尤其是随着并发任务数的进一步增长,并发任务卸载过程会更加复杂,任何细微的差异都可能导致整个任务卸载过程的AoI过大,因此传统的根据卸载任务到达基站时间或卸载任务类型来进行卸载响应的方法会导致并发任务卸载过程AoI过大等问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于改进遗传算法的车联网AoI优化任务卸载方法,旨在解决现有的根据卸载任务到达基站时间或卸载任务类型来进行卸载响应导致车辆并发任务卸载过程中AoI过大的问题。
为实现上述目的,本发明提供了一种基于改进遗传算法的车联网AoI优化任务卸载方法,包括:
(1)根据车辆并发任务过程各类型任务数的变化,结合不同类型任务的特点,得到适应度评价函数模型;
(2)根据卸载任务自身特点以及对应任务车辆的状态,利用适应度评价函数模型,得到车辆并发任务在不同的卸载顺序下的AoI,即个体适应度值;
(3)根据当前个体适应度值,计算种群的适应度变异系数,调整遗传进化过程中的变异概率和交叉概率,实现AoI优化。
优选地,步骤(1)包括:
根据并发过程中各类型任务的数量和特点,即各类型任务进行卸载处理所需的时间,确定适应度评价函数的模型,即
其中,Δ(t)表示第i类型的卸载任务关于时间t的AoI变化函数,tcpui表示第i类型的卸载任务响应所需要的计算时间,t0表示上一个任务完成的时刻。
优选地,步骤(2)包括:
根据并发任务对应任务车辆的状态,包括车辆位置状态、车辆当前执行指令的AoI,通过根据并发任务各类型任务特点得到的适应度评价函数模型,得到个体的适应度值。
优选地,步骤(3)包括:
(3.1)根据车辆并发任务在不同的卸载顺序下的AoI,即个体的适应度值,计算种群的变异系数;
(3.2)根据种群适应度变异系数的相对变化,调整遗传进化过程的变异概率和交叉概率;
优选地,步骤(3.1)为:
当前种群适应度变异系数计算公式为:
其中,SDAoI表示当前种群的适应度值的标准差,而AveAoI表示当前种群的适应度值的平均值。
步骤(3.2)为:
将当前种群适应度变异系数与上一代的种群适应度系数进行比较,若当前种群适应度变异系数较上一代有减小的趋势,则适当增大下一代种群的变异概率和交叉概率。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下技术特征及有益效果:
本发明通过结合并发过程卸载任务的任务类型特点,并充分考虑任务车辆的状态,在此基础上对遗传算法做出适应性改进,相比传统的根据卸载任务到达基站时间或卸载任务类型来进行卸载响应的方法,不仅能大幅度地优化任务卸载过程中的平均AoI,同时对于峰值AoI也有明显的优化效果。
附图说明
图1是本申请技术方法提供的车辆并发任务过程的系统模型图;
图2是本申请实施例中整体流程图;
图3(a)是本申请技术方法与传统并发任务卸载方法产生的平均AoI的性能对比图;
图3(b)是本申请技术方法与传统并发任务卸载方法产生的峰值AoI的性能对比图。
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,以下结合附图及实施例,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用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是车辆并发任务卸载的系统模型图。从图1可知,基站BS距离道路中心距离为D,基站天线的高度为H,可卸载范围覆盖道路长度为L;在图1并发任务模型场景中,假设在tbf时刻,基站BS的可通信范围内有N辆车产生的N个请求任务几乎同时到达基站,由于到达基站的时间差异非常小,因此将其称为并发任务,模型中产生并发任务的车辆的位置如图中A1、A2、A3、A4所示呈区块式随机分布。假设区块Ai(i=1,2,3,4)中有M辆车,则用集合CAi={CAij|j=1,2,...,M;i=1,2,3,4}表示区块Ai中的车辆,而区块Ai中车辆产生的请求任务用集合VAi={VAij|j=1,2,...,M;i=1,2,3,4}表示;每一个区块中车辆产生的请求任务类型是在三类任务中随机生成的。
如图2所示,本发明提供了一种基于改进遗传算法的车联网AoI优化任务卸载方法,包括:
(1)根据车辆并发任务过程各类型任务数量的变化,结合不同类型任务的特点,得到适应度评价函数模型;
(2)根据卸载任务自身特点以及并发任务对应任务车辆的状态,利用适应度评价函数模型,得到车辆并发任务在不同的卸载顺序下的AoI,即个体适应度值;
(3)根据个体适应度值,计算种群的适应度变异系数,调整遗传进化过程中的变异概率和交叉概率,实现AoI优化。
所述车辆并发过程任务类型的特点主要是指不同类型的任务在卸载响应过程中所需的计算时间不同。
更具体的,本发明中对车辆卸载任务根据实际场景进行分类,分别标记为一至三级任务,一级任务为紧急请求任务;其中一级任务处理时间最短,而三级任务计算所需时间最长,即三类任务的任务计算量:dTask1<dTask2<dTask3;因此有tcpu1<tcpu2<tcpu3,则根据车辆任务卸载过程AoI计算公式,不同任务类型的卸载任务其对应的适应度评价函数模型为:
其中,Δ(t)表示第i类型的卸载任务关于时间t的AoI变化函数,tcpui表示第i类型的卸载任务响应所需要的计算时间,t0表示上一个任务完成的时刻。
与传统的适应度函数不同,在车辆任务并发过程中,其适应度函数会根据并发任务类型及其数目的变化而变化。
具体的,步骤(2)具体包括:
根据任务车辆当前执行指令的状态,包括任务车辆当前执行指令的实时AoI,通过适应度评价函数得到当前种群中某个个体的适应度值为:
其中,Δn(t)表示第i个响应的卸载任务关于时间t的AoI变化函数,考虑任务车辆的状态,因此有
Δn(t)=t+an
其中,an表示第i个响应的卸载任务对应任务车辆当前执行指令的实时AoI,tn表示第i个响应的卸载任务响应计算完成的时刻,即与任务类型有关。
更具体的,根据遗传算法思想可知,种群进行遗传进化的过程主要包括复制、变异和交叉这三个操作,而在一般的算法过程中,通常取定交叉概率Pc和变异概率Pb,通过转轮盘的方式来确定是否进行相关操作,即首先需要计算每一个个体的适应度fi,然后累加求和计算出种群整体的适应度之和F,即有
然后可以算出每一个个体的适应度占总适应度的比例pi,当个体的适应度越大时,其在总适应度中的占比就会越高,从而有更大的几率在“转轮盘”的过程中被选中,即:
进而算出每一个个体其适应度占比的分布范围,假设一共有N个解即N个个体,则第K(K<N)个个体的适应度占比分布范围的上下限PU和PD分别为:
所以当生成0-1之间的随机数Pi满足条件PD<Pi<PU时,第K个个体被选中;而其中交叉和变异个体的选择是通过生成0-1之间的随机数Pi,并比较生成的随机数Pi与事先设定好的交叉概率Pc和变异概率Pb的大小来决定当前个体是否被选中。
而在本发明中通过引入变异系数的概念来反映种群适应度的分布情况即种群个体基因表现型的丰富程度,进而根据种群适应度变异系数的变化情况来对种群的遗传进化过程中的交叉概率Pc和变异概率Pb来进行调整,这样能够避免遗传进化过程过早陷入局部最优解。相关仿真参数如表1所示。
表1
仿真参数 | 参数说明 | 值 |
L | 基站通信覆盖路段长度 | 500m |
H | 基站信号接收点高度 | 25m |
D | 车道中心距基站的距离 | 35m |
Gen | 遗传循环代数 | 100 |
Pop | 种群数量 | 80 |
V | 车辆行驶速度 | 72Km/h |
P<sub>b</sub> | 变异概率阈值 | 0.1 |
P | 初始交叉概率阈值 | 0.6 |
N<sub>car</sub> | 道路驶经车辆数 | 5-35 |
NT<sub>car</sub> | 每辆车产生卸载任务数 | 5-35 |
D<sub>input</sub> | 卸载任务大小 | 1~3MB |
F<sub>cpu</sub> | 服务器计算能力 | 10GHz/s |
C | 任务计算密度 | 50cycles/bit |
a<sub>0</sub> | 车辆初始AoI | 1-2 |
从图3(a)和图3(b)可以清楚地看到,不论是车辆并发任务在卸载过程中的平均AoI还是峰值AoI,本发明提出的基于改进遗传算法的任务卸载算法的性能都有明显的优化提升,而且随着并发任务数的增长,在基于改进遗传算法的任务卸载算法的性能曲线始终保持平稳且数值较低,这显示了该卸载响应方法面对复杂的并发任务卸载过程良好的稳定性和优越的性能表现,反观传统的根据卸载任务到达基站时间或卸载任务类型来进行卸载响应的方法,其性能曲线随着并发任务数的增加快速上升且出现明显的波动,也再次证明了本发明所提出方法的有效性和必要性。
以上内容本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于改进遗传算法的车联网AoI优化任务卸载方法,其特征在于,所述方法包括以下步骤:
(1)根据车辆任务卸载过程AoI计算公式,不同任务类型的卸载任务其对应的适应度评价函数模型为:
其中,Δ(t)表示第i类型的卸载任务关于时间t的AoI变化函数,tcpui表示第i类型的卸载任务响应所需要的计算时间,t0表示上一个任务完成的时刻;
(2)根据任务车辆当前执行指令的状态,包括任务车辆当前执行指令的实时AoI,通过适应度评价函数得到当前种群中某个个体的适应度值为:
其中,Δn(t)表示第i个响应的卸载任务关于时间t的AoI变化函数,考虑任务车辆的状态,因此有
Δn(t)=t+an
其中,an表示第i个响应的卸载任务对应任务车辆当前执行指令的实时AoI,tn表示第i个响应的卸载任务响应计算完成的时刻,即与任务类型有关;
(3.1)根据车辆并发任务在不同的卸载顺序下的AoI,即个体的适应度值,计算种群的变异系数;当前种群适应度变异系数计算公式为:
其中,SDAoI表示当前种群的适应度值的标准差,而AveAoI表示当前种群的适应度值的平均值;
(3.2)根据种群适应度变异系数的相对变化,调整遗传进化过程的变异概率和交叉概率;将当前种群适应度变异系数与上一代的种群适应度系数进行比较,若当前种群适应度变异系数较上一代有减小的趋势,则适当增大下一代种群的变异概率和交叉概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010324289.8A CN111526495B (zh) | 2020-04-22 | 2020-04-22 | 一种基于改进遗传算法的车联网AoI优化任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010324289.8A CN111526495B (zh) | 2020-04-22 | 2020-04-22 | 一种基于改进遗传算法的车联网AoI优化任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111526495A CN111526495A (zh) | 2020-08-11 |
CN111526495B true CN111526495B (zh) | 2021-03-26 |
Family
ID=71903936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010324289.8A Active CN111526495B (zh) | 2020-04-22 | 2020-04-22 | 一种基于改进遗传算法的车联网AoI优化任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111526495B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112073940B (zh) * | 2020-08-25 | 2021-10-08 | 华中科技大学 | 一种车载社交网络中汽车消息发送概率的设定方法和介质 |
CN113259968A (zh) * | 2021-04-14 | 2021-08-13 | 国网四川省电力公司电力科学研究院 | 基于信息新鲜度的配电网设备智能计算方法 |
CN113970926B (zh) * | 2021-09-29 | 2024-05-14 | 河海大学 | 一种基于信息年龄的自动驾驶车辆编队的控制参数联合优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
US9507271B1 (en) * | 2008-12-17 | 2016-11-29 | Applied Materials, Inc. | System and method for manufacturing multiple light emitting diodes in parallel |
CN106647652A (zh) * | 2016-11-16 | 2017-05-10 | 江汉大学 | 基于遗传算法和mmas算法的塔机群多任务的调度方法 |
CN107145387A (zh) * | 2017-05-23 | 2017-09-08 | 南京大学 | 一种车载网环境下基于深度强化学习的任务调度方法 |
CN108990016A (zh) * | 2018-08-17 | 2018-12-11 | 电子科技大学 | 一种多车协同的计算任务卸载与传输方法 |
CN110650497A (zh) * | 2019-09-29 | 2020-01-03 | 北京邮电大学 | 任务卸载、状态更新方法、装置、系统及相关设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9970278B2 (en) * | 2012-11-16 | 2018-05-15 | U.S. Well Services, LLC | System for centralized monitoring and control of electric powered hydraulic fracturing fleet |
CN104883388B (zh) * | 2015-04-17 | 2018-07-06 | 大连理工大学 | 一种基于遗传算法的车联网路边单元部署方法 |
CN107578119A (zh) * | 2017-08-09 | 2018-01-12 | 泉州装备制造研究所 | 一种智能调度系统的资源分配全局优化方法 |
CN108540963A (zh) * | 2018-04-13 | 2018-09-14 | 中南大学 | 回连模式下车联网雾计算能力的评估方法 |
-
2020
- 2020-04-22 CN CN202010324289.8A patent/CN111526495B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9507271B1 (en) * | 2008-12-17 | 2016-11-29 | Applied Materials, Inc. | System and method for manufacturing multiple light emitting diodes in parallel |
CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
CN106647652A (zh) * | 2016-11-16 | 2017-05-10 | 江汉大学 | 基于遗传算法和mmas算法的塔机群多任务的调度方法 |
CN107145387A (zh) * | 2017-05-23 | 2017-09-08 | 南京大学 | 一种车载网环境下基于深度强化学习的任务调度方法 |
CN108990016A (zh) * | 2018-08-17 | 2018-12-11 | 电子科技大学 | 一种多车协同的计算任务卸载与传输方法 |
CN110650497A (zh) * | 2019-09-29 | 2020-01-03 | 北京邮电大学 | 任务卸载、状态更新方法、装置、系统及相关设备 |
Non-Patent Citations (3)
Title |
---|
Age Based Task Scheduling and Computation Offloading in Mobile-Edge Computing Systems;Xianxin Song;《 2019 IEEE Wireless Communications and Networking Conference Workshop (WCNCW)》;20191118;全文 * |
Joint Task Offloading and Resource Allocation for Obtaining Fresh Status Updates in Multi-Device MEC Systems;Long Liu;《IEEE Access》;20200224;全文 * |
车联网中基于边缘计算的感知决策技术;宋贤鑫;《第十四届中国智能交通年会》;20191031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111526495A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111526495B (zh) | 一种基于改进遗传算法的车联网AoI优化任务卸载方法 | |
CN112995289B (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
CN112367640B (zh) | 基于移动边缘计算的v2v模式多任务卸载方法及系统 | |
CN113727308B (zh) | 一种基于车辆位置预测的边缘计算卸载优化方法 | |
CN112733272A (zh) | 一种解决带软时间窗的车辆路径问题的方法 | |
CN111262947A (zh) | 基于移动边缘计算的计算密集型数据状态更新实现方法 | |
CN112115505A (zh) | 基于移动边缘计算和区块链技术的新能源汽车充电站计费数据传输方法 | |
CN116566838A (zh) | 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法 | |
CN116782296A (zh) | 一种基于数字孪生的车联网边缘计算卸载多目标决策方法 | |
CN113905354A (zh) | 一种基于区域内容流行度的车载网络内容传递方法及系统 | |
CN113709249B (zh) | 辅助驾驶业务安全均衡卸载方法及系统 | |
CN111586568A (zh) | 基于边缘计算的车载通信紧急消息传输优化方法 | |
An et al. | Fuzzy deep Q-learning task offloading in delay constrained vehicular fog computing | |
CN114928611A (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
CN111626354A (zh) | 应用于车联网中的基于任务依赖性的聚类方法 | |
CN115065683B (zh) | 基于车辆聚类的车辆边缘网络任务分配卸载方法 | |
CN111818484A (zh) | 面向车联网的安全路由控制方法 | |
CN116070814A (zh) | 基于大数据处理的多式联运路径多冲突目标动态优化方法 | |
Wang et al. | Joint offloading decision and resource allocation in vehicular edge computing networks | |
CN114173301B (zh) | 一种基于dag区块链的车联网安全、高效数据共享方法 | |
CN115988462A (zh) | 一种基于车路协同的边缘计算模块的调试方法 | |
CN115834386A (zh) | 面向边缘计算环境中的智能服务部署方法、系统及终端 | |
CN113448707A (zh) | 在边缘计算中在线批并行任务调度方法 | |
CN114449477B (zh) | 一种基于边缘缓存和免疫克隆策略的车联网内容分发方法 | |
CN117793844B (zh) | 一种基于模糊逻辑的地理位置路由方法 |
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 |