CN111866914A - 一种5g网络中大规模物联网工作节点配置方法 - Google Patents
一种5g网络中大规模物联网工作节点配置方法 Download PDFInfo
- Publication number
- CN111866914A CN111866914A CN202010605107.4A CN202010605107A CN111866914A CN 111866914 A CN111866914 A CN 111866914A CN 202010605107 A CN202010605107 A CN 202010605107A CN 111866914 A CN111866914 A CN 111866914A
- Authority
- CN
- China
- Prior art keywords
- things
- nodes
- internet
- individuals
- node
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种5G网络中大规模物联网工作节点配置方法,包括:将所述大规模物联网划分为多个分区,每一分区具有多个分组,每个分组内的节点数量小于最佳工作数量;采用基于遗传算法的多目标规划算法获得每一分区满足覆盖要求的节点可行配置;采用笛卡尔积合并各分区的所述节点可行配置,优先从中选择非关键节点激活,构成最终的工作节点当前配置。与现有技术相比,本发明具有可有效延长物联网的寿命等优点。
Description
技术领域
本发明涉及物联网领域,尤其是涉及一种5G网络中大规模物联网工作节点配置方法。
背景技术
物联网技术是全球实现海量连接、万物互联的主要技术手段,已成为万物互联网络中重要的组成部分。随着5G网络的发展和普及,物联网的应用面临着新的机遇和挑战。在物联网中的无线传感器节点往往没有持续性的电源,因此在物联网工作设计中,如何延长物联网的使用寿命一直是一个关键问题。另外,在考虑如何延长物联网的使用寿命同时,还需要保证物联网具有满足要求的网络覆盖率,这是一个多目标规划问题。
目前研究人员已提出许多延长物联网的使用寿命的方法,例如基于旋转的启发式覆盖算法、节点自调度算法、基于二元蚁群算法的多目标规划算法(IGA-BAC)等,其中,基于旋转的启发式覆盖算法将传感器节点集群划分成不相交的集合,并逐个激活这些组以延长的物联网的寿命,但它用于大规模物联网时太费时;节点自调度算法交替地调度节点的状态,分别为睡眠和活动状态,然而不平衡的能源消耗过早地耗尽了一些节点的能量,反而降低了物联网的使用寿命;基于二元蚁群算法的多目标规划算法(IGA-BAC)将多目标编程降级为线性规划,无法满足物联网覆盖要求,并且该算法也非常耗时。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种5G网络中大规模物联网工作节点配置方法,可有效延长物联网的寿命。
本发明的目的可以通过以下技术方案来实现:
一种5G网络中大规模物联网工作节点配置方法,包括:
将所述大规模物联网划分为多个分区,每一分区具有多个分组,每个分组内的节点数量小于最佳工作数量;
采用基于遗传算法的多目标规划算法获得每一分区满足覆盖要求的节点可行配置;
采用笛卡尔积合并各分区的所述节点可行配置,优先从中选择非关键节点激活,构成最终的工作节点当前配置。
进一步地,所述每一分区通过多趟分组操作获得多个分组。
进一步地,所述节点可行配置经快速非支配排序后采用笛卡尔积合并。
进一步地,所述非关键节点为少于一半的候选解激活的节点。
进一步地,所述多目标规划算法中,在经过交叉和变异操作后,对合并的父代个体和子代个体进行个体剪枝,去除冗余个体。
进一步地,所述冗余个体包括重复个体和极端不合理个体。
进一步地,每经过一设定迭代次数执行一个所述个体剪枝。
进一步地,所述多目标规划算法中的交叉处理为均匀交叉。
进一步地,所述多目标规划算法中,应用快速非支配排序对个体进行排序。
进一步地,最佳工作数量为小于1000。
与现有技术相比,本发明具有如下有益效果:
1、本发明对大规模物联网进行分区,使用并行算法将海量物联网节点的覆盖问题分成许多小问题,然后再并行地使用Hadoop来解决这些问题,效率高。
2、本发明在并行遗传算法中应用快速非支配性排序,减少工作节点的冗余度,并且实现用较少的节点完成较高覆盖度。
3、本发明在遗传算法求解过程中应用均匀交叉和剪枝操作,使得结果快速朝可行解收敛。
4、本发明在工作节点配置中优先选择非关键节点,从而延长物联网的寿命。
附图说明
图1合并两个相邻物联网示意图;
图2为延长物联网寿命的并行遗传方法流程图;
图3为MPGA算法的改进流程图;
图4为快速非支配排序流程图;
图5为避免选择关键节点流程图;
图6为遗传算法在不同节点数量的物联网上的覆盖率实验结果图;
图7为本发明多次分组的效果示意图,其中,(7a)为单次分组和三次分组覆盖率对比,(8a)为单次分组和三次分组冗余度对比;
图8为本发明与DGA、MPGA-P算法的实验结果示意图,其中,(8a)为三种方法下不同节点数量的寿命对比,(8b)为8000节点物联网不同时序轮次下使用的节点数量对比,(8c)为16000节点物联网不同时序轮次下使用的节点数量对比。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一、相关定义与相关指标
1.相关定义
物联网的寿命:物联网中的传感器节点(即节点)通常没有连续的电源,因此延长物联网的寿命一直是至关重要的问题。解决该问题的一种可能方法是在监视区域中覆盖更多的传感器节点,并允许这些节点交替活动或休眠。物联网中工作节点的配置持续一个时间范围,然后下一个配置中的其他节点在另一个时间范围内处于活动状态。随着工作节点的消耗,配置将继续形成一个序列,直到物联网耗尽了大部分传感器节点并且其余节点无法满足物联网覆盖率的下限。然后,物联网的寿命就结束了。因此,物联网的寿命等于工作节点的配置序列的长度。
0-1覆盖模型:假设无线传感器网络覆盖区域是一个二维监测区域,将监测区域划分为m×n个格点,每个网格的大小为1×1。传感器节点集合用S表示,一共有N个节点,表示如下S=(s1,s2,,…sj,…,sN),si代表的是第i个节点。我们认为监测区域的每个节点的坐标都是可知的,第i个节点的坐标为(xi,yi),每个节点的感知范围是一个圆形区域,{xi,yi,r}表示一个以xi,yi坐标为圆心,r为半径的感知范围。我们假设通信半径rc至少是感知半径的r的两倍,即rc>=2r,以确保无线传感器网络的连通性。在这种情况下,只需要考虑覆盖问题,连通问题默认不需要考虑。
非支配排序:假设两个候选解x1和x2,如果候选解x1的所有目标函数都比x2优秀,那么称x1支配x2。如果候选解x1不被任何其他解支配,那么称x1为非支配解。所有非支配解的解集称为非支配集。快速非支配排序算法通过搜索这些非支配解集来完成多目标编程。
剪枝:剪枝规则的目的主要是为了删除一些重复个体以及不合理个体,在剩下的个体中再选择优秀个体参与到下一代的迭代进化中,其实也就是为了提高候选解的质量。
关键节点:如果节点被超过一半的候选解激活,那么这个节点称为关键节点。
2.相关指标
为了衡量物联网覆盖的有效性,通过下列指标进行评价:
覆盖率,无线传感器网络的主要任务就是对目标的感知和监测,覆盖率即表示对监测区域的有效监测程度,它是一个衡量网络服务质量的重要指标之一。活跃节点覆盖的总面积与监测区域的总面积的比值就是覆盖率。
网络连通性,无线传感器网络通过自组织多跳的方式传输数据,并不需要建立固定的基础网络设施,只有网络是连通的才能保证数据可以传输,如果网络的连通性不能保证,那么部分节点的数据将无法传递,网络也就失去了意义。
网络生存周期,无线传感器网络生命周期定义为网络从开始工作到节点能量耗尽而不满足覆盖要求的时间,由于传感器节点自身携带能量有限,因此网络的生命周期是有限的,当前的难点是如何提高能耗效率以延长网络的整体生命周期,当下主要是通过调度策略分批次激活节点进行工作,在保证连通和覆盖的前提下,显然希望调度策略可以产生更多的工作轮次,进而延长整体网络生存周期。
冗余度,无线传感器网络的冗余度的定义为所有活跃节点的覆盖面积之和与监测区域面积的比值。冗余度越高,表示网络中的冗余度节点越多,因此会缩短网络的生存时间。实际上,冗余度反映的是活跃节点数量与最优覆盖的节点数量的比值。
算法复杂度,传感器网络的算法复杂度主要包括时间复杂度,计算复杂度和通信复杂度等。一般传感器节点的计算和存储能力不强,因此大量且复杂的运算不会在节点上运行,因为会消耗太多能量。通常对于传感器网络,多项式时间的算法复杂度是允许的,当然如果算法时间复杂度越低,节点的计算和通信开销越小,那么算法性能越好。
网络可扩展性,无线传感器网络是高密度大规模的网络结构,网络的覆盖控制设计最好使性能与网络的规模无关或者线性相关。网络良好的可拓展性是指网络的性能不会随着部署节点的规模而显著降低。
计算最佳的工作节点的配置序列,以延长物联网寿命是一个多目标编程问题。此过程的主要目标是每个配置的覆盖率必须超过给定的下限,并且必须尽可能高。第二个目标是减少每种配置中工作节点的冗余,并避免冗余节点消耗额外的能量。该目标又使得物联网可以保持更长的活动时间。假设使用处于关键位置且被多个配置需要的节点叫做关键节点。第三个目标是选定工作节点的当前配置时,算法需要优先选择包含关键节点少的可行配置。这样,其余节点能够满足覆盖率的要求且支持下一个工作节点配置,最终算法最大化工作节点的配置序列的长度。
二.本发明方法原理
本发明提出一种5G网络中大规模物联网工作节点配置方法,该方法应用于激活所有节点的覆盖度超过覆盖度下界时,通过并行计算,采用遗传算法以延长5G网络中物联网寿命。如图2所示,本发明方法共有三个步骤:
步骤一,将所述大规模物联网划分为多个分区(子物联网),每一分区具有多个分组,每个分组内的节点数量小于最佳工作数量,使用分区和分组操作来减小大物联网的规模,使覆盖问题可解;
步骤二,采用基于遗传算法的多目标规划算法(MPGA)获得每一分区满足覆盖要求的节点可行配置,能够解决这些小区域的覆盖问题;
步骤三,采用笛卡尔积合并各分区的所述节点可行配置,优先从中选择非关键节点激活,构成最终的工作节点当前配置。
1.MPGA算法
MPGA算法包括快速非支配排序、均匀交叉、个体剪枝、优先选择非关键节点和遗传算法等技术组成。下面分模块来介绍MPGA算法的原理。
1.1.快速非支配排序
给定两个变量np和Sp,np表示支配当前解的个体数量,Sp表示被当前个体p支配的解的集合。首先,如果当前还剩下一些个体,那么算法进入下一步。否则认为所有个体都已经被排序,算法结束。计算每个个体的覆盖率和冗余度后,计算这些个体的np和Sp,当前所有的个体都会计算这两个指标。如果个体x的覆盖度和冗余度都优于y,那么认为x支配y。那么认为个体y应该被放入个体x的Sx中,并且个体y的ny应该加1,表示当前有一个个体支配它。如果个体x和个体y在覆盖度和冗余度上各有优势,那么认为x和y是非支配的。算法找到所有np为0的个体。这些个体属于非支配集合,并且这些个体明显在覆盖度和冗余度上优于其他解。因此这些解被放入第一层次的集合里,同时对这些解的Sp集合里的每一个解的np值减1,这个步骤可以在将当前这些解放入第一层后继续对剩下的个体进行非支配排序。下面是快速非支配排序伪代码:
快速非支配排序是本发明提出的基于快速非支配性排序的改进型基因算法(IGA-FNS)中的其中一个步骤,主要针对的是求解多目标函数中优秀个体,将这些个体按照多个目标优劣进行排序,目的是为了接下来将这些排好序的个体按照一定的策略进行交叉、变异以及产生下一代个体,并朝着最优解去进化。
1.2.均匀交叉
均匀交叉也被称为一致交叉,是指两个交叉个体的每个基因位都以相同的交叉概率进行交换,从而形成两个新的个体。具体步骤是通过生成一个屏蔽字来确定新个体的每个基因位是由哪个父代个体提供。主要操作如下:随机生成一个和个体编码长度相同的屏蔽字,由上述规则从A,B两个父代个体产生两个新子代A’,B’。例如屏蔽字的第i位为0,则A’在第i位上基因继承自A,B’在第i个基因继承自B,若屏蔽字第i位为1,则A’在第i基因继承自B,B’在第i位基因继承自A。
均匀交叉由于可以使得个体都有机会参与交叉,因此搜索能力明显要强于单点和两点交叉。尤其是当种群规模越大,均匀交叉的优势越明显。由于无线传感器网络以二进制编码,网络规模都是至少上百,因此解的复杂度为2^100,规模还是非常大的,如果使用单点交叉或者两点交叉,首先寻找最优解的时间会非常大,其次也不利于解的多样性,可能陷入局部最优而提前结束迭代。因此选择使用均匀交叉方式作为最终的交叉方式,可以使得更快速度逼近最优解。
1.3.个体剪枝
当没有采用个体剪枝的时候,最终得到的候选解具有两个明显特征:1.重复个体很多;2.个体间差距较大。例如种群规模为100,有相当多的个体其实是重复的,个体间差距较大指的是有些个体的覆盖率可能极低,甚至不足10%,明显离要求的覆盖率相去甚远。
针对候选解的特点,本发明提出了去除冗余个体的策略。通过对候选个体进行剪枝去除冗余个体。冗余个体主要指的是那些重复个体以及极端不合理个体。就像上文所述,虽然算法中每代个体数量有限,但是迭代过程中不可避免的会出现重复的个体,重复个体也有可能来自父代和子代合并的过程中,或者交叉与变异的过程中。另一方面,冗余个体可能来自不合理个体,无线传感器网络中活动节点与所有节点其实是有一个比较合理的范围,不在这个范围内其实都可以认为是不合理的。因为如果激活节点数量过多对延长整体网络寿命是无效的,但是如果激活节点数量过少,那么又很难保证整体网络覆盖质量。
剪枝规则的目的主要是为了删除一些重复个体以及不合理个体,在剩下的个体中再选择优秀个体参与到下一代的迭代进化中,其实也就是为了提高候选解的质量。剪枝规则虽然是有利于个体朝着最优解快速迭代,但是显然剪枝规则不适应于参加每一轮迭代,因为其实这样也会影响个体的多样性,因此本发明给定一个常量,设置为10,表示剪枝规则只有在算法每经过10代才生效,才将剪枝规则运用到整体算法中。剪枝规则可以同时去掉重复个体以及那些不合理范围内的个体,减少一些无效的迭代次数,并最终达到快速迭代到最优解。
从图3中可以看出,剪枝操作发生在合并父代和子代个体之后,并且发生在均匀交叉之前,剪枝操作并不会参与到每一轮的迭代,而是每经过10轮迭代之后才会参与到最终的优化中。
1.4.优先选择非关键节点的方法
当前大多数针对无线传感器网络覆盖的优化算法,通常指的是优化当前覆盖,一般认为当前覆盖使用更少的节点达到更好的覆盖就算是可以延长整体网络覆盖寿命;或者是简单的认为将当前所有传感器节点尽可能的划分为更多的覆盖集合则更可以延长网络覆盖寿命。相对来说,现有方法考虑的优化更多是局部的,或者没有针对所有传感器节点考虑,至少没有考虑当下的选择针对下一轮的节点选择是否会有影响。
而本发明并行算法所使用的MPGA算法考虑当前配置对下一个配置的影响。在MPGA在确定工作节点的当前配置时应用了优先选择非关键节点的策略,以最大程度地减少关键节点的数量。图5呈现了非关键节点的优先选择的流程图。首先,MPGA算法计算并行算法为每个节点组生成的可行解中每个节点的出现次数。一旦节点的出现次数超过阈值,该算法便将该节点设置为关键节点。并行算法合并了整个物联网的可行解并根据其覆盖范围和冗余度对生成的可行解进行排序后,MPGA会计算每个生成的可行解所包含的关键节点的数量。最后,MPGA将具有最少关键节点的可行解设置为当前配置。值得强调的是,一旦多个可行解包含最不重要的节点,MPGA就会根据其排序顺序选择最早的可行解。因此,当前配置可以满足最大化覆盖率、最小化冗余度以及优先选择包含较少关键节点的可行配置作为当前配置这三个目标,并且可以最大限度地延长整个物联网的寿命。
1.4.总体流程
MPGA算法的流程如图3所示,具体包括:
(1)判断激活所有节点的覆盖度是否超过覆盖度下界,若是,则执行下一步,若否,则结束;
(2)通过交叉和变异产生后代;
(3)合并父代和子代个体;
(4)是否满足触发剪枝规则条件(gen/TG==0),若是,则进行个体剪枝,若否则执行步骤(5);
(5)判断是否已排序,若是,则执行步骤(6),若否则进行快速非支配排序,计算个体拥挤度,从父代个体生成新一轮个体后返回步骤(5);
(6)进行均匀交叉操作;
(7)进行变异与选择操作;
(8)判断是否迭代结束,若否,则返回步骤(3)进行下一次迭代,若是,则结束。
2.合并得到可行解的方法
并行遗传算法(PGA)使用快速非支配排序算法合并小节点组和子物联网的可行解,最终获得具有大量节点的整个物联网的可行解。假设fnum、tnum和gnum分别表示保留的可行解数量、分区数量和分组数量。
首先,该算法合并了每个子物联网中来自节点组的可行解,并保留了以下步骤的前fnum可行解。图2展示了此过程的工作流程。并行算法为每个子物联网中的节点实施(tnum+1)趟分组操作,每趟分组都产生gnum个节点分组。最后,并行算法获得了(tnum+1)*gnum个节点分组,并使用Hadoop并行求解这些节点分组中可行的工作节点配置(可行解)。然后,该算法在迭代部分中收集tnum×gnum组的可行解,然后与现有解集(如果存在)合并。后期,算法将根据它们的覆盖范围和冗余度对这些可行解进行排序,并保留前fnum可行解(如果其数量小于fnum,则保留所有可行解)作为新的可行解集。同时,该算法还收集剩余的gnum组的可行解作为测试集。然后,算法将测试集合并到可行解集中,并在合并之前和之后比较可行解集。如果可行解集中的前Pfs×fnum可行解保持不变,则算法进入后续步骤,Pfs是测试过程的检查比率,其值的设置需要平衡计算时间与可行解的性能(即覆盖范围和冗余度)之间的平衡。否则,该算法的分组操作不充分,一些最优解中的节点未能出现在同一个节点分组中,进而并行算法错过了这些最优解。算法返回到Hadoop的映射阶段,再次执行(tnum+1)次分组操作,将可行解与现有的可行解集合合并作为新的可行解集合,然后迭代执行前面的步骤。其中,合并过程采用快速非支配性排序,排序可行解和现有集合中的可行解,并截取前fnum个可行解作为新的可行解集合。
其次,该算法逐层合并来自两个相邻子物联网的可行解,合并这两个子物联网,最后生成整个物联网的可行解集。具体来说,该算法通过计算笛卡尔积,合并了来自两个相邻子物联网的可行解。然后,该算法使用快速非支配排序算法对这些可行解进行排序,并提取前fnum个可行解作为由这两个子物联网组合而成的物联网可行解集。图1展示了来自两个相邻子物联网的可行解合并示例。首先,并行算法为第一和第二子物联网获得了四个可行解。然后,该算法通过计算笛卡尔乘积获得组合物联网的十六个可行解。
最后,该算法使用快速非支配排序算法对这些可行解进行排序,并将前六个可行解保留为可行解集。合并过程一直持续到将所有子物联网合并到一个物联网中为止,然后该算法获得整个物联网的可行解集。
三、实施例
本实施例在具有大量节点的物联网上执行了并行遗传算法(PGA)。物联网覆盖了400m×400m的监控区域。并行遗传算法将每个物联网划分为16个子物联网。监视区域中的传感器节点数范围从8000到64000,每个子物联网的节点数从500到4000。当并行算法应用分组操作时,每个组最多有1000个节点。每个节点包含一个能量单位,感知半径始终为10m。同时,本实施例以另外两种方式对物联网执行遗传算法作为对比例。第一个是直接遗传算法(DGA),它直接在物联网上使用遗传算法。第二个是简单分区后的MPGA算法(MPGA-P),它将物联网分为16个子物联网,在每个子物联网上运行遗传算法,并将子物联网的最短生命期设置为整个物联网。最后,实验计算了这些方法的覆盖范围,并产生了这些物联网的最终寿命。结果如图8所示。
实验结果表明,并行遗传算法可以解决具有大量节点的5G物联网的覆盖问题,并可以最大化物联网的寿命。首先,先进的遗传算法无法直接解决当前规模的问题。在实验中,实验中的节点至少为8000个节点,并且工作节点的可能配置数目陡然达到了2的8000次幂。因此,这超出了现有算法的求解能力。图8表明,即使节点数只有8000,DGA也无法提供任何可行解,并且DGA的物联网寿命为零。这是因为遗传算法中可能出现的个体数量达到了天文规模,并且满足修剪条件的个体比例极低,在种群中个体交叉和突变后,绝大多数新个体不符合修剪条件。这样,经过几代迭代之后,遗传算法将终止,因为不存在合法的个体。因此,直接应用遗传算法来解决具有大量节点的物联网的覆盖问题是不可行的。
其次,当节点数不超过16000,并且子物联网中的节点数不超过1000时,MPGA-P算法可以解决此物联网覆盖问题,但其最终寿命少于本发明中的并行遗传算法,如图(8a)所示。具体来说,在具有8000或16000个节点的物联网中,尽管MPGA-P算法的覆盖范围与PGA算法相似,但MPGA-P需要更多的节点。在图(8b)-(8c)中,与PGA相比,MPGA-P在任何时间范围内消耗的节点都更多。导致这一个结果的原因主要有三个:(1)尽管MPGA-P将物联网划分为许多子物联网,但该方法完全忽略了优化相邻子物联网中可行解的方法。相比之下,并行遗传算法通过计算笛卡尔积来枚举两个相邻子物联网中所有可行解的组合,然后使用快速非支配排序算法优化这些组合的覆盖范围。(2)并行算法使用快速非支配排序算法为两个相邻子物联网共同优化可行解的节点数,并为工作节点的后续配置保留更多节点。(3)PGA实施了优先选择非关键节点的策略,并最大化了工作节点的配置序列的长度。
第三,当物联网的节点规模超过16000时,只有并行遗传算法才能计算具有大量节点的5G物联网的生命周期。这是因为每个子物联网将包含一千多个节点,并且超过了遗传算法的求解能力。并行遗传算法进一步将节点分为几组,其节点数应不超过一千,因此并行算法解决了具有64000个节点的物联网的覆盖问题。此外,该算法执行多次分组操作,然后将可行解与测试集中的可行解进行比较。如果存在其他更好的可行解,则该算法将继续迭代执行上述步骤。因此,最后一组可行解接近了当前子物联网的最佳可行解。
第四,采用分而治之的并行遗传算法可以适当降低具有大量节点的5G物联网中覆盖问题的时间复杂性。因此,该算法具有良好的可扩展性,可以解决节点较多的物联网的覆盖问题。在映射减少阶段,分区和分组操作的时间复杂度是多项式。在求解阶段,虽然要求解的组数可能比较大,但是在5G网络数据中心中有许多计算机,该算法可以并行解决每个组的覆盖问题。同时,每组遗传算法的时间复杂度也在多项式级别。最后,在合并阶段,该算法通过计算笛卡尔乘积来枚举相邻子物联网的可行解的组合,然后使用快速非支配排序算法对这些解进行排序和合并。此步骤的时间复杂度也在多项式级别。因此,整个算法的时间复杂度也在多项式级别。因此,该算法只需要36个小时即可为具有2个Intel E5 CPU和64G内存的服务器上的64000个节点计算物联网的工作节点的配置顺序。总之,并行遗传算法可以解决具有大量节点的5G物联网的覆盖问题,并最大限度地延长这些物联网的寿命。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种5G网络中大规模物联网工作节点配置方法,其特征在于,包括:
将所述大规模物联网划分为多个分区,每一分区具有多个分组,每个分组内的节点数量小于最佳工作数量;
采用基于遗传算法的多目标规划算法获得每一分区满足覆盖要求的节点可行配置;
采用笛卡尔积合并各分区的所述节点可行配置,优先从中选择非关键节点激活,构成最终的工作节点当前配置。
2.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述每一分区通过多趟分组操作获得多个分组。
3.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述节点可行配置经快速非支配排序后采用笛卡尔积合并。
4.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述非关键节点为少于一半的候选解激活的节点。
5.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述多目标规划算法中,在经过交叉和变异操作后,对合并的父代个体和子代个体进行个体剪枝,去除冗余个体。
6.根据权利要求5所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述冗余个体包括重复个体和极端不合理个体。
7.根据权利要求5所述的5G网络中大规模物联网工作节点配置方法,其特征在于,每经过一设定迭代次数执行一个所述个体剪枝。
8.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述多目标规划算法中的交叉处理为均匀交叉。
9.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,所述多目标规划算法中,应用快速非支配排序对个体进行排序。
10.根据权利要求1所述的5G网络中大规模物联网工作节点配置方法,其特征在于,最佳工作数量为小于1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605107.4A CN111866914A (zh) | 2020-06-29 | 2020-06-29 | 一种5g网络中大规模物联网工作节点配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605107.4A CN111866914A (zh) | 2020-06-29 | 2020-06-29 | 一种5g网络中大规模物联网工作节点配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111866914A true CN111866914A (zh) | 2020-10-30 |
Family
ID=72989598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010605107.4A Pending CN111866914A (zh) | 2020-06-29 | 2020-06-29 | 一种5g网络中大规模物联网工作节点配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111866914A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055230A (zh) * | 2021-03-09 | 2021-06-29 | 同济大学 | 一种面向信息物理系统的网络重构方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459915A (zh) * | 2008-12-31 | 2009-06-17 | 中山大学 | 基于遗传算法的无线传感器网络节点覆盖优化方法 |
CN104918264A (zh) * | 2015-06-24 | 2015-09-16 | 华南理工大学 | 基于并行分解型进化的无线传感器网络布局方法及其系统 |
CN108197708A (zh) * | 2017-12-14 | 2018-06-22 | 河海大学 | 一种基于Spark的并行化遗传算法 |
US10451416B1 (en) * | 2016-06-20 | 2019-10-22 | Bentley Systems, Incorporated | Optimizing sensor placement for structural health monitoring based on information entropy or total modal energy |
-
2020
- 2020-06-29 CN CN202010605107.4A patent/CN111866914A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459915A (zh) * | 2008-12-31 | 2009-06-17 | 中山大学 | 基于遗传算法的无线传感器网络节点覆盖优化方法 |
CN104918264A (zh) * | 2015-06-24 | 2015-09-16 | 华南理工大学 | 基于并行分解型进化的无线传感器网络布局方法及其系统 |
US10451416B1 (en) * | 2016-06-20 | 2019-10-22 | Bentley Systems, Incorporated | Optimizing sensor placement for structural health monitoring based on information entropy or total modal energy |
CN108197708A (zh) * | 2017-12-14 | 2018-06-22 | 河海大学 | 一种基于Spark的并行化遗传算法 |
Non-Patent Citations (1)
Title |
---|
DANYANG QIN: "Study on Connected Target Coverage Algorithm for Wireless Sensor Network", 《MC-SSN IEEE ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113055230A (zh) * | 2021-03-09 | 2021-06-29 | 同济大学 | 一种面向信息物理系统的网络重构方法和系统 |
CN113055230B (zh) * | 2021-03-09 | 2022-04-19 | 同济大学 | 一种面向信息物理系统的网络重构方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
CN111065103B (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
CN108009003A (zh) | 一种多目标虚拟机自适应位置选择方法、分布式云系统 | |
Li et al. | Improved gray wolf optimizer for distributed flexible job shop scheduling problem | |
CN106484512A (zh) | 计算单元的调度方法 | |
CN112187535B (zh) | 雾计算环境下服务器部署方法及装置 | |
Gu et al. | A multi-objective fog computing task scheduling strategy based on ant colony algorithm | |
Tayeb et al. | Research on permutation flow-shop scheduling problem based on improved genetic immune algorithm with vaccinated offspring | |
Alharbe et al. | An improved ant colony algorithm for solving a virtual machine placement problem in a cloud computing environment | |
Korejo et al. | Multi-population methods with adaptive mutation for multi-modal optimization problems | |
Ghosh et al. | Non-dominated rank based sorting genetic algorithms | |
CN111866914A (zh) | 一种5g网络中大规模物联网工作节点配置方法 | |
Ławrynowicz | Genetic algorithms for solving scheduling problems in manufacturing systems | |
CN107396375B (zh) | 基于量子头脑风暴的异构传感器网络最佳目标覆盖方法 | |
Michelakos et al. | A hybrid classification algorithm evaluated on medical data | |
Yu et al. | Multipopulation management in evolutionary algorithms and application to complex warehouse scheduling problems | |
Luo et al. | A survey on parallel genetic algorithms for shop scheduling problems | |
CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 | |
Zhan et al. | A hybrid GA-TS algorithm for optimizing networked manufacturing resources configuration | |
Gupta et al. | Static task allocation using (μ, λ) evolutionary strategies | |
Cao et al. | An Adaptive Multi-population Artificial Bee Colony Algorithm for Multi-objective Flexible Job Shop Scheduling Problem | |
Alabajee et al. | Job shop scheduling problem: literature review | |
Singh et al. | LBATSM: Load Balancing Aware Task Selection and Migration Approach in Fog Computing Environment | |
Mirzayi et al. | A survey on heuristic task scheduling on distributed systems | |
CN117354178B (zh) | 一种基于定性和定量服务属性的服务流程优化方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |