CN111885493B - 一种基于改进布谷鸟搜索算法的微云部署方法 - Google Patents

Abstract

本发明提出了一种基于改进布谷鸟搜索算法的微云部署方法。本发明将离散布谷鸟搜索算法和离散差分进化算法结合在一起，第一阶段通过离散化莱维飞行机制，更新布谷鸟种群的位置，将每一代种群中适应度最大的个体直接保留到下一代，避免它被交叉和变异操作破坏；第二阶段对布谷鸟算法的丢巢操作通过离散差分进化算法进行改进，对第一阶段的少部分劣质基因个体通过变异算子与优秀的父基因进行进化，在保留种群的优秀基因和增加种群的多样性的同时，加快算法的收敛速度。本发明算法求解速度快，能在大规模的物联网网络中使用较短时间求解出微云的永久部署位置，大幅度提高微云在网络中的使用效率和生存寿命。

Description

一种基于改进布谷鸟搜索算法的微云部署方法

技术领域

本发明属于云计算技术领域，涉及边缘计算与优化领域，具体设计一种基于改进布谷鸟搜索算法的微云部署方法。本发明可短时求解出微云的永久部署位置，大幅度提高微云在网络中的使用效率和生存寿命。

背景技术

随着万物互联时代的到来，线性增长的集中式云计算能力无法匹配网络边缘侧终端所产生数据的指数增长需求，网络边缘侧的海量数据访问云计算中心将消耗非常大的网络带宽和产生很高的网络延迟。面对该困境，边缘计算作为一种新的计算模式，架起了物联网设备和数据中心之间的桥梁，数据在产生的源头附近得到及时有效地处理。

微云框架作为一种新兴的技术，正被应用到物联网网络中。微云是一个具有相对丰富计算资源的可信主机，并且部署在网络的边缘侧，与互联网相连接，可以被移动设备访问并提供一定的服务。在物联网网络中使用微云作为无线局域网的补充，可以缓解大量边缘数据上传至云中心造成的网络拥塞，能够满足边缘设备的关键响应要求。由于云服务器与边缘设备两者之间距离遥远，边缘移动设备访问远程云中心会产生无法预测的通信时延。为了降低移动设备和云之间的通信时延并改善用户体验，将微云部署在与移动设备更近的地方是至关重要的。因此在物联网网络中的大量无线接入点中确定数量有限的微云的位置就变的十分重要。

在边缘计算系统中，微云的部署是将有限个微云合理的部署在大规模物联网网络中的无线接入点上，以实现对边缘数据的及时处理。微云的最优部署是实现最优时延，保障服务质量，保证负载均衡以及节省经济成本。最优时延是指在时延阈值的约束下，从边缘计算系统中第一个任务开始，直到最后一个任务执行完成过程中所消耗的时间，时间跨度越短则证明部署策略越好。时延是微云部署中重要且常见的目标，因此，实现最优时延是用户和微云提供商的共同目标。

在微云部署过程中，最优部署方案的求解过程是一个离散型组合优化问题。近年来，众多科研人员提出或优化了很多算法应用于选址部署问题，例如遗传算法、模拟退火算法、粒子群优化算法等。虽然这些算法可以从某个角度提高选址部署的效率，但是也存在其局限性，例如在平衡局部搜索与全局搜索上效果不理想，很难跳出局部最优解。相比较而言，布谷鸟搜索算法是一种比较新颖的群体智能启发式优化算法，其利用Lévy(莱维)飞行机制随机游动和偏好随机游动来共同构成平衡算法的局部搜索和全局搜索的步骤，能通过Lévy飞行机制较快地寻找到全局最优解。国内外的一些学者在此方面做了一些研究，但鲜有将此算法应用于求解部署微云的位置上。此外，现有的布谷鸟搜索算法在进化后期容易造成早熟，易陷入局部最优解，导致无法搜索出全局最优解，也限制了其在微云部署的应用。

发明内容

为有效解决布谷鸟搜索算法自身的技术缺陷，克服微云部署面临的技术问题，本发明提供一种基于改进布谷鸟搜索算法的微云部署方法。本发明涉及的方法，其技术思路是将布谷鸟搜索算法和差分进化算法结合起来，首先利用离散化Lévy飞行机制的随机游动和偏好随机游动来共同构成平衡算法的局部搜索和全局搜索，然后结合二进制差分进化算法改进布谷鸟搜索算法的丢巢操作。本发明符合进化的思想，保留原有种群的优势特征，提高了算法的搜索速度和搜索质量。

一种基于改进布谷鸟搜索算法的微云部署方法，其包括，建立物联网网络拓扑图；建立任务在物联网网络中的卸载模型和微云内计算资源的分配方案，确定全局优化目标函数，并设计全局优化目标的约束条件，构建部署微云的P-中值模型；采用二进制编码描述部署微云位置的解；采用二进制差分进化算法改进布谷鸟搜索算法的丢巢操作，通过改进的布谷鸟搜索算法求解微云部署位置的最优解。

进一步地，所述物联网网络拓扑图的表达式为：

其中，G表示物联网网络，包含多个无线接入点和一组潜在的微云位置；V表示无线接入点位置集合；S表示部署微云的潜在位置集合；E表示两个无线接入点之间，或无线接入点与微云之间的链路集合；v表示无线接入点，v₁表示第1个无线接入点，v₂表示第2个无线接入点，v₄表示第4个无线接入点，v_i表示第i个无线接入点，v_j表示第j个无线接入点，v_n表示第n个无线接入点；c表示微云，c₁表示第1个微云，c₂表示第2个微云，c_m表示第m个微云；vid表示无线接入点的id；vLocation表示无线接入点的位置；Deploy Cost表示在该无线接入点的位置部署微云需要耗费的成本；cid表示微云的id；cLocation表示微云部署的位置；Capacity表示微云内的计算资源。

进一步地，所述构建部署微云P-中值模型的方法为：

将微云的部署成本定义为仅与地理位置相关的固定成本，表示为

其中，f_j表示一个微云部署在无线接入点v_j的固定成本；

移动设备的任务分发至物联网网络中的微云上，一个微云c_j上的总任务量表示为

其中，δ_i,j表示无线接入点v_i收集到的任务是否被交付给微云c_j，R_i表示移动设备到达附近无线接入点v_i的任务到达率；

经过微云c_j进行处理的总的时延表示为

其中，D_FDT表示无线接入点对每个任务的平均转发时延，q_i,j表示任务在无线接入点v_i和无线接入点v_j之间路由经过的无线接入点数量，μ为单位时间内微云处理任务的速率；

所述全局优化目标函数的表达式为：

其中，γ₁表示成本系数，

其中，d^max+D_FDTq^max表示物联网网络中的无线接入点到达距离最远的微云产生的最大的传输时延和转发时延的总和；

表示微云上对所有任务进行处理产生的最大处理时延；η∈(0,1)表示折中系数；d_i,j表示无线接入点v_i和v_j间的距离；f_j ^max表示在无线接入点v_j处部署微云的最大成本。

所述全局优化目标的约束条件为：

1≤j≤K，确保K个微云中的任何一个只位于集合S中的一个位置；其中，S表示部署微云的潜在位置集合；K表示待部署微云的数量；

确保集合V中的每一个无线接入点位置最多只部署一个微云；其中，V表示无线接入点位置集合；

P表示物联网网络中可以部署的微云的最大数量；

确保在物联网网络中每个无线接入点上收到的任务会被全部分配到微云上；

确保每个无线接入点上所有的任务在物联网网络中产生的总时延不能超过阈值D_RD；

x_i,j∈{0,1}，x_i,j表示一个二元变量，若x_i,j＝1，则表示一个微云c_j部署在无线接入点v_i上，否则不部署。

进一步地，所述采用二进制编码描述部署微云位置的解的方法：在初始编码时，给定编码长度，在给定的编码长度内随机生成0或1，1表示在无线接入点位置部署微云，0表示在无线接入点位置不部署微云。

进一步地，所述改进的布谷鸟搜索算法的方法为：

1)初始化改进布谷鸟算法参数；

2)通过Floyd算法计算物联网网络中每个无线接入点到达其他接入点的最短路径矩阵；

3)初始化二进制编码宿主鸟巢；

4)开始算法循环，对Lévy飞行机制进行离散化改进，采用二进制编码混合更新法对二进制编码串进行更新，产生新的布谷鸟群体；

5)根据步骤2)所述最短路径矩阵，将无线接入点分配给对应的微云，通过适应度函数保留最优秀的鸟巢个体；

6)通过二进制差分进化算法对布谷鸟搜索算法的丢巢操作进行改进，更新布谷鸟群体；

7)根据步骤2)所述最短路径矩阵，将无线接入点分配给对应的微云，通过适应度函数保留最优秀的鸟巢个体；

8)判断是否达到最大迭代次数，若是，则表明最优鸟巢位置寻找完毕，此时根据最优鸟巢位置得到部署微云的P-中值模型对应的最优解，否则返回步骤4)继续下一代的搜索。

优选地，所述二进制编码混合更新法为：

假定

表示第m代的第i个鸟巢的第j维变量的第k个二进制编码；

原始布谷鸟寻找鸟巢的路径和位置更新公式

其中，

和

分别表示第i(i＝1,2,…,n)个鸟巢在第m代和m+1代时第j(j＝1,2,…,d)维的位置，Lévy(λ)表示Lévy飞行时随机搜索的跳跃路径，α表示路径长短的调节量；

对Lévy飞行机制进行离散化改进，

其中，Sig()表示Sigmoid函数，Step＝α×Lévy(λ)，rand()∈(0,1)表示生成一个随机数。其中，pr表示二进制编码控制因子；

表示第m代的第i个鸟巢的第j维变量的第k个二进制编码。

优选地，所述二进制差分进化算法为：

通过偏好随机游动产生随机数r₁∈(0,1)，然后将随机数r₁与布谷鸟的蛋被寄主发现的概率pa进行比较，其中，pa∈[0,1]，若r₁>pa，则对布谷鸟进行丢巢操作，从当前种群中随机选取两个个体，将两者的差异叠加至第三个个体，由此产生一个变异个体，即通过

j＝1,2,…,D直接产生变异向量v_i,g＝{v_i,1,g,…,v_i,D,g}；

在变异的过程中，某一维度的变量能否发生变异完全由差向量决定；当差向量(x_r1,j,g-x_r2,j,g)中的第j个分量的绝对值|x_r1,j,g-x_r2,j,g|＝1时，对应的基向量分量x_r0,j,g发生变异，当差向量(x_r1,j,g-x_r2,j,g)中的第j个分量的绝对值|x_r1,j,g-x_r2,j,g|＝0时，对应的基向量分量x_r0,j,g保持不变；其中，x_r0,j,g表示第r0个鸟巢的第j维变量的第g个二进制编码值；x_r1,j,g表示第r1个鸟巢的第j维变量的第g个二进制编码值；x_r2,j,g表示第r2个鸟巢的第j维变量的第g个二进制编码值。

将变异个体二进制编码的每一位按随机概率r₂∈(0,1)与交叉概率cr比较，若r₂<cr，将变异个体的该位的二进制编码更新到目标个体中，得到新生的布谷鸟鸟巢个体进入到下一代，对所有符合丢巢操作的鸟巢进行更新；反之，则保留当前鸟巢位置。

与现有技术相比，本发明所述基于改进布谷鸟搜索算法的微云部署方法的优点或有益效果体现在如下方面：

(1)建立了物联网网络的结构拓扑图，根据该拓扑图并结合最优时延和节省成本的原则建立了部署微云的P-中值模型，为现有物联网网络的大规模建模提供了参考。

(2)将改进的布谷鸟搜索算法应用于求解部署微云的P-中值模型，首先利用离散化Lévy飞行机制的随机游动和偏好随机游动来共同构成平衡算法的局部搜索和全局搜索，然后通过二进制差分进化算法改进布谷鸟搜索算法的丢巢操作，保留原有种群的优势特征，符合进化的概念，提高了算法的搜索速度和搜索质量，能更有效的确定微云的永久部署位置。

附图说明

图1是本实施例所述基于改进布谷鸟搜索算法的微云部署方法的整体流程图。

图2是本实施例所述改进布谷鸟搜索算法的流程图。

图3是本实施例所述改进布谷鸟算法的求解效果与现有经典算法的对比图。

图4是本实施例所述改进布谷鸟算法收敛速度与现有经典算法的对比图。

具体实施方式

以下将结合实施例对本发明做进一步详细阐述。

本实施例提供一种基于改进布谷鸟搜索算法的微云部署方法，图1给出了本实施例所述基于改进布谷鸟搜索算法的微云部署方法的整体流程图。现结合图1，对本实施例所述方法进行具体阐述。

步骤S1

确定物联网网络的结构，并根据运行特点建立物联网网络拓扑图G。所述物联网网络拓扑图的表达式为：

其中，G表示物联网网络，包含多个无线接入点和一组潜在的微云位置；V表示无线接入点位置集合；S表示部署微云的潜在位置集合；E表示两个无线接入点之间，或无线接入点与微云之间的链路集合；v表示无线接入点；c表示微云；vid表示无线接入点的id；vLocation表示无线接入点的位置；Deploy Cost表示在该无线接入点的位置部署微云需要耗费的成本；cid表示微云的id；cLocation表示微云部署的位置；Capacity表示微云内的计算资源。

步骤S2

建立任务在网络中的卸载模型和微云内计算资源的分配方案，确定全局的优化目标函数，并设计全局优化目标的约束条件，构建部署微云的P-中值模型。

所述部署微云的P-中值模型为：

微云的部署成本定义为仅与地理位置相关的固定成本，表示为

其中，f_j是一个微云部署在无线接入点v_j的固定成本。

移动设备的任务需要分发至物联网网络中的微云上，一个微云c_j上的总任务量可以表示为

其中，δ_i,j表示无线接入点v_i收集到的任务是否被交付给微云c_j，R_i表示移动设备到达附近无线接入点v_i的任务到达率。因此，周围的无限接入点上的所有请求经过网络路由到达所属的微云c_j上，并经过该微云进行处理的总的时延可以被表示为

其中，D_FDT表示无线接入点对每个任务的平均转发时延，q_i,j表示任务在无线接入点v_i和无线接入点v_j之间路由经过的无线接入点数量，μ为单位时间内微云处理任务的速率。

目标函数：

这表示最小化部署微云的总成本。其中，γ₁是成本系数，它将任务在物联网网络中产生的时延映射到成本上。

在上式中，d^max+D_FDTq^max表示物联网网络中的无线接入点到达距离最远的微云产生的最大的传输时延和转发时延的总和，

表示微云上对所有任务进行处理产生的最大处理时延，η∈(0,1)是折中系数，将时延映射到成本上。

约束条件：

1≤j≤K，确保K个微云中的任何一个只能位于集合S中的一个位置。

确保集合V中的每一个无线接入点位置最多只部署一个微云。

表示在物联网网络中部署微云的数量不能超过网络所能容纳的最大数量(P表示网络中可以部署的微云的最大数量，即网络中的拥有的无线接入点数量)。

确保在物联网网络中每个无线接入点上收到的任务会被全部分配到微云上。

确保每个无线接入点上所有的任务在网络中产生的总时延不能超过阈值D_RD。

x_i,j∈{0,1}，表示x_i,j是一个二元变量，若x_i,j＝1，则表示一个微云c_j部署在无线接入点v_i上，否则不部署。

步骤S3

采用二进制编码来对微云部署方案的解进行描述，初始编码时，给定编码长度，在长度内随机生成0或1用于是否表示在无线接入点位置部署微云，1表示在该无线接入点位置部署微云，0表示不部署。

步骤S4

根据部署微云的P-中值模型，采用二进制差分进化算法改进布谷鸟搜索算法的丢巢操作，保留原有种群的优势特征，通过改进的布谷鸟搜索算法求解微云部署位置的最优解。图2是本实施例所述改进布谷鸟搜索算法的流程图，现结合图2，对本步骤进行描述。

S41、初始化改进的布谷鸟搜索算法的各个参数：物联网网络G，种群数目N，无线接入点数量m，二进制编码控制系数pr，鸟蛋被发现概率pa，交叉概率cr，最大迭代次数M。

S42、通过Floyd算法计算物联网网络G中每个无线接入点到达其他接入点的最短路径矩阵Q。

所述本步骤中的Floyd算法，首先需要根据物联网网络G的拓扑图得到带权邻接矩阵A，将A作为最短路径矩阵的Q的初值，即Q(0)＝A。然后利用其状态转移公式Q(k)[i,j]＝min{Q(k-1)[i,k]+Q(k-1)[k,j],Q(k-1)[i,j]}依次构造Q(1)到Q(m)的矩阵，最后得到的Q(m)就是物联网网络G中每个无线接入点到达其他接入点的最短路径矩阵Q。

S43、初始化种群规模为N的二进制编码宿主鸟巢。

S44、开始算法循环，对Lévy飞行机制进行离散化改进，采用二进制编码混合更新法对二进制编码串进行更新，产生新的种群规模为N的布谷鸟群体。

所述本步骤中的二进制编码混合更新法，假定

表示第m代的第i个鸟巢的第j维变量的第k个二进制编码。

原始布谷鸟寻找鸟巢的路径和位置更新公式为

其中，

和

分别表示第i(i＝1,2,…,n)个鸟巢在第m代和m+1代时第j(j＝1,2,…,d)维的位置，Lévy(λ)为Lévy飞行时随机搜索的跳跃路径，该路径的长短和方向都是不确定的，α是路径长短的调节量。

通过对Lévy飞行机制进行离散化改进从而得到Lévy飞行的二进制编码混合更新方法：

其中，Sig()表示Sigmoid函数，Step＝α×Lévy(λ)，rand()∈(0,1)表示生成一个随机数。

S45、根据最短路径矩阵Q，将无线接入点分配给对应的微云，通过适应度函数(即全局目标函数

)保留最优秀的鸟巢。

S46、通过二进制差分进化算法对布谷鸟搜索算法的丢巢操作进行改进，更新布谷鸟群体。

所述本步骤的二进制差分进化算法，通过偏好随机游动产生随机数r₁∈(0,1)，然后将r₁与布谷鸟的蛋被寄主发现的概率pa进行比较，其中，pa∈[0,1]，若r₁>pa，则对布谷鸟进行丢巢操作，采用离散差分进化的思想，从当前种群中随机选取两个个体，将两者的差异叠加至第三个个体，由此产生一个变异个体，即通过

直接产生变异向量v_i,g＝{v_i,1,g,…,v_i,D,g}。

在变异的过程中，某一维度的变量能否发生变异完全由差向量决定。当差向量(x_r1,j,g-x_r2,j,g)中的第j个分量的绝对值|x_r1,j,g-x_r2,j,g|＝1时，对应的基向量分量x_r0,j,g发生变异(如果该位置值为1则变为0，如果该位置值为0则变为1)，当差向量(x_r1,j,g-x_r2,j,g)中的第j个分量的绝对值|x_r1,j,g-x_r2,j,g|＝0时，对应的基向量分量x_r0,j,g保持不变；将变异个体二进制编码的每一位按随机概率r₂∈(0,1)与交叉概率cr比较，若r₂<cr，将变异个体的该位的二进制编码更新到目标个体中，得到新生的布谷鸟鸟巢个体进入到下一代，对所有符合丢巢操作的鸟巢进行更新；反之，则保留当前鸟巢位置。

S47、根据最短路径矩阵Q，将无线接入点分配给对应的微云，通过适应度函数(即全局目标函数

)保留最优秀的鸟巢。

S48、判断是否满足设定的停止条件(即达到最大迭代次数M)，若是，则表明最优鸟巢位置寻找完毕，此时根据最优鸟巢位置得到部署微云的P-中值模型对应的最优解，否则返回步骤S44继续下一代的搜索。

现结合仿真实验对所述的基于改进布谷鸟搜索算法的微云部署方法的有益效果进行说明。

1、实验条件与方法

硬件平台为：Intel(R)Core(TM)i5-4200 CPU 3.30GHz 20GB RAM；

软件平台为：Window 8.1，Python 3.7；

实验方法：包括(1)遗传算法(GA)；(2)模拟退火算法(SA)；(3)本发明所述方法，即基于改进布谷鸟搜索算法的微云部署方法(BDECS)。

2、实验内容及结果

本实验所述仿真使用BarabasiAlbert模型生成遵循幂律分布的无标度网络。

仿真一，用微云实例比较改进的布谷鸟搜索算法(BDECS)和遗传算法(GA)、模拟退火算法(SA)的求解效果，结果见图3。

仿真二，用微云实例比较改进的布谷鸟搜索算法(BDECS)和遗传算法(GA)、模拟退火算法(SA)的收敛速度，结果见图4。

由图3可以看出，本发明所述方法，即基于改进布谷鸟搜索算法的微云部署方法(BDECS)，在无线接入点(AP)数量不同的场景中，部署微云的总成本均比经典的遗传算法(GA)和模拟退火算法(SA)要更加的少。由图4可以看出，本发明所述方法，即基于改进布谷鸟搜索算法的微云部署方法(BDECS)，在迭代次数为100和无线接入点(AP)数量相同的实验中，可以优先于遗传算法(GA)和模拟退火算法(SA)收敛到一个近似最优值。

本发明所提出的基于改进布谷鸟算法的微云部署方法，充分发挥了布谷鸟搜索算法和差分进化算法的优点，平衡了全局搜索和局部搜索的关系，避免陷入局部最优，在计算精度和收敛速度上都表现出优秀的性能。

上面结合实施例对本发明做了进一步的叙述，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (3)

1.一种基于改进布谷鸟搜索算法的微云部署方法，其特征在于，包括，建立物联网网络拓扑图；建立任务在物联网网络中的卸载模型和微云内计算资源的分配方案，确定全局优化目标函数，并设计全局优化目标的约束条件，构建部署微云的P-中值模型；采用二进制编码描述部署微云位置的解；采用二进制差分进化算法改进布谷鸟搜索算法的丢巢操作，通过改进的布谷鸟搜索算法求解微云部署位置的最优解；

所述物联网网络拓扑图的表达式为：

其中，G表示物联网网络，包含多个无线接入点和一组潜在的微云位置；V表示无线接入点位置集合；S表示部署微云的潜在位置集合；E表示两个无线接入点之间，或无线接入点与微云之间的链路集合；v表示无线接入点，v₁表示第1个无线接入点，v₂表示第2个无线接入点，v₄表示第4个无线接入点，v_i表示第i个无线接入点，v_j表示第j个无线接入点，v_n表示第n个无线接入点；c表示微云，c₁表示第1个微云，c₂表示第2个微云，c_m表示第m个微云；vid表示无线接入点的id；vLocation表示无线接入点的位置；Deploy Cost表示在该无线接入点的位置部署微云需要耗费的成本；cid表示微云的id；cLocation表示微云部署的位置；Capacity表示微云内的计算资源；

所述构建部署微云P-中值模型的方法为：

将微云的部署成本定义为仅与地理位置相关的固定成本，表示为

其中，f_j表示一个微云部署在无线接入点v_j的固定成本；

移动设备的任务分发至物联网网络中的微云上，一个微云c_j上的总任务量表示为

其中，δ_i,j表示无线接入点v_i收集到的任务是否被交付给微云c_j，R_i表示移动设备到达附近无线接入点v_i的任务到达率；

经过微云c_j进行处理的总的时延表示为

其中，D_FDT表示无线接入点对每个任务的平均转发时延，q_i,j表示任务在无线接入点v_i和无线接入点v_j之间路由经过的无线接入点数量，μ为单位时间内微云处理任务的速率；

所述全局优化目标函数的表达式为：

其中，γ₁表示成本系数，

其中，d^max+D_FDTq^max表示物联网网络中的无线接入点到达距离最远的微云产生的最大的传输时延和转发时延的总和；

表示微云上对所有任务进行处理产生的最大处理时延；η∈(0,1)表示折中系数；f_j ^max表示在无线接入点v_j处部署微云的最大成本；

所述全局优化目标的约束条件为：

确保K个微云中的任何一个只能位于集合S中的一个位置；其中，K表示待部署微云的数量，S表示部署微云的潜在位置集合；

确保集合V中的每一个无线接入点位置最多只部署一个微云；其中，V表示无线接入点位置集合；

P表示物联网网络中可以部署的微云的最大数量；

确保在物联网网络中每个无线接入点上收到的任务会被全部分配到微云上；

确保每个无线接入点上所有的任务在物联网网络中产生的总时延不能超过阈值D_RD；其中，d_i,j表示无线接入点v_i和v_j间的距离；

x_i,j∈{0,1}，x_i,j表示一个二元变量，若x_i,j＝1，则表示一个微云c_j部署在无线接入点v_i上，否则不部署；

所述采用二进制编码描述部署微云位置的解的方法：在初始编码时，给定编码长度，在给定的编码长度内随机生成0或1，1表示在无线接入点位置部署微云，0表示在无线接入点位置不部署微云；

所述改进的布谷鸟搜索算法的方法为：

1)初始化改进布谷鸟算法参数；

2)通过Floyd算法计算物联网网络中每个无线接入点到达其他接入点的最短路径矩阵；

3)初始化二进制编码宿主鸟巢；

4)开始算法循环，对Lévy飞行机制进行离散化改进，采用二进制编码混合更新法对二进制编码串进行更新，产生新的布谷鸟群体；

5)根据步骤2)所述最短路径矩阵，将无线接入点分配给对应的微云，通过适应度函数保留最优秀的鸟巢个体；

6)通过二进制差分进化算法对布谷鸟搜索算法的丢巢操作进行改进，更新布谷鸟群体；

7)根据步骤2)所述最短路径矩阵，将无线接入点分配给对应的微云，通过适应度函数保留最优秀的鸟巢个体；

8)判断是否达到最大迭代次数，若是，则表明最优鸟巢位置寻找完毕，此时根据最优鸟巢位置得到部署微云的P-中值模型对应的最优解，否则返回步骤4)继续下一代的搜索。

2.根据权利要求1所述的基于改进布谷鸟搜索算法的微云部署方法，其特征在于，所述二进制编码混合更新法为：

假定

表示第m代的第i个鸟巢的第j维变量的第k个二进制编码；

原始布谷鸟寻找鸟巢的路径和位置更新公式

其中，

和

分别表示第i(i＝1,2,…,n)个鸟巢在第m代和m+1代时第j(j＝1,2,…,d)维的位置，Lévy(λ)表示Lévy飞行时随机搜索的跳跃路径，α表示路径长短的调节量；

对Lévy飞行机制进行离散化改进，

其中，Sig()表示Sigmoid函数，Step＝α×Lévy(λ)，rand()∈(0,1)表示生成一个随机数；pr表示二进制编码控制因子；

表示第m代的第i个鸟巢的第j维变量的第k个二进制编码。

3.根据权利要求1所述的基于改进布谷鸟搜索算法的微云部署方法，其特征在于，所述二进制差分进化算法为：

通过偏好随机游动产生随机数r₁∈(0,1)，然后将随机数r₁与布谷鸟的蛋被寄主发现的概率pa进行比较，其中，pa∈[0,1]，若r₁>pa，则对布谷鸟进行丢巢操作，从当前种群中随机选取两个个体，将两者的差异叠加至第三个个体，由此产生一个变异个体，即通过

直接产生变异向量v_i,g＝{v_i,1,g,…,v_i,D,g}；

在变异的过程中，某一维度的变量能否发生变异完全由差向量决定；当差向量(x_r1,j,g-x_r2,j,g)中的第j个分量的绝对值|x_r1,j,g-x_r2,j,g|＝1时，对应的基向量分量x_r0,j,g发生变异，当差向量(x_r1,j,g-x_r2,j,g)中的第j个分量的绝对值|x_r1,j,g-x_r2,j,g|＝0时，对应的基向量分量x_r0,j,g保持不变；其中，x_r0,j,g表示第r0个鸟巢的第j维变量的第g个二进制编码值；x_r1,j,g表示第r1个鸟巢的第j维变量的第g个二进制编码值；x_r2,j,g表示第r2个鸟巢的第j维变量的第g个二进制编码值；

将变异个体二进制编码的每一位按随机概率r₂∈(0,1)与交叉概率cr比较，若r₂<cr，将变异个体的该位的二进制编码更新到目标个体中，得到新生的布谷鸟鸟巢个体进入到下一代，对所有符合丢巢操作的鸟巢进行更新；反之，则保留当前鸟巢位置。

Images