CN113139680B - 一种异构物联网中设备协作优化方法及系统 - Google Patents

一种异构物联网中设备协作优化方法及系统 Download PDF

Info

Publication number
CN113139680B
CN113139680B CN202110381909.6A CN202110381909A CN113139680B CN 113139680 B CN113139680 B CN 113139680B CN 202110381909 A CN202110381909 A CN 202110381909A CN 113139680 B CN113139680 B CN 113139680B
Authority
CN
China
Prior art keywords
heterogeneous
internet
things
devices
chromosomes
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
CN202110381909.6A
Other languages
English (en)
Other versions
CN113139680A (zh
Inventor
纪雯
杨哲铭
王可
陈益强
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.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
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 Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN202110381909.6A priority Critical patent/CN113139680B/zh
Publication of CN113139680A publication Critical patent/CN113139680A/zh
Application granted granted Critical
Publication of CN113139680B publication Critical patent/CN113139680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明面向异构物联网设备的管理，提出一种基于智能度量和群体智能的设备协作优化方法，该方法通过对物联网中设备的智能水平进行考量，将物联网的设备组织起来，最终达到提升整体智能水平的目的。本发明从众智科学的角度考虑，将智能度量和群体智能结合在一起来实现异构设备的协作管理并优化物联网的整体智能水平。使用计算、存储和通信能力作为设备智能度量的基础，利用设备相关性和距离因素来衡量智能性提高的水平。最终使用遗传算法为物联网设备选择协作状态，解决物联网中设备混乱、无差别的连接状态的管理问题，最终实现了大规模异构物联网设备的协作管理和整体智能水平的提升。

Description

一种异构物联网中设备协作优化方法及系统
技术领域
本发明涉计算机应用中物联网设备协作管理技术领域，特别涉及大规模异构物联网设备的协作和管理方法。
背景技术
物联网被定义为一种信息载体，它通过各种信息传感器、射频识别技术、全球定位系统等设备和技术，对网络成员的信息进行实时采集。随着第五代移动通信技术的发展进入新的阶段，物联网的规模进入了高速扩张阶段。5G追求高数据传输速率，减少延迟，节省能源，降低成本，增加系统容量和大规模设备连接。其诸多的优点使得物联网互连互通的目标更容易实现。在未来的5G环境下，物联网中的设备可以实现信息共享，物联网中的成员也可以实现实时的信息交互，这对于未来的智慧城市建设，尤其是城市管理，教育，医疗保健和交通运输的智能服务的发展有着重要意义。但是随着物联网的规模逐渐扩大，首先是加入物联网的设备类型和数量变多，其次是物联网中成员的变化加剧，由此形成的大规模异构设备连接就意味着网络管理需求的产生。如何使物联网中的智能设备摆脱混乱的状态，通过一定的协作和管理以提升整体性能成为未来重要的技术发展方向。针对上述问题，当前的研究把异构的物联网设备看成一个整体，主要集中在低速率、窄带物联网通信技术、物联网异构设备的通信、资源分配和物联网架构等方向的研究。在异构物联网设备的优化和管理上缺乏有效的方法，导致在物联网场景下的大规模异构设备的功能利用和数据处理效率较低。从可靠性的角度考虑物联网设备的协作，群体智能是异构物联网设备协作的基础。
当前对物联网的研究都局限于通信能力的提升、资源的分配等物理层面的基础技术，其发展水平一定程度上受限于物理条件，且发展速度并不能跟上需求增长的速度。因此在当前的技术水平不能够满足如此高的传输和存储要求时。如何组织物联网设备的协作以提升物联网整体的智能性水平，这一方向的研究至关重要。大多数研究将整个物联网视为一个整体，致力于研究如何实现设备之间的高速有效通信，或如何实现整个网络的互联互通。当前的工作重点主要是通过边缘服务器之间的协作和管理来合理的调配资源的分配等。物联网的巨大规模和复杂变化，使得现有的通信技术、存储和计算能力无法解决物联网设备的管理问题。在大量异构的物联网设备上却缺乏有效的协作管理方法，关于物联网中设备的协作，很难找到可靠的合作伙伴。混沌状态限制了物联网的整体智能，无法提供良好的服务体验。
发明内容
本发明的目的是针对上述现有的技术缺陷，提供一种面向物联网的异构设备协作管理方法。从众智科学的角度进行考虑，将智能度量和群体智能结合在一起以优化物联网的整体智能。首先利用遗传算法的自然消除过程来寻找物联网设备的合理协同状态。然后使用个体智能度量模型来计算物联网协作的智能水平，该测量方法具有较好的通用性。这项发明使用计算，缓存和通信能力作为智能的基础，并使用设备相关性和距离因素来衡量智能的提高水平。然后，它使用遗传算法搜索具有最高智能的物联网的协作状态。最终提高大规模异构物联网设备的协作能力，提升物联网的整体智能水平，实现异构物联网设备的智能化管理。
针对现有技术的不足，本发明提出一种物联网中异构设备的协作优化方法，其中包括：
步骤1、将物联网中异构设备进行编码，得到每个异构设备的协作体编号；
步骤2、根据异构设备的计算能力、通信能力和缓存能力，得到各异构设备的智能水平；
步骤3、随机排列每个异构设备的协作体编号，以形成多条染色体，每一条该染色体代表部分该物联网的协作状态；
步骤4、以异构设备的智能水平作为适应度，并根据该适应度得到各染色体的存活率；
步骤5、根据该存活率，从所有染色体中选择部分染色体存活，并参与交叉变异，得到新染色体，并根据预设的变异概率对该新染色体中部分基因进行随机修改，得到变异染色体；
步骤6、除了该存活率比例存活的染色体，重新随机排列生成剩余比例的染色体，并和该变异染色体共同组成新一批染色体；
步骤7、判断是否达到预设要求，若是，则根据当前新一批染色体对应的协作状态，将该物联网中的异构设备进行协作，否则再次执行该步骤4。
所述的物联网中异构设备的协作优化方法，其中该步骤2包括：
通过下式得到第z个异构设备的相关性参数rz：
其中memberz是第z个异构设备中设备个数，rmn是第m种设备和第n种设备的相关度，nummi和numni分别是第i个染色体中种类为m和n的设备个数，coi指第i个染色体；
通过下式得到异构设备的距离参数dz：
其中(xj，yj)是第z个异构设备中的设备j的坐标，是本协作体中所有设备的质心位置坐标；
通过下式得到物联网中异构设备的智能水平f：
其中coNum是异构设备的数量，α是智能体加成参数，cr是相关性加成参数，rmin是物联网中所有异构设备的相关度参数的最小值；cd是距离加成参数；cachz是第z个异构设备中智能体的存储能力，compz是第z个异构设备中智能体的计算能力，commz是第z个异构设备中智能体的通信能力。
所述的物联网中异构设备的协作优化方法，其中该步骤4包括通过下式，得到第i个染色体的存活率pi：
所述的物联网中异构设备的协作优化方法，其中该异构设备包括：摄像头、无人机、手机和智能手表。
本发明还提出了一种物联网中异构设备的协作优化系统，其中包括：
模块1，用于将物联网中异构设备进行编码，得到每个异构设备的协作体编号；
模块2，用于根据异构设备的计算能力、通信能力和缓存能力，得到各异构设备的智能水平；
模块3，用于随机排列每个异构设备的协作体编号，以形成多条染色体，每一条该染色体代表部分该物联网的协作状态；
模块4，用于以异构设备的智能水平作为适应度，并根据该适应度得到各染色体的存活率；
模块5，用于根据该存活率，从所有染色体中选择部分染色体存活，并参与交叉变异，得到新染色体，并根据预设的变异概率对该新染色体中部分基因进行随机修改，得到变异染色体；
模块6，用于除了该存活率比例存活的染色体，重新随机排列生成剩余比例的染色体，并和该变异染色体共同组成新一批染色体；
模块7，用于判断是否达到预设要求，若是，则根据当前新一批染色体对应的协作状态，将该物联网中的异构设备进行协作，否则再次调用该模块4。
所述的物联网中异构设备的协作优化系统，其中该模块2包括：
通过下式得到第z个异构设备的相关性参数rz：
其中memberz是第z个异构设备中设备个数，rmn是第m种设备和第n种设备的相关度，nummi和numni分别是第i个染色体中种类为m和n的设备个数，coi指第i个染色体；
通过下式得到异构设备的距离参数dz：
其中(xj，yj)是第z个异构设备中的设备j的坐标，是本协作体中所有设备的质心位置坐标；
通过下式得到物联网中异构设备的智能水平f：
其中coNum是异构设备的数量，α是智能体加成参数，cr是相关性加成参数，rmin是物联网中所有异构设备的相关度参数的最小值；cd是距离加成参数；cachz是第z个异构设备中智能体的存储能力，compz是第z个异构设备中智能体的计算能力，commz是第z个异构设备中智能体的通信能力。
所述的物联网中异构设备的协作优化系统，其中该模块4包括通过下式，得到第i个染色体的存活率pi：
所述的物联网中异构设备的协作优化系统，其中该异构设备包括：摄像头、无人机、手机和智能手表。
本发明还提出了一种文本处理器，其中包括任意一种所述物联网中异构设备的协作优化系统。
本发明还提出了一种存储介质，其中用于存储执行任意一种所述种物联网中异构设备的协作优化方法。
由以上方案可知，本发明的优点在于：
为了合理安排当前物联网设备的协作，使用遗传算法的自然淘汰过程来寻找物联网设备的优化协作状态。使用通信计算缓存模型来计算物联网中协作的智能水平。通过考虑相关性和距离参数来衡量智力提升的水平。从宏观角度寻找设备的协作状态，因此即使场景发生变化，本发明仍然可以通过修改某些设备参数来很好地工作，本发明具有良好的通用性。此外，与现有技术相比，本发明不受当前的基础通信技术的限制，可以适用于任何的技术发展水平，是一种通用的智能性提升方法。
附图说明
图1为异构物联网设备的协作管理流程图
图2为异构物联网设备的智能水平度量示意图
图3为基于群体智能的设备协作优化流程图。
具体实施方式
发明人对现有异构物联网设备协作技术进行研究之后，发现当前的技术都站在基础技术发展的角度上对物联网性能进行提升，没有从宏观的组织角度进行思考，也缺乏对物联网整体宏观的性能度量。因此发明人站在网络智能性的角度思考问题，通过对物联网中设备的智能性参数进行考量，将物联网的设备组织起来，最终达到提升整体智能水平的目的。为了能够实现物联网中所有异构设备的协作和管理，有必要找到一种方法来帮助设备选择与哪个设备一起工作。本发明从众智科学的角度考虑，将智能度量和群体智能结合在一起来实现异构设备的协作管理并优化物联网的整体智能水平。使用计算、存储和通信能力作为智能性的基础，利用设备相关性和距离因素来衡量智能性提高的水平。最终使用遗传算法为物联网设备选择协作状态，解决物联网中设备混乱、无差别的连接状态的管理问题，最终实现了大规模异构物联网设备的协作管理和整体智能水平的提升。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
本发明的具体实施过程如下：
物联网中的每个设备成员独立工作。收集和存储所有设备成员的信息，实现实时交互，成本很大，管理很有挑战性。因此，我们设想物联网的成员将根据设备的智能水平被划分为不同的级别。然后统一协作的成员可以实现完全的信息交换，每个协作都可以完成从无序状态到有组织管理的转变。在我们的设置中，物联网中的每个设备成员对应于遗传算法中染色体的每个基因。我们把设备成员分成不同的合作，所以成员所属的合作的数量就是基因的价值。因为每个成员都是独立而有效的个体，所以染色体上基因的位置安排是有意义的。我们将每个成员的协作编号排列成一条染色体，一条染色体代表整个智能网络的一个协作状态。由于不同的成员具有不同的参数，当一些成员加入到一个协作中，协作成员之间的互连将带来协作智能的提高。我们以通信能力、存储能力和计算能力作为智能的基本度量参数来计算设备的智能水平。此外，我们利用不同成员之间的相关参数和距离参数来衡量协作整体智能的提高水平，并将其用于遗传算法的适应度计算算法中。染色体的适应度是物联网协作的全部智能，最终通过群体智能的协作优化达到设备协作划分的最佳状态，如图1所示。
1异构物联网设备的智能度量方法
异构物联网设备的智能水平的计算关键模型如图2所示，主要步骤包括：
步骤s11、对所有的异构物联网设备进行编码。
步骤s12、按照编码采集每个异构物联网设备的计算能力，主要是设备中央处理器的处理速度。
步骤s13、按照编码采集每个异构物联网设备的通信能力，主要是设备通信模块的通信速度。
步骤s14、按照编码采集每个异构物联网设备的缓存能力，主要是设备存储模块的存储大小和速度。
步骤s15、计算每个编码后的异构物联网设备的计算能力、通信能力和缓存能力的乘积，即智能水平。
2基于群体智能的设备协作优化方法
基于群体智能的设备协作优化和智能水平提升的过程如图3所示，主要步骤包括：
步骤s21、基于每个设备的智能水平来初始化设备协作的参数，包括最大进化迭代次数IN，每一代的染色体数目CN，模型的每次迭代的自然淘汰概率ER，模型每次迭代的变异概率MR，以及根据适应度设置染色体i在自然选择中存活的概率pi。
步骤s22、通过对所有设备进行交叉变异来生成新一代的染色体。
步骤s23、对所有异构物联网设备进行自然选择，满足条件的进入步骤s24，不满足条件的继续回到步骤s22。条件可以是染色体变化不大，群体趋于稳定；目标函数(遗传算法步骤中的适应度的计算公式)达到预设的要求或迭代次数满足最大迭代数。
步骤s24、得到所有设备的最优协作划分方法和整体智能水平最大化的状态。
具体来说为实现上述目的，本方法包括如下步骤：
步骤1、对所有异构物联网设备进行编码，当前异构物联网设备的数量为z＝{1,2,…,N}。其中异构主要体现在设备不兼容，比如物联网设备有智能手机、无人机、摄像头等。
步骤2、根据物联网设备的存储、传输和计算能力、各类设备的相关性参数和距离参数，确定物联网中的协作体的智能性f。其中，协作体即为每个物联网设备，由于在后期每个设备要参与协作优化，所以可将其称为协作体。
步骤3、设置对物联网设备的智能性进行优化迭代的初始化参数。
步骤4、根据上述步骤1、2和3的相关设置，运行遗传算法对物联网设备的智能性进行优化迭代。
步骤5、根据步骤4的遗传算法得到的结果对物联网的设备进行协作体划分，对进化后的物联网的智能性进行分析。其中每一个染色体只是一部分物联网的协作方案，所有染色体组合在一起才算是完整的物联网协作方案。例如现在有100个设备。最终的协作方案可以是所有设备被分成了6组，每组包含多个设备。每组之间的设备进行协作，然后各个小组之间再进行协作。每个组即为一个染色体，每个染色体包含多个协作体。
所述步骤1包括：
步骤11、物联网中的每个成员(物联网设备)对应于遗传算法中染色体的每个基因，将物联网设备分别编入不同的协作体，因此该成员所属的协作体的编号就是该基因的值。
步骤12、根据智能水平的大小，排列每个成员的协作体编号以形成一个“染色体”，一条染色体代表整个智能网络的一种协作状态。
所述步骤2包括：
步骤21、定义计算协作体的相关性参数rz的计算公式：
其中memberz是协作体z中的设备的个数，coi指第i个染色体，rmn是第m种设备和第n种设备的相关度，nummi和numni分别是染色体i中种类为m和n的设备的个数，需要注意的是m和n仅作为示意通用表示，其在实际应用中可不只有两种类m和n。在实际中类别可为摄像头、无人机、手机、智能手表，各种传感器等。
步骤22、定义计算协作体的距离参数dz的计算公式：
其中(xj，yj)是第z个协作体中的设备j的坐标，是本协作体中所有设备的质心位置坐标。
步骤23、定义物联网中设备的智能性f的计算公式，即之后的遗传算法步骤中的适应度的计算公式：
其中coNum是协作体的数量，根据相关场景自行设置；α是智能体加成参数，其大小根据场景自行设置；cr是相关性加成参数，其大小根据场景中设备的相关性的重要程度自行设置；rz是协作体i的相关度参数，rmin是物联网中所有协作体的相关度参数的最小值；cd是距离加成参数，dz是协作体i中每个智能体到其质心的平均距离；cachz是第z个异构设备中智能体的存储能力，compz是第z个异构设备中智能体的计算能力，commz是第z个异构设备中智能体的通信能力。
所述步骤3包括：
步骤31、设置最大进化迭代次数IN，并为进化迭代次数设置上限INMAX，例如INMAX＝1000；
步骤32、设置遗传算法中每一代的染色体数目CN，模型的每次迭代的自然淘汰概率ER，以及设置模型每次迭代的变异概率MR，其中自然淘汰率主要是为了后续的进化，比如在每次迭代的时候有的设备需要被淘汰，有的设备可以进化。
步骤33、根据适应度设置第i个染色体在自然选择中存活的概率pi的计算公式：
所述步骤4包括：
步骤41、重复步骤12随机生成一组协作体分配的可行解，即第一代染色体。
步骤42、根据步骤23设置的公式计算所有染色体的适应度，即其对应的协作状态的智能性。
步骤43、根据步骤33设置的自然选择概率公式计算所有染色体在本轮进化中存活的概率，根据步骤3设置的存活率选择部分染色体存活参与后面的交叉变异；
步骤44、对步骤43选择的染色体进行交叉生成新的染色体，然后按照步骤3中设置的变异率对生成的新染色体中的部分基因进行随机修改。
步骤45，除了按比例存活下来的染色体，剩下比例的染色体需要重新随机生成，和步骤44的染色体共同组成新一代的染色体，之后回到步骤4.2，开始新一轮的进化。
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种物联网中异构设备的协作优化系统，其中包括：
模块1，用于将物联网中异构设备进行编码，得到每个异构设备的协作体编号；
模块2，用于根据异构设备的计算能力、通信能力和缓存能力，得到各异构设备的智能水平；
模块3，用于随机排列每个异构设备的协作体编号，以形成多条染色体，每一条该染色体代表部分该物联网的协作状态；
模块4，用于以异构设备的智能水平作为适应度，并根据该适应度得到各染色体的存活率；
模块5，用于根据该存活率，从所有染色体中选择部分染色体存活，并参与交叉变异，得到新染色体，并根据预设的变异概率对该新染色体中部分基因进行随机修改，得到变异染色体；
模块6，用于除了该存活率比例存活的染色体，重新随机排列生成剩余比例的染色体，并和该变异染色体共同组成新一批染色体；
模块7，用于判断是否达到预设要求，若是，则根据当前新一批染色体对应的协作状态，将该物联网中的异构设备进行协作，否则再次调用该模块4。
所述的物联网中异构设备的协作优化系统，其中该模块2包括：
通过下式得到第z个异构设备的相关性参数rz：
其中memberz是第z个异构设备中设备个数，rmn是第m种设备和第n种设备的相关度，nummi和numni分别是第i个染色体中种类为m和n的设备个数，coi指第i个染色体；
通过下式得到异构设备的距离参数dz：
其中(xj，yj)是第z个异构设备中的设备j的坐标，是本协作体中所有设备的质心位置坐标；
通过下式得到物联网中异构设备的智能水平f：
其中coNum是异构设备的数量，α是智能体加成参数，cr是相关性加成参数，rmin是物联网中所有异构设备的相关度参数的最小值；cd是距离加成参数；cachz是第z个异构设备中智能体的存储能力，compz是第z个异构设备中智能体的计算能力，commz是第z个异构设备中智能体的通信能力。
所述的物联网中异构设备的协作优化系统，其中该模块4包括通过下式，得到第i个染色体的存活率pi：
所述的物联网中异构设备的协作优化系统，其中该异构设备包括：摄像头、无人机、手机和智能手表。
本发明还提出了一种文本处理器，其中包括任意一种所述物联网中异构设备的协作优化系统。
本发明还提出了一种存储介质，其中用于存储执行任意一种所述种物联网中异构设备的协作优化方法。

Claims (8)

1.一种物联网中异构设备的协作优化方法，其特征在于，包括：
步骤1、将物联网中异构设备进行编码，得到每个异构设备的协作体编号；
步骤2、根据异构设备的计算能力、通信能力和缓存能力，得到各异构设备的智能水平；
步骤3、随机排列每个异构设备的协作体编号，以形成多条染色体，每一条该染色体代表部分该物联网的协作状态；
步骤4、以异构设备的智能水平作为适应度，并根据该适应度得到各染色体的存活率；
步骤5、根据该存活率，从所有染色体中选择部分染色体存活，并参与交叉变异，得到新染色体，并根据预设的变异概率对该新染色体中部分基因进行随机修改，得到变异染色体；
步骤6、除了该存活率比例存活的染色体，重新随机排列生成剩余比例的染色体，并和该变异染色体共同组成新一批染色体；
步骤7、判断是否达到预设要求，若是，则根据当前新一批染色体对应的协作状态，将该物联网中的异构设备进行协作，否则再次执行该步骤4；
该步骤2包括：
通过下式得到第z个异构设备的相关性参数rz：
其中memberz是第z个异构设备中设备个数，rmn是第m种设备和第n种设备的相关度，nummi和numni分别是第i个染色体中种类为m和n的设备个数，coi指第i个染色体；
通过下式得到异构设备的距离参数dz：
其中(xj,yj)是第z个异构设备中的设备j的坐标，是本协作体中所有设备的质心位置坐标；
通过下式得到物联网中异构设备的智能水平f：
其中coNum是异构设备的数量，α是智能体加成参数，cr是相关性加成参数，rmin是物联网中所有异构设备的相关度参数的最小值；cd是距离加成参数；cachz是第z个异构设备中智能体的存储能力，compz是第z个异构设备中智能体的计算能力，commz是第z个异构设备中智能体的通信能力。
2.如权利要求1所述的物联网中异构设备的协作优化方法，其特征在于，该步骤4包括通过下式，得到第i个染色体的存活率pi：
3.如权利要求1所述的物联网中异构设备的协作优化方法，其特征在于，该异构设备包括：摄像头、无人机、手机和智能手表。
4.一种物联网中异构设备的协作优化系统，其特征在于，包括：
模块1，用于将物联网中异构设备进行编码，得到每个异构设备的协作体编号；
模块2，用于根据异构设备的计算能力、通信能力和缓存能力，得到各异构设备的智能水平；
模块3，用于随机排列每个异构设备的协作体编号，以形成多条染色体，每一条该染色体代表部分该物联网的协作状态；
模块4，用于以异构设备的智能水平作为适应度，并根据该适应度得到各染色体的存活率；
模块5，用于根据该存活率，从所有染色体中选择部分染色体存活，并参与交叉变异，得到新染色体，并根据预设的变异概率对该新染色体中部分基因进行随机修改，得到变异染色体；
模块6，用于除了该存活率比例存活的染色体，重新随机排列生成剩余比例的染色体，并和该变异染色体共同组成新一批染色体；
模块7，用于判断是否达到预设要求，若是，则根据当前新一批染色体对应的协作状态，将该物联网中的异构设备进行协作，否则再次调用该模块4；
该模块2包括：
通过下式得到第z个异构设备的相关性参数rz：
其中memberz是第z个异构设备中设备个数，rmn是第m种设备和第n种设备的相关度，nummi和numni分别是第i个染色体中种类为m和n的设备个数，coi指第i个染色体；
通过下式得到异构设备的距离参数dz：
其中(xj,yj)是第z个异构设备中的设备j的坐标，是本协作体中所有设备的质心位置坐标；
通过下式得到物联网中异构设备的智能水平f：
其中coNum是异构设备的数量，α是智能体加成参数，cr是相关性加成参数，rmin是物联网中所有异构设备的相关度参数的最小值；cd是距离加成参数；cachz是第z个异构设备中智能体的存储能力，compz是第z个异构设备中智能体的计算能力，commz是第z个异构设备中智能体的通信能力。
5.如权利要求4所述的物联网中异构设备的协作优化系统，其特征在于，该模块4包括通过下式，得到第i个染色体的存活率pi：
6.如权利要求4所述的物联网中异构设备的协作优化系统，其特征在于，该异构设备包括：摄像头、无人机、手机和智能手表。
7.一种文本处理器，其特征在于，包括如任意一种权利要求4～6所述的物联网中异构设备的协作优化系统。
8.一种存储介质，其特征在于，用于存储执行任意一种权利要求1～3所述的物联网中异构设备的协作优化方法。
CN202110381909.6A 2021-04-09 2021-04-09 一种异构物联网中设备协作优化方法及系统 Active CN113139680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110381909.6A CN113139680B (zh) 2021-04-09 2021-04-09 一种异构物联网中设备协作优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110381909.6A CN113139680B (zh) 2021-04-09 2021-04-09 一种异构物联网中设备协作优化方法及系统

Publications (2)

Publication Number Publication Date
CN113139680A CN113139680A (zh) 2021-07-20
CN113139680B true CN113139680B (zh) 2023-11-21

Family

ID=76810491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110381909.6A Active CN113139680B (zh) 2021-04-09 2021-04-09 一种异构物联网中设备协作优化方法及系统

Country Status (1)

Country Link
CN (1) CN113139680B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399279A (zh) * 2019-06-18 2019-11-01 中国科学院计算技术研究所 一种用于非人智能体的智能度量方法
CN111860984A (zh) * 2020-07-06 2020-10-30 燕山大学 一种基于改进遗传算法的多异构无人机任务分配方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711266B (zh) * 2012-05-17 2014-08-13 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法
IN2014CH00303A (zh) * 2014-01-24 2015-07-31 Mphasis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399279A (zh) * 2019-06-18 2019-11-01 中国科学院计算技术研究所 一种用于非人智能体的智能度量方法
CN111860984A (zh) * 2020-07-06 2020-10-30 燕山大学 一种基于改进遗传算法的多异构无人机任务分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的多智能体协作行为研究;杨俊杰;任雪梅;黄鸿;;计算机仿真(第03期);全文 *

Also Published As

Publication number Publication date
CN113139680A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN107172166B (zh) 面向工业智能化服务的云雾计算系统
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Mao et al. Routing or computing? The paradigm shift towards intelligent computer network packet transmission based on deep learning
Subrata et al. Evolving cellular automata for location management in mobile computing networks
CN109583665B (zh) 一种无线传感器网络中的无人机充电任务调度方法
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN113239639B (zh) 策略信息生成方法、装置、电子装置和存储介质
CN113033712A (zh) 一种基于联邦学习的多用户协同训练人流统计方法及系统
CN113098714A (zh) 一种基于深度强化学习的低时延网络切片的方法
CN113781002B (zh) 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
Zhang et al. A novel stochastic clustering auction for task allocation in multi-robot teams
Lan et al. Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks
Yamada et al. Feature-selection based data prioritization in mobile traffic prediction using machine learning
Muccini et al. Leveraging machine learning techniques for architecting self-adaptive iot systems
CN113139680B (zh) 一种异构物联网中设备协作优化方法及系统
Dao et al. A multifactorial evolutionary algorithm for minimum energy cost data aggregation tree in wireless sensor networks
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
EP4202676A1 (en) Method and apparatus for multi-task scheduling, device and storage medium
CN116050086A (zh) 一种基于遗传算法的多机空战任务分配方法
Liu et al. QoS multicast routing based on particle swarm optimization
Wang et al. Inverse reinforcement learning with graph neural networks for IoT resource allocation
CN114815755A (zh) 基于智能协作推理的分布式实时智能监控系统的建立方法
CN114022731A (zh) 基于drl的联邦学习节点选择方法
Tao et al. Efficient task allocation for mobile crowd sensing based on evolutionary computing
Zhang et al. Effective 3C Resource Utilization and Fair Allocation Strategy for Multi-Task Federated Learning

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