CN113225370A - 一种基于物联网的区块链多目标优化方法 - Google Patents

一种基于物联网的区块链多目标优化方法 Download PDF

Info

Publication number
CN113225370A
CN113225370A CN202110252728.3A CN202110252728A CN113225370A CN 113225370 A CN113225370 A CN 113225370A CN 202110252728 A CN202110252728 A CN 202110252728A CN 113225370 A CN113225370 A CN 113225370A
Authority
CN
China
Prior art keywords
population
elite
algorithm
block chain
individuals
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.)
Granted
Application number
CN202110252728.3A
Other languages
English (en)
Other versions
CN113225370B (zh
Inventor
刘晶
张喆语
季海鹏
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110252728.3A priority Critical patent/CN113225370B/zh
Publication of CN113225370A publication Critical patent/CN113225370A/zh
Application granted granted Critical
Publication of CN113225370B publication Critical patent/CN113225370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/10Protocols in which an application is distributed across nodes in the network
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14Network analysis or design
    • H04L41/142Network analysis or design using statistical or mathematical methods
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物联网的区块链多目标优化方法,包括下述步骤:S1.建立多目标函数,提出约束条件;S2.根据多目标优化函数的约束条件为上下阈值随机生成数据作为原始样本;S3.原始样本二进制交叉、多项式变异得到子代集,子代集与原始样本合并作为样本输入OE‑NSGA‑Ⅱ优化算法;S4.OE‑NSGA‑Ⅱ优化算法按Pareto等级将样本分类,进行伪支配值计算,提取每组中伪支配值最小个体进入精英种群;S5.剩余个体进行拥挤度比较筛选剩余精英,得到完整精英种群作为多目标优化方法的结果;S6.按最优节点部署,比较优化后吞吐率与部署开销后的优化结果。

Description

一种基于物联网的区块链多目标优化方法
技术领域
本发明设计多目标优化领域,具体涉及一种基于物联网的区块链 多目标优化方法。
背景技术
工业物联网(IIOT)以极大的速度向产业链传输海量工业 数据。而传统的工业物联网系统过度依赖中心化服务器,由于 中央数据存储机制监管困难,访问权限不明确等问题,经常会 出现数据传输安全隐患,且其可扩展性面临着严峻的挑战。因 此,工业物联网数据传输安全性问题和可扩展性问题,成为了 工业制造业发展的热点问题。
区块链技术,在不依赖于第三方信任组织的条件下基于时间 戳、共识机制、智能合约达到数据去中心化管理,可以很好的解决工 业物联网中传输安全性问题。目前,已有学者将区块链技术应用于工 业物联网中来解决数据传输安全性问题,并取得了很好的效果。文章 [夏昌琳.基于区块链技术的物联网数据交易系统[D].南京:南京邮 电大学,2019.]针对物联网数据安全隐私问题与中心化机构维护困难 问题,利用区块链的分布式数据库技术解决了安全隐私问题,利用智 能合约技术实现了用户数据的自由交易,并根据分析主流的共识机 制,选择了一种适用于物联网平台的共识机制;文章[汪允敏,李挥, 王菡,白永杰,宁崇辉.区块链在工业互联网标识数据管理策略研究[J]. 计算机工程与应用,2020,56(07):1-7.]为实现工业互联网中智能控制与 优化经营,利用区块链技术来管理工业互联网标识,同时引入联盟链, 使链上各参与方可以共同参与和维护工业链,此外,为提高交易的移 动性与实时互动,引入雾计算技术;文章[赵阔,邢永恒.区块链技术驱 动下的物联网安全研究综述[J].信息网络安全,2017(05):1-6.]讨论了区 块链应用于工业物联网后的安全性问题,考虑用区块链的技术特点来 应对物联网中的安全隐患。
上述文献一定程度上解决了数据传输的安全性问题,但在实际应 用中,工业物联网存在着海量的工业数据传输,高频的交易情形需要 区块链系统具有高吞吐率,因此如何提高使其适应工业场景,成为亟 待解决的问题。文章[JIANG Y,WANG C,WANG Y,et.al.ACross-Chain Solution to Integrating Multiple Blockchains for IoT DataManagement.[J]. Sensors(Basel,Switzerland),2019,19(9).]提出了跨链框架整合多个区块 链,提高了区块链本身的可扩展性,以实现高效和安全的物联网数据 管理。基于hyperledge结构和IOTA-Tangle实现了模型,并用实验证 明了框架的有效性。但是,该框架只适用于资源较少的物联网设备管 理,并未对资源成本与可扩展性的综合发展做出考虑。文章[CHI J,LI Y,HUANG J,et.al.A secure and efficient data sharing schemebased on blockchain in industrial Internet of Things[J].Journal of Networkand Computer Applications,2020,167.]提出了一个综合考虑资料分享的安 全性与效率的区块链资料分享方案,设计了一个基于身份认证和超级 账本结构的安全数据共享框架,以保障数据的安全性,提出了一种社 区检测算法,可以有效缩小查询共享数据的范围,提高数据共享效率。 上述方法都在一定程度上解决了区块链应用于工业物联网的可扩展 性问题,然而由于IIOT中的传感器和执行器产生的海量数据通过网关 传输到区块链系统,系统生成节点在协商一致后生成块来存储事务信 息,区块链节点数量少难以满足物联网吞吐率的要求。传统的区块链 吞吐率性能,在很大程度上取决于单节点的处理能力,而高性能、高 配置的硬件节点所投入的资金较大。为满足工业物联网吞吐率的要 求,需要更多数量的区块链节点,但这就意味着部署开销成倍增长, 使得权衡两者关系变得困难。
发明内容
为了解决现有技术问题,本发明提供一种基于物联网的区块链多 目标优化方法。首先以基于区块链性能的多目标优化函数的约束条件 为上下阈值随机生成数据作为节点原始样本,随机数据模拟二进制交 叉、多项式变异得到子代集。其次,以比特币参数拟合两个区块链性 能多目标优化函数,分别为吞吐率函数与部署开销函数。子代集与原 始集合并生成新一代父种群作为节点原始样本,区块链性能多目标优 化函数作为目标函数,输入优化算法。MOMOB方法为提高优化结果, 用OE-NSGA-Ⅱ算法代替NSGA-Ⅱ算法,将种群按Pareto等级分为Z1、 Z2等多个组进行伪支配值的计算,每组中伪支配最小的个体将直接加入精英种群,其余个体再通过拥挤度比较筛选剩余精英。最后提取 最优解集节点数,根据最优节点数部署区块链系统,与基准区块链性 能最对比,得出吞吐率与部署开销优化后的结果,并与IIOT设备信息 交互,观察性能的实际提升情况。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于物联网的区块链多目标优化方法,包括下述步骤:
S1:建立区块链吞吐率、区块链部署开销多目标函数,根据比特 币区块链主链的吞吐率,提出区块链节点数的约束条件,建立区块链 多目标优化数学模型;
S2:以区块链节点数的约束条件为上下阈值随机生成M个个体, 作为原始样本;
S3:将原始样本代入多目标函数计算出第一代个体函数值,对函 数值进行快速非支配排序后,调用模拟二进制交叉、多项式变异算法, 生成个体数量为M的新一代种群,新种群与原始样本结合,得到一 个含有2M个个体的新群体,输入OE-NSGA-Ⅱ算法;
S4:OE-NSGA-Ⅱ优化算法中种群精英筛选算法按快速非支配排 序得到的Pareto等级划分为Pareto等级为0的Z1种群、Pareto等级 为1的Z2种群等,进行伪支配值计算,计算每组个体的伪支配值ξ, 提取每组中伪支配值最小个体进入精英种群;
S5:剩余个体进行拥挤度比较筛选剩余精英,得到数量为M个 个体的完整精英种群作为多目标优化方法的结果;
S6:调用可控阈值的精英保留策略,控制精英种群规模,得到新 的精英种群个体数N;
S7:观察迭代次数,若迭代次数达到要求则结束循环输出结果, 若迭代次数未满足要求,则将精英种群作为新一代原始样本重复方 法。
进一步的,所述步骤S1中,建立区块链多目标优化模型为:
目标函数为区块链吞吐率,公式如下:
Figure BDA0002966018390000051
其中,TPS表示区块链的吞吐率,S表示系统区块链大小,Td表 示每条交易平均大小,m表示区块链系统中存在的节点数,α表示传 播时延。
目标函数为区块链部署开销,公式如下:
C=2ωm(m-1)
其中,C表示部署开销,ω表示传递时延开销,m表示区块链系 统中存在的节点数。
约束条件为节点数量,公式如下:
Mmin<m<Mmax
其中,Mmin表示最低节点数量,按比特币主链TPS=6.67,S=1MB, Td=250字节,α=10min计算获得,Mmax表示最大节点数,其值等于目 前全球最大比特币节点数。
进一步的,所述步骤S3中,按照公式进行模拟二进制交叉(Simulated binarycrossover,SBX);
Figure BDA0002966018390000052
其中,c1和c2表示SBX算子产生的两个后代个体,x1j(t)和x2j(t)表 示两个父代个体,β是由分布因子η按下公式动态随机生成的:
Figure BDA0002966018390000061
η是自定义的参数,其值越大则产生的后代个体逼近父代个体的 概率越大。
按照公式进行多项式变异;
x1j(t+1)=x1j(t)+Δj
其中,x1j(t)表示亲代个体,x1j(t+1)表示子代个体,Δj表示计 算变异算子,由下述公式随机生成:
Figure BDA0002966018390000062
随机数uj∈[0,1]
进一步的,所述步骤S4中,利用OE-NSGA-Ⅱ算法中种群精英筛 选算法按快速非支配排序得到的Pareto等级划分为Pareto等级为0 的Z1种群、Pareto等级为1的Z2种群等,进行伪支配值计算,计算 每组个体的伪支配值ζ,提取每组中伪支配值最小个体进入精英种群,具体步骤如下:
1-1)原始种群生成,对原始种群数据进行非支配排序,得到个 体数量为M的子种群P;
1-2)子种群P进行模拟二进制交叉、多项式变异,得到与种群P 规模相同的变异种群种群Q;
1-3)P与Q合并生成种群规模为2M的新一代父种群S,对父种 群根据目标函数进行快速排序得到一串升序排列的种群数组,按快速 非支配排序得到的Pareto等级划分为Pareto等级为0的Z1种群、 Pareto等级为1的Z2种群,依此类推;
1-4)将父种群S分成若干子种群,通过种群精英个体筛选算法 计算子种群中每个个体的伪支配值ξ大小,种群大小为2M,目标函 数以fm为例,计算函数如下:
Figure BDA0002966018390000071
1-5)i=2M时,ξi=-∞;
1-6)在每个子种群中选取ξi最小的个体直接加入精英种群;
1-7)剩余个体进行拥挤度计算,并根据原始遗传算法,进行Pareto 等级与拥挤度的排序,按照Pareto0到Pareto高级的顺序加入精英种 群;
1-8)重复上述步骤1-1)-1-7),直到迭代次数达到要求。
进一步的,所述步骤S5中,拥挤度的计算公式,具体为:
Figure BDA0002966018390000072
其中,Nd表示拥挤度,初始值为0,fm表示优化目标函数,
Figure BDA0002966018390000073
为目标函数最大值,
Figure BDA0002966018390000074
为目标函数最小值。
进一步的,所述步骤S6中,可控阈值的精英保留策略用于计算 下一次精英种群规模,具体计算按公式:
2-1)计算第g次迭代种群规模Sg
Sg=P×λg
其中,P表示初始种群的个体数,λg表示迭代第g次的精英种 群规模参数,该参数随着得到非支配解的数量而自适应增长,增长关 系如下:
λg+1=λg[1+ln(1+ρ)]
其中,λg+1为第g+1代精英保留规模参数,ρ为第g代种群中非 支配集解数量与种群规模的比值。
2-2)在Sg的种群规模小于种群阈值μ时,种群自由繁殖,提高 精英种群规模,达到阈值μ后,种群会进行精英淘汰,根据拥挤度的 大小排序将部分精英“杀死”,“杀死”的精英由于选择拥挤度较小 的个体杀死,因此不会影响种群精英种群的筛选。“杀死”部分精 英后,种群规模恢复到平稳值(平稳值取5/6μ,该取值是在种群阈 值增长到30后,根据种群增长的S型曲线,在种群阈值为K时,种 群规模处于K/2时种群增长速率最大的与原理计算得到。由于种群阈 值从20开始增长,因此平稳值取5/6μ=25,即(20+30)/2)。
采用上述技术方案所产生的有益效果在于:
本发明提出的一种基于物联网的区块链多目标优化方法针对如 何权衡即通过增加节点数量增加系统的吞吐率、又降低因节点数升高 造成的开销二者之间关系的问题,本发明基于物联网的区块链多目标 优化方法对种群精英筛选过程、精英种群阈值可控保留这两个过程进 行改进。本发明将改进后的NSGA-Ⅱ算法称为OE-NSGA-Ⅱ算法,数学 模型与改进算法结合称为一种基于物联网的区块链多目标优化方法 (An multi objectiveoptimization method of blockchain based on Internet of things,简称MOMOB),该方法充分考虑系统节点的可扩展性、吞 吐率、以及通讯时延开销,计算分布在Pareto前沿的最优解集,寻找 在工业物联网部署区块链技术的最优节点数。
本发明与传统NSGA-Ⅱ优化算法相比:
(1)提出了自选精英保留策略的种群精英筛选算法对精英种群 进行筛选,将伪支配点中的最优解加入最优解集,使得结果集更优, 敛散性更强;(2)针对精英种群规模延展到无限大,不利于绘制收 敛图,也使算法的时间开销极大提升的问题,提出可控阈值的精英保 留策略,使精英种群不再被种群精英筛选方法中选取的精英全部占据 且不会因为不可控精英种群规模膨胀导致结果发散;(3)区块链多 目标优化数学模型建立,与OE-NSGA-Ⅱ算法结合,根据比特币参数 多数学模型进行优化,寻找部署的最优解节点数。
将本发明提出的方法代入比特币区块链主链参数,通过实验分 析,验证提出的OE-NSGA-Ⅱ算法在多目标优化上的有效性,对比算 法的超体积指标(HV,Hypervolume),OE-NSGA-Ⅱ算法HV高于NSGA- Ⅱ算法39648,将算法得到的精英个体代入区块链多目标优化数学模 型,对比NSGA-Ⅱ算法得到的精英个体,TPS提高了0.076,部署开 销降低了8217元,能够在提高吞吐率的同时,在经济层面增加部署 的可行性。
附图说明
图1是一种基于物联网的区块链多目标优化方法流程图;
图2相同Pareto等级下相同拥挤度的伪支配点;
图3 OE-NSGA-Ⅱ优化算法中种群精英筛选步骤流程图;
图4初始化原始种群;
图5交叉、变异后父种群;
图6 OE-NSGA-Ⅱ算法优化结果;
图7 NSGA-Ⅱ算法优化结果;
图8算法对比图;
图9 MOMOB方法最优解集;
图10算法花销对比图;
图11算法吞吐率对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步详细的说明。
本发明以比特币主链参数为载体,以MOMOB方法作为主要的算 法框架,其流程图如图1所示,包括下述步骤:
S1:建立区块链吞吐率、区块链部署开销多目标函数,根据比特 币区块链主链的吞吐率,提出区块链节点数的约束条件,建立区块链 多目标优化数学模型。
本发明的试验验证区块链多目标优化数学模型,目标函数为区块 链吞吐率,公式如下:
Figure BDA0002966018390000101
其中,TPS表示区块链的吞吐率,S表示系统区块链大小,Td表 示每条交易平均大小,m表示区块链系统中存在的节点数,α表示传 播时延。
目标函数为区块链部署开销,公式如下:
C=2ωm(m-1)
其中,C表示部署开销,ω表示传递时延开销,m表示区块链系 统中存在的节点数。
约束条件为节点数量,公式如下:
Mmin<m<Mmax
其中,Mmin表示最低节点数量,按比特币主链TPS=6.67,S=1MB,Td=250字节,α=10min计算获得,Mmax表示最大节点数,其值等于目 前全球最大比特币节点数。
S2:以区块链节点数的约束条件为上下阈值随机生成M个个体, 作为原始样本;
S3:将原始样本代入多目标函数计算出第一代个体函数值,对函 数值进行快速非支配排序后,调用模拟二进制交叉、多项式变异算法, 生成个体数量为M的新一代种群,新种群与原始样本结合,得到一 个含有2M个个体的新群体,输入OE-NSGA-Ⅱ算法。
使用的模拟二进制交叉函数,公式如下:
Figure BDA0002966018390000111
其中,c1和c2表示SBX算子产生的两个后代个体,x1j(t)和x2j(t)表 示两个父代个体,β是由分布因子η按下公式动态随机生成的:
Figure BDA0002966018390000112
η是自定义的参数,其值越大则产生的后代个体逼近父代个体的 概率越大。
使用的多项式变异公式如下;
x1j(t+1)=x1j(t)+Δj
其中,x1j(t)表示亲代个体,x1j(t+1)表示子代个体,Δj表示计 算变异算子,由下述公式随机生成:
Figure BDA0002966018390000113
随机数uj∈[0,1]
S4:OE-NSGA-Ⅱ优化算法中种群精英筛选算法按快速非支配排 序得到的Pareto等级划分为Pareto等级为0的Z1种群、Pareto等级 为1的Z2种群等,进行伪支配值计算,计算每组个体的伪支配值ξ, 提取每组中伪支配值最小个体进入精英种群。
NSGA-Ⅱ算法的精英保留策略是个体种群根据快速非支配排序后 Pareto等级由低到高,相同Pareto等级下拥挤度由大到小进行子代优 良个体的选择,然而在通过拥挤度大小进行筛选的过程中,会出现 Pareto面断层的情况,如图2的情况所示,这是因为存在因拥挤度小 而被淘汰的伪支配点存在(拥有相同Pareto等级与拥挤度等级,但由 于NSGA-Ⅱ算法的精英筛选规则而淘汰的解的个体为伪支配个体,在 Pareto面上未展示的点称为伪支配点)。
图3展示了加入种群精英个体筛选方法后的OE-NSGA-Ⅱ算法步 骤,算法在初始种群交叉、变异、组合生成2倍个体数量的新一代父 种群后,将种群分组为多个子种群,计算子种群中个体的伪支配值, 子种群中最小伪支配值的个体会被直接加入精英种群。具体流程如 下:
1-1)原始种群生成,对原始种群数据进行非支配排序,得到个 体数量为M的子种群P;
1-2)子种群P进行模拟二进制交叉、多项式变异,得到与种群P 规模相同的变异种群种群Q;
1-3)P与Q合并生成种群规模为2M的新一代父种群S,对父种 群根据目标函数进行快速排序得到一串升序排列的种群数组,按快速 非支配排序得到的Pareto等级划分为Pareto等级为0的Z1种群、 Pareto等级为1的Z2种群,依此类推;
1-4)将父种群S分成若干子种群,通过种群精英个体筛选算法 计算子种群中每个个体的伪支配值ξ大小,种群大小为2M,目标函 数以fm为例,计算函数如下:
Figure BDA0002966018390000131
1-5)i=2M时,ξi=-∞;
1-6)在每个子种群中选取ξi最小的个体直接加入精英种群;
1-7)剩余个体进行拥挤度计算,并根据原始遗传算法,进行Pareto 等级与拥挤度的排序,按照Pareto0到Pareto高级的顺序加入精英种 群;
1-8)重复上述步骤1-1)-1-7),直到迭代次数达到要求。
S5:剩余个体进行拥挤度比较筛选剩余精英,得到数量为M个 个体的完整精英种群作为多目标优化方法的结果。
拥挤度计算公式如下:
Figure BDA0002966018390000132
其中,Nd表示拥挤度,初始值为0,fm表示优化目标函数,
Figure BDA0002966018390000133
为目标函数最大值,
Figure BDA0002966018390000134
为目标函数最小值。
S6:调用可控阈值的精英保留策略,控制精英种群规模,得到新 的精英种群个体数N;
引入种群精英个体筛选方法后,目标解集会随着遗传迭代次数的 增加而被筛选出的“精英”全部占据,导致精英种群在迭代未完成时, 就不再变化,这不利于种群解集的多样性与最优解的选取,所以为了 解决精英解集被占据、丰富结果集多样性,提出可控阈值的精英保留 策略。
由于NSGA-Ⅱ算法的精英保留策略为一个固定值,不利于结果收 敛且会被种群精英个体筛选方法选取的精英完全占据精英种群,所以 提出扩展精英种群的迭代关系,具体计算步骤如下:
2-1)计算第g次迭代种群规模Sg
Sg=P×λg
其中,P表示初始种群的个体数,λg表示迭代第g次的精英种 群规模参数,该参数随着得到非支配解的数量而自适应增长,增长关 系如下:
λg+1=λg[1+ln(1+ρ)]
其中,λg+1为第g+1代精英保留规模参数,ρ为第g代种群中非 支配集解数量与种群规模的比值。
2-2)在Sg的种群规模小于种群阈值μ时,种群自由繁殖,提高 精英种群规模,达到阈值μ后,种群会进行精英淘汰,根据拥挤度的 大小排序将部分精英“杀死”,“杀死”的精英由于选择拥挤度较小 的个体杀死,因此不会影响种群精英种群的筛选。“杀死”部分精 英后,种群规模恢复到平稳值(平稳值取5/6μ,该取值是在种群阈 值增长到30后,根据种群增长的S型曲线,在种群阈值为K时,种 群规模处于K/2时种群增长速率最大的与原理计算得到。由于种群阈 值从20开始增长,因此平稳值取5/6μ=25,即(20+30)/2)。
S7:观察迭代次数,若迭代次数达到要求则结束循环输出结果, 若迭代次数未满足要求,则将精英种群作为新一代原始样本重复方 法。
基于上述步骤,本发明得到了区块链部署的最优节点数量,首先 该方法建立区块链吞吐率、区块链部署开销多目标函数,提出节点数 量的约束条件,建立区块链多目标优化的数学模型。其次,根据约束 条件生成原始数据,原始数据进行模拟二进制交叉、多项式变异生成 子代种群,子代种群与原始数据结合作为2倍个体种群输入改进算 法。再次,改进算法提出种群精英筛选策略和可控阈值的精英保留策 略,优化NSGA-Ⅱ算法中伪支配点为题,提高优化结果。最后,将得 到的精英种群个体输入回区块链多目标优化数学模型,比较最优的节 点部署效果。本发明通过解决伪支配点问题,提高了算法敛散性、区 块链吞吐率显著提升、部署通讯开销明显下降,满足区块链落地工业 物联网需求。
本发明基于物联网的区块链多目标优化方法的试验验证:
1、原始数据种群生成
实验数据采用以基于区块链性能的多目标优化函数的约束条件 为上下阈值随机生成的20组节点数为自变量初始种群,将比特币参 数以及自变量初始种群代入提出的区块链多目标优化函数,绘制散点 图。如图4所示:
从原始种群代入吞吐率函数的散点图中得到一代个体的吞吐率 数据,最值不超过0.005,大部分个体分布在靠近X轴位置,吞吐率 接近0,存在极大优化空间。生成的原始种群代入二进制交叉算法、 多项式变异算法,生成一代子种群,如图5所示。一代子种群相较于 一代个体原始种群,函数值变化不明显,但丰富了原始种群的数量, 一代子种群与一代原始种群合并,生成2倍初始个体数量的原始数据 父种群代入OE-NAGA-Ⅱ算法,筛选精英个体。
实验一OE-NSGA-Ⅱ算法性能测试
OE-NSGA-Ⅱ算法解决了NSGA-Ⅱ算法收敛结果过于单一问题和 存在的伪支配点问题,本节将上述交叉、变异后生成的原始数据父种 群作为一代种群代入OE-NSGA-Ⅱ算法,测试两算法迭代1000次后得 到的Pareto前沿解的敛散性与伪支配点点情况,funtion1为区块链吞 吐率函数,function2为区块链部署开销函数。
为对比两算法的优劣性,随机生成的初始种群个体完全相同,带 入如下参数迭代1000次进行筛选最优解集,参数如表1所示:
表1多目标优化对比算法参数
Figure BDA0002966018390000161
多目标优化算法迭代1000次,多次实验取最优结果集,得到20 组Pareto最优解,结果如图6、图7,NSGA-Ⅱ算法出现了明显的断 崖现象,在function1函数值4-6区间出现大量空白,原因是NSGA- Ⅱ算法无法识别伪支配点导致Pareto前沿面解集出现断层,与之相比,OE-NSGA-Ⅱ结果均匀分布在Pareto前沿面,结果分布更加均匀, 这说明提出的种群精英个体筛选方法和可控阈值的精英选择策略,通 过计算伪支配值筛选精英的方法,将NSGA-Ⅱ算法中无法识别的伪支 配点加入了精英结果集,该方法在解决伪支配点与提高敛散性上是有 效的。
图8为代入二次函数与相应数据测试的两算法对比图,迭代1000 次后得到的Pareto最优面,黑色点为NSGA-Ⅱ算法,空心点为 OE-NSGA-Ⅱ算法,在得到Pareto最优解集接近的情况下,OE-NSGA- Ⅱ算法在最优面上的分布相较于NSGA-Ⅱ算法更加均匀且与黑心点 NSGA-Ⅱ算法形成图比较,结果并未出现Pareto面出现大量空白的断 崖情况,OE-NSGA-Ⅱ算法得到Pareto面更加连续,这说明提出的种 群精英个体筛选方法和可控阈值的精英选择策略在解决伪支配点与 提高敛散性上是不仅适用于区块链多目标优化函数,更具有普适性。
实验二MOMOB模型实验结果
图9为MOMOB模型运算,OE-NSGA-Ⅱ算法迭代10000次后得 到的Pareto前沿最优解集,Pareto等级为0的个体值为17.058个节 点,代入区块链性能多目标优化函数后,得到吞吐率为7.656、通讯 开销为821,767均高于比特币部署基准。
图10为OE-NSGA-Ⅱ算法和NSGA-Ⅱ算法在迭代10000次后得到 的最优解集代入通讯开销函数后的对比图像,图11为OE-NSGA-Ⅱ算 法和NSGA-Ⅱ算法在迭代了10000次后代入吞吐率函数后的对比图 象。数据采用均匀随机模拟数据,得到的结果集代入区块链性能多目 标优化函数,在图中可以看出,OE-NSGA-Ⅱ算法得到的吞吐率明显高 于NSGA-Ⅱ得到的结果集带入吞吐率函数后得到的值,而通讯开销也 完全低于NSGA-Ⅱ得到的结果集带入通讯开销函数后得到的值,证明 了算法改进的有效性。
算法的超体积指标(HV,Hypervolume)是用来表征算法获得的 非支配解集与参照点围成的目标空间中区域的体积。HV值越大,说 明算法的综合性能越好。
表2改进NSGA-Ⅱ算法、NSGA-Ⅱ算法和原始部署TPS、开销对比
Figure BDA0002966018390000181
由于本算法的部署开销函数是越小越优型函数,故在计算HV时 调换了函数值与边界条件的位置,致使得到结果为负值。结果 OE-NSGA-Ⅱ算法的HV远高于NSGA-Ⅱ算法,证明了改进算法的多样 性和收敛性的综合指标更优。
表4展示了OE-NSGA-Ⅱ算法、NSGA-Ⅱ算法迭代10000次后得到 的最优支配解代入区块链性能多目标优化函数后和原始部署开销基 准的对比,两种算法都显著提高了吞吐率,部署开销略有增加,但 OE-NSGA-Ⅱ算法相较于NSGA-Ⅱ算法吞吐率提升更加明显,通讯部署 开销却要低于后者。
考虑到节点需要按整数部署,OE-NSGA-Ⅱ算法优化并没有高于原 始算法完整的整数个数,MOMOB模型优化结果的实际意义在于相比 于目前的区块链技术,吞吐率得到了明显提升,且在真实的工业物联 网部署环境中,部署的节点数将远大于17,OE-NSGA-Ⅱ算法的优化 结果会因为节点数量的增多而被放大。
MOMOB模型可以用于区块链性能优化且可以显著提升区块链 性能,为工业物联网部署区块链技术找到了理论最优节点数,即增加 区块链吞吐率来满足工业物联网海量的数据传输,又能依靠区块链技 术的本身特性保证传输过程的安全,且降低通讯开销,使得从经济层 面增加部署的可行性。
结论
针对区块链节点数量少难以满足物联网吞吐率要求,节点数量过 度又会造成部署开销过大的问题,提出了一种基于物联网的区块链多 目标优化方法(MOMOB)。使用NSGA-Ⅱ算法对多目标优化问题进 行处理,对NSGA-Ⅱ算法存在伪支配点问题和解集多样性过小问题进 行了改进。利用比特币主链交易频率参数的总结与均匀随机模拟数据 进行实验,经实验分析认证,该方法优化了算法的收敛性与多样性综 合指标。相比部署基准,区块链吞吐率提高、相比原始算法,TPS提 高了0.076,部署开销降低了8217元。在已经证实区块链落地物联 网可行的背景下,表明可以利用该算法对目前的区块链技术在算法层 面进行优化。

Claims (4)

1.一种基于物联网的区块链多目标优化方法,其特征在于,包括下述步骤:
S1:建立区块链吞吐率、区块链部署开销多目标函数,根据比特币区块链主链的吞吐率,提出区块链节点数的约束条件,建立区块链多目标优化数学模型;
S2:以区块链节点数的约束条件为上下阈值随机生成M个个体,作为原始样本;
S3:将原始样本代入多目标函数计算出第一代个体函数值,对函数值进行快速非支配排序后,调用模拟二进制交叉、多项式变异算法,生成个体数量为M的新一代种群,新种群与原始样本结合,得到一个含有2M个个体的新群体,输入OE-NSGA-Ⅱ算法;
S4:OE-NSGA-Ⅱ优化算法中种群精英筛选算法按快速非支配排序得到的Pareto等级划分为Pareto等级为0的Z1种群、Pareto等级为1的Z2种群等,进行伪支配值计算,计算每组个体的伪支配值ξ,提取每组中伪支配值最小个体进入精英种群;
S5:剩余个体进行拥挤度比较筛选剩余精英,得到数量为M个个体的完整精英种群作为多目标优化方法的结果;
S6:调用可控阈值的精英保留策略,控制精英种群规模,得到新的精英种群个体数N;
S7:观察迭代次数,若迭代次数达到要求则结束循环输出结果,若迭代次数未满足要求,则将精英种群作为新一代原始样本重复方法。
2.根据权利要求1所述的一种基于物联网的区块链多目标优化方法,其特征在于:所述步骤S1中,建立区块链多目标优化模型为:
目标函数为区块链吞吐率,公式如下:
Figure FDA0002966018380000021
其中,TPS表示区块链的吞吐率,S表示系统区块链大小,Td表示每条交易平均大小,m表示区块链系统中存在的节点数,α表示传播时延。
目标函数为区块链部署开销,公式如下:
C=2ωm(m-1)
其中,C表示部署开销,ω表示传递时延开销,m表示区块链系统中存在的节点数。
约束条件为节点数量,公式如下:
Mmin<m<Mmax
其中,Mmin表示最低节点数量,按比特币主链TPS=6.67,S=1MB,Td=250字节,α=10min计算获得,Mmax表示最大节点数,其值等于目前全球最大比特币节点数。
3.根据权利要求1所述的一种基于物联网的区块链多目标优化方法,其特征在于:所述步骤S4中,利用OE-NSGA-Ⅱ算法中种群精英筛选算法按快速非支配排序得到的Pareto等级划分为Pareto等级为0的Z1种群、Pareto等级为1的Z2种群等,进行伪支配值计算,计算每组个体的伪支配值ζ,提取每组中伪支配值最小个体进入精英种群,具体步骤如下:
1-1)原始种群生成,对原始种群数据进行非支配排序,得到个体数量为M的子种群P;
1-2)子种群P进行模拟二进制交叉、多项式变异,得到与种群P规模相同的变异种群种群Q;
1-3)P与Q合并生成种群规模为2M的新一代父种群S,对父种群根据目标函数进行快速排序得到一串升序排列的种群数组,按快速非支配排序得到的Pareto等级划分为Pareto等级为0的Z1种群、Pareto等级为1的Z2种群,依此类推;
1-4)将父种群S分成若干子种群,通过种群精英筛选算法计算子种群中每个个体的伪支配值ξ大小,种群大小为2M,目标函数以fm为例,计算函数如下:
Figure FDA0002966018380000031
1-5)i=2M时,ξi=-∞;
1-6)在每个子种群中选取ξi最小的个体直接加入精英种群;
1-7)剩余个体进行拥挤度计算,并根据原始遗传算法,进行Pareto等级与拥挤度的排序,按照Pareto0到Pareto高级的顺序加入精英种群;
1-8)重复上述步骤1-1)-1-7),直到迭代次数达到要求。
4.根据权利要求1所述的一种基于物联网的区块链多目标优化方法,其特征在于:所述步骤S6中,可控阈值的精英保留策略用于计算下一次精英种群规模,具体计算按公式:
2-1)计算第g次迭代种群规模Sg
Sg=P×λg
其中,P表示初始种群的个体数,λg表示迭代第g次的精英种群规模参数,该参数随着得到非支配解的数量而自适应增长,增长关系如下:
λg+1=λg[1+ln(1+ρ)]
其中,λg+1为第g+1代精英保留规模参数,ρ为第g代种群中非支配集解数量与种群规模的比值。
2-2)在Sg的种群规模小于种群阈值μ时,种群自由繁殖,提高精英种群规模,达到阈值μ后,种群会进行精英淘汰,根据拥挤度的大小排序将部分精英“杀死”,“杀死”的精英由于选择拥挤度较小的个体杀死,因此不会影响种群精英种群的筛选。“杀死”部分精英后,种群规模恢复到平稳值(平稳值取5/6μ,该取值是在种群阈值增长到30后,根据种群增长的S型曲线,在种群阈值为K时,种群规模处于K/2时种群增长速率最大的与原理计算得到。由于种群阈值从20开始增长,因此平稳值取5/6μ=25,即(20+30)/2)。
CN202110252728.3A 2021-03-08 2021-03-08 一种基于物联网的区块链多目标优化方法 Active CN113225370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110252728.3A CN113225370B (zh) 2021-03-08 2021-03-08 一种基于物联网的区块链多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110252728.3A CN113225370B (zh) 2021-03-08 2021-03-08 一种基于物联网的区块链多目标优化方法

Publications (2)

Publication Number Publication Date
CN113225370A true CN113225370A (zh) 2021-08-06
CN113225370B CN113225370B (zh) 2022-09-20

Family

ID=77084882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110252728.3A Active CN113225370B (zh) 2021-03-08 2021-03-08 一种基于物联网的区块链多目标优化方法

Country Status (1)

Country Link
CN (1) CN113225370B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113810507A (zh) * 2021-11-18 2021-12-17 南京信息工程大学 一种基于ide的区块链可信节点划分方法
CN113902212A (zh) * 2021-10-25 2022-01-07 上海新科乾物联技术有限公司 一种生产线生产序列调度方法、系统、存储介质
CN114676539A (zh) * 2022-04-12 2022-06-28 山东华方智联科技股份有限公司 一种基于NB-IoT的智能电表多目标部署方法
CN115293056A (zh) * 2022-10-10 2022-11-04 中国汽车技术研究中心有限公司 一种面向Modelica模型的多目标优化算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110413860A (zh) * 2019-07-16 2019-11-05 东华大学 一种基于nsga-ii的多云环境下云实例的多目标优化选择方法
CN111203887A (zh) * 2020-02-23 2020-05-29 陕西理工大学 一种基于nsga-ii模糊逻辑推理的机器人控制系统优化方法
CN111294959A (zh) * 2020-02-07 2020-06-16 安徽大学 一种联合用户分组和功率分配的优化方法及其优化装置
CN112001526A (zh) * 2020-07-23 2020-11-27 河北工业大学 一种基于优化小生境遗传算法的资源调度优化方法
CN112202703A (zh) * 2020-08-11 2021-01-08 天津大学 基于冗余余数系统的区块链存储优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110413860A (zh) * 2019-07-16 2019-11-05 东华大学 一种基于nsga-ii的多云环境下云实例的多目标优化选择方法
CN111294959A (zh) * 2020-02-07 2020-06-16 安徽大学 一种联合用户分组和功率分配的优化方法及其优化装置
CN111203887A (zh) * 2020-02-23 2020-05-29 陕西理工大学 一种基于nsga-ii模糊逻辑推理的机器人控制系统优化方法
CN112001526A (zh) * 2020-07-23 2020-11-27 河北工业大学 一种基于优化小生境遗传算法的资源调度优化方法
CN112202703A (zh) * 2020-08-11 2021-01-08 天津大学 基于冗余余数系统的区块链存储优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘晶等: "基于工业物联网的区块链多目标优化", 《计算机集成制造系统》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902212A (zh) * 2021-10-25 2022-01-07 上海新科乾物联技术有限公司 一种生产线生产序列调度方法、系统、存储介质
CN113902212B (zh) * 2021-10-25 2022-04-12 上海新科乾物联技术有限公司 一种生产线生产序列调度方法、系统、存储介质
CN113810507A (zh) * 2021-11-18 2021-12-17 南京信息工程大学 一种基于ide的区块链可信节点划分方法
CN113810507B (zh) * 2021-11-18 2022-02-15 南京信息工程大学 一种基于ide的区块链可信节点划分方法
CN114676539A (zh) * 2022-04-12 2022-06-28 山东华方智联科技股份有限公司 一种基于NB-IoT的智能电表多目标部署方法
CN115293056A (zh) * 2022-10-10 2022-11-04 中国汽车技术研究中心有限公司 一种面向Modelica模型的多目标优化算法

Also Published As

Publication number Publication date
CN113225370B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN113225370B (zh) 一种基于物联网的区块链多目标优化方法
EP1345167A1 (en) Method of combinatorial multimodal optimisation
CN105809297A (zh) 一种基于多目标差分进化算法的火电厂环境经济调度方法
CN110717300A (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
Ji et al. Particle swarm optimization for mobile ad hoc networks clustering
CN113285832B (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
Cai et al. A hybrid of decomposition and domination based evolutionary algorithm for multi-objective software next release problem
CN114118567A (zh) 一种基于双通路融合网络的电力业务带宽预测方法
Shi et al. A multipopulation coevolutionary strategy for multiobjective immune algorithm
Yohannes Application of soft computing methods for economic load dispatch problems
CN114745288B (zh) 基于区块链和动态赋权的复杂网络抗毁性模型量化方法
Qiu et al. Preference-inspired coevolutionary algorithm based on differentiated resource allocation strategy
CN114640643B (zh) 基于群体智能的信息跨社群传播最大化方法及系统
CN107911763B (zh) 一种基于QoS的智能配用电通信网EPON网络规划方法
CN114494643A (zh) 基于网络划分的疾病传播控制方法
CN109636014A (zh) 一种基于成纱质量预测的配棉方法
Li et al. An improvement proposal of genetic algorithms based on information entropy and game theory
Cai et al. An enhanced invasive weed optimization in resource-constrained project scheduling problem
Yuan et al. A strength pareto gravitational search algorithm for multi-objective optimization problems
Fang et al. Multi-objective optimization immune algorithm using clustering
CN105978816B (zh) 一种基于遗传框架的组播树优化方法
CN110020756A (zh) 一种基于大数据聚类与分级优化的输电网规划方法
Rahmat et al. Differential evolution immunized ant colony optimization technique in solving economic load dispatch problem
Tang et al. Grid task scheduling strategy based on differential evolution-shuffled frog leaping algorithm
CN117610707B (zh) 一种城市群生产空间利用预测方法及系统

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
GR01 Patent grant
GR01 Patent grant