CN113595774B - 一种基于iaga算法的高速列车车联网拓扑优化方法 - Google Patents
一种基于iaga算法的高速列车车联网拓扑优化方法 Download PDFInfo
- Publication number
- CN113595774B CN113595774B CN202110813225.9A CN202110813225A CN113595774B CN 113595774 B CN113595774 B CN 113595774B CN 202110813225 A CN202110813225 A CN 202110813225A CN 113595774 B CN113595774 B CN 113595774B
- Authority
- CN
- China
- Prior art keywords
- communication
- network
- nodes
- switching node
- traffic
- 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
Classifications
-
- 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
- H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
-
- 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
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Small-Scale Networks (AREA)
Abstract
本发明公开了一种基于IAGA算法的高速列车车联网拓扑优化方法,将网络拓扑结构优化转化为网络终端设备的分配规划过程,对车载网络的各参数进行定义;在车载网络连通可靠性约束条件下初步构建列车车联网的两层拓扑结构模型;在数据通信流量的计算基础上建立以网络流量负载和通信时延为优化指标的目标函数模型根据全双工交换节点物理条件的限制确定目标函数的约束条件,使用改进的自适应遗传算法对车载终端设备的分配方式进行规划;在改进的自适应遗传算法中进行优化求解,得到优化后网络拓扑中终端设备节点的分配结果。本发明能有效减小拓扑中各交换节点子网的通信负载,从而减小了终端设备间的端到端时延,改进了高速列车车联网的实时性能。
Description
技术领域
本发明属列车通信网络技术领域,具体涉及一种基于IAGA算法的高速列车车联网拓扑优化方法。
背景技术
近些年来,我国轨道交通运营里程不断增加,高速列车的控制、监测技术的提高与乘客服务需求信息的完善,使得列车网络控制系统中的网络终端设备的种类和数量不断增加,高速列车车联网需要承载更多的信息交换,因此有更高的数据传输速率需求。高速列车上总线型网络的传输速率已经不能满足实时传输大量数据的要求,工业以太网因为更高的传输速率和良好的兼容性已经成为今后高速列车车联网发展的主要解决方案。实时性是高速列车车联网最显著的特点之一,因为在涉及车控、制动、故障诊断、监测等信息传输时必须严格控制传输时延上限,才能保证行车安全。从工业以太网的通信传输时延分析可知,拓扑结构优化是保证网络实时性的重要方式,因此对于应用在高速列车上的工业以太网的实时性能的研究有重要的意义。
在基于工业以太网的高速列车车联网拓扑优化方法研究中,有些研究从网络在经济性约束条件下的物理拓扑结构优化出发,大部分研究只考虑了单一的网络流量指标或者通信延迟指标,并没有充分考虑多个优化目标的关系;在不同的优化目标下研究得到的网络拓扑优化效果也不同。在求解高速列车车联网的优化模型时,可以采用各类启发式的搜索算法,每类搜索算法的收敛速度和求解精度都不相同,其中遗传算法作为一种随机的、不确定的搜索算法,可以很好地用来解决该问题。然而,传统的遗传算法在工程应用中往往存在收敛速度慢和早熟现象,对性能更好的改进遗传算法的研究也成为网络拓扑结构优化的研究重点,因此提出一种基于IAGA算法的高速列车车联网拓扑优化方法对于更加高效地改进网络的实时性能,具有重要的现实意义。
发明内容
本发明的目的在于提供一种基于IAGA算法的高速列车车联网拓扑优化方法,本发明针对基于工业以太网的高速列车车联网存在的实时性差的问题,通过优化高速列车车联网物理拓扑结构的车载终端设备的分配方式,减小了拓扑中各交换节点子网的通信负载,从而减小了高速列车车联网中车载终端设备间的端到端时延,达到了提高高速列车车联网实时性能的目的。为了实现上述目的,本发明采用的技术方案如下:
根据本发明的一个方面,提供了一种基于IAGA算法的高速列车车联网拓扑优化方法,其特征在于:将网络拓扑结构优化转化为网络终端设备的分配规划过程,对高速列车车联网通信数据进行优化分配处理,得到网络拓扑节点的分配结果;其优化过程包括以下步骤:
步骤S01:将网络拓扑结构优化转化为车载终端设备的分配规划过程,对车载网络的各参数进行定义,各参数定义包括对通信流量、通信时延、交换节点性能参数、终端节点和链路参数的定义,并根据车载网络连通可靠性确定基本的列车车联网的物理拓扑结构;
步骤S02:在车载网络连通可靠性约束条件下初步构建列车车联网的两层拓扑结构模型,对两层拓扑结构模型中车载终端设备节点间通信的过程数据和消息数据的通信流量进行计算,根据计算所得的通信流量值构造通信量权值矩阵和终端设备节点的邻接映射矩阵;
步骤S03:在数据通信流量的计算基础上建立以网络流量负载和通信时延为优化指标的目标函数模型,根据通信量权值矩阵和邻接映射矩阵建立以车联网络拓扑结构中所有车辆层子网中的通信流量负载量最小、负载均衡以及网络终端设备间传输时延最小为优化目标的函数;
步骤S04:建立多目标优化的评价函数模型,根据全双工交换节点物理条件的限制确定目标函数的约束条件;
步骤S05:对步骤S03中优化的目标函数模型使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,从而确定编码方案、适应度函数以及调整遗传算子和设计出整个算法流程;
步骤S06:利用步骤S02得到的高速列车车联网的通信量,在改进的自适应遗传算法中进行优化求解,得到优化后网络拓扑中终端设备节点的分配结果。
上述方案进一步优选的,在步骤S01的参数定义中,所述通信流量的参数定义包括数据长度、数据周期和数据优先级权重,对所述交换节点性能参数的定义包括交换节点个数、交换节点端口数和端口传输速率,所述终端节点和链路参数的定义包括车联网络拓扑结构中的终端节点个数、链路数目和链路通信带宽。
上述方案进一步优选的,对于步骤S02,充分考虑了过程数据和消息数据这两类实时数据,对车联网络拓扑结构中两个车载终端设备通信的两类数据的通信流量进行计算,根据计算得到的通信流量值构造相应的通信量权值矩阵,通信流量qij的计算满足:
式中,i和j表示网络中通信的两个终端设备节点,βij表示网络中周期性实时过程数据的流量均值,τij是指网络中非周期性消息数据的通信流量,和/>分别表示过程数据和消息数据优先级的权重,根据计算得到的通信流量值可以构造相应的通信量权值矩阵A,通信量权值矩阵A满足;
式中矩阵元素qij表示源设备i到目标设备j之间数据的定向通信流量权值,i,j={1,2,…,m},m是网络中总的通信设备节点数目,矩阵元素的大小定义为两个设备节点实际通信量与网络中所有通信设备间最小通信量的比值,若两设备节点间往返通信的流量相等,设备节点本身之间没有通信,则矩阵中的对角线元素为0。
上述方案进一步优选的,构造完相应的通信量权值矩阵A后,再构造相应的邻接映射矩阵,其构造过程包括:首先,根据设备节点与交换节点子网之间的关系定义邻接矩阵的元素Xik分别为:
式中,i表示通信的设备节点,k表示车辆层交换节点子网序号,k={1,2,3,…,N},N表示车辆层中总的交换节点数量,该式表示当终端设备节点i在交换节点子网k中时,对应的矩阵元素为1,否则为0;
其次,构造相应的设备节点邻接映射矩阵B:
则用来判断两个不同子网的设备节点之间通信的条件公式可以表示为:
Hij=Xik(1-Xjk)
式中Hij表示不同交换节点子网中的某对设备节点的通信状态,当源设备i和目标设备j在同一交换节点子网中时,Hij=0,当源设备i和目标设备j不在同一子网中时,Hij=1。
上述方案进一步优选的,根据全双工交换节点物理条件的限制确定多目标优化的目标函数的约束条件,是以通信流量权值矩阵和邻接映射矩阵进行建立多目标优化的目标函数;
步骤501:第一个目标是使网络中所有车辆层交换节点子网间的通信负载量最小化,其目标函数表述为:
式中,通信的设备节点i,j={1,2,…,M},M为网络中参与通信的总的设备节点数;k为车辆层交换节点子网序号,k={1,2,3,…,N},N表示车辆层中总的交换节点数量;;步骤502:第二个目标是使交换节点子网间传输的负载流量的差异最小化,其目标函数表述为:
式中k表示车辆层交换节点子网序号,任一交换节点子网k的总的通信负载流量ω(k)定义为:
式中,通信的设备节点i,j={1,2,…,M},M是拓扑网络中的通信设备节点数目,nk表示交换节点子网k中的通信设备节点数,该式表示某交换节点子网内所有设备节点与网络中除该子网外的所有通信节点的通信流量之和;
步骤503:第三个目标是使网络中的数据传输时延最小化,其目标函数表述为:
式中,Dij是设备i和j通信的数据流经过的交换节点数量,M是总的通信终端设备节点数,D是网络拓扑中总的交换节点数量;
步骤504:对用目标函数f1、f2、f3使用改进的自适应遗传算法对车载终端设备的分配方式进行规划。
上述方案进一步优选的,对目标函数f1、f2、f3使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,是利用线性加权方法将多目标问题转化为单个目标规划的问题,在确定总的目标函数模型之前,先对以上三个目标函数的量纲进行一致性处理,然后综合考虑每个目标函数的相对重要程度和数量级方面差异的影响,并确定权重系数,所述目标函数受到全双工交换节点物理条件的约束限制,其总的目标评价函数及约束条件如下:
其中,在目标函数F中,和/>分别表示第t个函数ft的最大值和最小值,t={1,2,3},η1、η2、η3表示三个目标函数对应的权重系数,在约束条件1中M是网络拓扑中参与通信的总设备节点数,N是车辆层中总的交换节点数量;约束条件2表示网络拓扑中每个设备节点都被分配到交换节点子网中;约束条件3中Sk表示车辆层交换节点k的端口数,该条件约束了连接在交换节点子网中的节点设备数目不能超过交换节点的端口数;约束条件4和约束条件5中,qc表示交换节点端口c的最大传输速率,C表示交换节点所有端口的集合,这两个条件约束了任一交换节点子网的上行和下行流量的传输速率都不能超过该子网中交换节点端口的最大传输速率。
上述方案进一步优选的,使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,参照目标函数对网络拓扑中的终端设备分配方式进行优化,具体包括以下子步骤:
S0501:在遗传算法中采用整数编码的方式,将交换节点子网中的设备分配方式用遗传算法中的染色体加以描述;
S0502:目标函数模型的优化目标使网络中的传输流量负载和传输延迟最小化,即找到实时性最好的设备分配方式,将目标函数直接作为算法的适应度函数;最后衡量各指标的权重关系,初步确定权重系数η1、η2、η3;
S0503:重新对每个个体的适应度进行标定和调整,根据当前种群中个体的最大适应度值和最小适应度值确定个体适应度值的标定公式:
式中F'为调整后的适应度值,F为原始适应度值,Fmax为当前种群中的最大适应度值,Fmin为当前种群中的最小适应度值,φ为调节因子;
S0504:采用轮盘赌的方式进行选择操作,在进行下一步操作之前选出适应度值大的个体直接复制到下一代中;
S0505:在交叉操作中,交叉算子采用的是双点交叉的方法,对自适应交叉概率的值进行节,其调节公式为:
式中,z1、z2是自适应交叉概率的调节系数,Fmax为当前种群中的适应度最大值,Favg为当前种群中所有个体的平均适应度值;
S0506:在变异操作中用到的变异方法是位翻转变异,对变异后的个体检查其合理性,如果不能满足约束条件,则需要重新对个体进行变异,自适应变异概率调节满足:
式中,v1、v2是自适应变异概率的调节系数,F表示变异个体的适应度值;
S0507:设置初始化种群数量、代沟和迭代数,判断是否满足迭代终止条件,若不满足终止条件,返回子步骤S0503。
上述方案进一步优选的,利用已有的高速列车车联网控制系统中的传输数据,在设计的自适应遗传算法中进行优化求解可得到最后的优化结果,优化结果包括优化后的终端设备节点在交换节点子网中的位置分配情况、交换节点子网间的总通信量、交换节点子网间通信负载的最大差异量和数据传输的端到端通信延迟量。
综上所述,由于本发明采用了上述技术方案,本发明具有如下显著效果:
(1)、本发明的高速列车车联网拓扑优化方案充分考虑了包括网络负载以及延迟在内的多个目标,并根据实际的以太网交换节点的物理约束条件,采用了基于改进的自适应遗传算法的搜索算法对优化目标进行求解,在设计的优化算法与普通的遗传搜索相比,收敛速度更快,得到的分配结果更加准确;最后通过算例的仿真验证得到本发明所设计的拓扑优化方法可以使得交换节点子网间的总通信量、子网间通信负载的最大差异量、数据传输的通信延迟量得到降低;
(2)、本发明针对基于工业以太网的高速列车车联网存在的实时性差的问题,通过优化高速列车车联网物理拓扑结构的车载终端设备的分配方式,减小了拓扑中各交换节点子网的通信负载;将本发明的优化的方法应用到高速列车车联网技术中,可以更加高效地减小了高速列车车联网中车载终端设备间的端到端时延从而减小网络中的通信延迟,达到有效地提高高速列车车联网实时性能的目的。
附图说明
图1是本发明的一种基于IAGA算法的高速列车车联网拓扑优化方法的优化流程图;
图2是本发明的一种基于IAGA算法的高速列车车联网拓扑优化方法的拓扑结构图;
图3是本发明实施例中计算得到的通信量权值矩阵图;
图4是本发明中改进的自适应遗传算法求解流程图;
图5是本发明实施例中优化模型的两种求解算法进化迭代对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
结合图1,根据本发明的一种基于IAGA算法的高速列车车联网拓扑优化方法,本发明将网络拓扑结构优化转化为网络终端设备的分配规划问题,在网络连通可靠性约束条件下初步构建列车车联网的两层拓扑结构模型,对两层拓扑结构模型中车载终端设备之间通信的通信流量进行计算,在数据通信流量的计算基础上建立以网络流量负载和通信时延为指标的目标函数模型,对目标函数模型采用改进的自适应遗传算法进行优化求解;在自适应遗传算法中根据进化个体的适应度值对自适应遗传算法的交叉概率和变异概率进行调整;最后利用高速列车车联网通信数据进行对设备在交换节点网络中的位置进行优化,得到网络拓扑设备节点在交换节点网络中的位置分配结果;最后对位置优化后的网络中的流量负载指标和时延指标进行求解分析,与优化前对比验证对网络实时性能改进的显著性。具体优化过程包括以下步骤:
步骤S01:将网络拓扑结构优化转化为车载终端设备的分配规划过程,对车载终端设备的车载网络的各参数进行定义,各参数定义包括对通信流量、通信时延、交换节点性能参数、终端节点和链路参数的定义,根据网络连通可靠性选择可靠性较高的物理拓扑结构。物理拓扑包括线型、环形、树型和星型等,比较这几种结构的网络连通可靠性,最后在列车层网络选择线型拓扑,在车辆层网络选择环形拓扑;所述通信流量的参数定义包括数据长度、数据周期和数据优先级权重,对所述交换节点性能参数的定义包括交换节点个数、交换节点端口数和端口传输速率,所述终端节点和链路参数的定义包括车联网络拓扑结构中的终端节点个数、链路数目和链路通信带宽,链路中以太网的带宽为100Mbps。
步骤S02:在车载网络连通可靠性条件下初步构建列车车联网的两层拓扑结构模型,对两层列车车联网拓扑结构模型中车载终端设备间通信的过程数据和消息数据这两类数据的通信流量进行计算,根据通信流量值构造通信量权值矩阵和终端设备节点的邻接映射矩阵;其中,
通信流量qij的计算满足:
式中,i和j表示网络中通信的两个终端设备节点,βij表示网络中周期性实时过程数据的流量均值,τij是指网络中非周期性消息数据的通信流量,和/>分别表示过程数据和消息数据优先级的权重,根据计算得到的通信流量值可以构造相应的通信量权值矩阵A,通信量权值矩阵A满足;
式中矩阵元素qij表示源设备i到目标设备j之间数据的定向通信流量权值,i,j={1,2,…,m},m是网络中总的通信设备节点数目,矩阵元素的大小定义为两个设备节点实际通信量与网络中所有通信设备间最小通信量的比值,若两设备节点间往返通信的流量相等,设备节点本身之间没有通信,则矩阵中的对角线元素为0;
其中,构造完相应的通信量权值矩阵A后,再构造相应的邻接映射矩阵,其构造过程包括:首先根据设备节点与交换节点字网络之间的关系定义邻接矩阵的元素Xik为:
式中,i表示通信的设备节点,k表示车辆层交换节点子网序号,k={1,2,3,…,N},N表示车辆层中总的交换节点数量(拓扑网络车辆层中总的交换节点数量),该式表示当终端设备节点i在交换节点子网k中时,对应的矩阵元素为1,否则为0;
其次,假设有N个交换节点和i个终端设备节点,构造相对于N个车辆层交换节点的设备节点邻接映射矩阵B:
则用来判断两个不同子网的设备节点之间通信的条件(指不同子网间设备的建立通信连接的条件)公式可以表示为:
Hij=Xik(1-Xjk);
式中,Hij表示不同交换节点子网中的某对设备节点的通信状态,当源设备i和目标设备j在同一交换节点子网中时,Hij=0,不在同一子网中时,Hij=1;
步骤S03:在数据通信流量的计算基础上建立网络流量负载指标和通信时延指标的目标函数模型,根据通信量权值矩阵和邻接映射矩阵建立以车联网络拓扑结构中所有车辆层子网中的通信流量负载量最小、负载均衡以及网络终端设备间传输时延最小为优化目标的多目标函数;第一个目标是使网络中所有车辆层交换节点子网间的通信负载量最小化,其目标函数表述为:
式中,通信的设备节点i,j={1,2,…,M},M为网络中参与通信的总的设备节点数,k为车辆层交换节点子网序号,k={1,2,3,…,N},N表示车辆层中总的交换节点数量,只有当Hij=1时,才能对该目标函数f1才能计算。
第二个目标是使交换节点子网间传输的负载流量的差异最小化,其目标函数表述为:
式中k表示车辆层交换节点子网序号,任一交换节点子网k的总的通信负载流量ω(k)定义为:
式中,nk是交换节点子网k中的通信设备节点数目,M是拓扑网络中的通信设备节点数目,通信的设备节点i,j={1,2,…,M},该式表示某交换节点子网内所有设备节点与网络中除该子网外的所有通信节点的通信流量之和。
第三个目标是使网络中的数据传输时延最小化,其目标函数表述为:
式中,目标函数f3是对网络中节点间通信时延的定性表示,对网络中所有节点的通信时延为参数建立目标函数,Dij是设备i和j通信的数据流经过的交换节点数量,M是总的通信终端设备节点数,D是网络拓扑中总的交换节点数量;
步骤S04:建立多目标优化的评价函数模型,根据全双工交换节点物理条件的限制确定目标函数的约束条件;对目标函数f1、f2、f3使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,是利用线性加权方法将多目标问题转化为单个目标规划的问题,在确定总的目标函数模型之前,先对以上三个目标函数的量纲进行一致性处理,然后综合考虑每个目标函数的相对重要程度和数量级方面差异的影响,并确定权重系数;所述目标函数受到全双工交换节点物理条件的约束限制,目标评价函数及其约束条件如下:
其中,在目标函数F中,和/>分别表示第t个函数ft的最大值和最小值,t={1,2,3},η1、η2、η3表示三个目标函数对应的权重系数,在约束条件1中M是网络拓扑中参与通信的设备节点数,N是车辆层中总的交换节点数量;约束条件2表示网络拓扑中每个设备节点都被分配到交换节点子网中;约束条件3中Sk表示交换节点k的端口数,该条件约束了连接在交换节点子网中的节点设备数目不能超过交换节点的端口数;约束条件4和约束条件5中,qc表示交换节点端口c的最大传输速率,C表示交换节点所有端口的集合,这两个条件约束了任一交换节点子网的上行和下行流量的传输速率都不能超过子网中交换节点端口的最大传输速率。
步骤S05:根据步骤S03中优化的目标函数模型,利用改进的自适应遗传算法对车载终端设备的分配方式进行规划,确定编码方案、适应度函数以及调整遗传算子和设计出整个算法流程;
步骤S06:利用步骤S02得到的高速列车车联网的通信量,在改进的自适应遗传算法中进行优化求解,得到优化后网络拓扑中终端设备节点的分配结果。
在本发明中,根据全双工交换节点物理条件的限制确定多目标优化的目标函数的约束条件,是以通信流量权值矩阵和邻接映射矩阵进行建立多目标优化的目标函数,根据优化的目标函数模型利用改进的自适应遗传算法对车载终端设备的分配方式进行规划求解;在自适应遗传算法中根据进化个体的适应度值对自适应遗传算法的交叉概率和变异概率进行调整,调整交叉和变异算子,参照目标函数对网络拓扑中的终端设备分配方式进行优化,最后得到优化后的设备节点在交换节点网络中的位置划分方式,具体包括以下子步骤:
S0501:在遗传算法中采用整数编码的方式,将交换节点子网中的设备分配方式用遗传算法中的染色体加以描述;染色体串[112332231]可以表示将设备1、2、9分配给交换节点子网1,设备3、6、7分配给交换节点子网2,设备4、5、8分配给交换节点子网3;
S0502:目标函数模型(多目标函数优化模型)的优化目标是使得网络中的传输流量负载和传输延迟最小化,即找到实时性最好的设备分配方式,将目标函数直接作为算法的适应度函数,最后衡量各指标的权重关系,初步确定权重系数η1、η2、η3分别为0.3、0.3、0.4;
S0503:重新对每个个体的适应度进行标定和调整,根据当前种群中个体的最大适应度值和最小适应度值确定个体适应度值的标定公式:
式中F'为调整后的适应度值,F为原始适应度值,Fmax为当前种群中的最大适应度值,Fmin为当前种群中的最小适应度值,φ为调节因子,取0.65;
S0504:采用轮盘赌的方式进行选择操作,在进行下一步操作之前选出适应度值大的个体直接复制到下一代中;
S0505:在交叉操作中,交叉算子采用的是双点交叉的方法,对自适应交叉概率的值进行调整,其调节公式为:
式中,z1、z2是自适应交叉概率的调节系数,分别取0.5和0.3,Fmax为当前种群中的适应度最大值,Favg为当前种群中所有个体的平均适应度值;
S0506:在变异操作中用到的变异方法是位翻转变异,对变异后的个体检查其合理性,如果不能满足约束条件,则需要重新对个体进行变异,自适应变异概率调节满足:
式中,v1、v2是自适应变异概率的调节系数,分别取0.05和0.049。F表示变异个体的适应度值;
S0507:设置初始化种群数量、代沟和迭代数,该算法的初始化种群数量设置为40,代沟为0.9,迭代数设置为100代,判断是否满足迭代终止条件,若不满足终止条件,返回子步骤S0503;
利用已有的高速列车车联网控制系统中的传输数据信息,在设计的自适应遗传算法中进行优化求解可得到最后的优化结果,优化结果包括优化后的终端设备节点在交换节点子网中的位置分配情况、交换节点子网间的总通信量、交换节点子网间通信负载的最大差异量和数据传输的端到端通信延迟量。在本发明中,基于IAGA算法的高速列车车联网拓扑优化方法验证的实施例中,初步建立了如图2所示的包含交换节点、车载设备节点、链路三部分的网络拓扑结构,该拓扑中列车骨干层网络采用线型拓扑结构,车辆层编组网络采用了环型的拓扑结构,整个拓扑结构域可以分为列车层、车辆层以及设备层三层,图2中ETBN、ECNN、ED分别表示列车骨干层、车辆编组层的交换节点和终端设备层节点,由于交换节点端口的限制,交换节点被分到两层中,并将车辆层交换节点划分成相当数量的子网,对设备层节点进行网络的分区,为方便描述,我们的拓扑模型随机选取了4个列车骨干网,其中包含12个车辆层交换节点和20个设备节点。可以按照函数模型中的步骤S01至步骤S06建立目标优化函数。
在本发明中,参考高速列车车联网的实际通信场景,做了一个将网络中25个车载终端设备分配到5个车辆层交换节点子网中进行分配的优化的案例,考虑到数据在列车不同系统中的传输类型不同,参考列车以太网通信的标准协议IEC61375-3-4中对列车以太网通信过程数据和消息数据这两类典型数据服务参数值的规定,实施例中提取的过程数据和消息数据两种类型的数据参数信息如表1所示。
表1
按照本发明中的通信流量计算步骤,可以综合两种类型数据进行网络拓扑中设备间的通信流量进行计算,通信流量计算公式为:
其中,过程数据和消息数据优先级的权重和/>分别取0.7和0.3。经过计算可以得到25个终端设备之间的通信量权值矩阵如图3所示,在图3中左侧和上侧数字表示25个终端设备节点的序号,中间的数字表示通信量权值。假设两节点间往返通信的流量相等,节点设备本身之间没有通信,所以矩阵中对角线元素为0。图3给出了单向通信的通信量权值,权值的大小根据实际通信量与网络中所有通信设备间最小通信量的比值确定,其取值范围划分为1-10。同时也得到节点设备间的邻接矩阵,从而方便目标函数的编程。
在本发明中,根据自适应遗传算法对所建立的目标优化模型求解,所述求解目标函数优化模型的算法流程如图4所示,整个算法的步骤为:
首先,随机设置一种终端设备在交换节点子网中的位置分配方式,采用整数编码,在该分配方式25个终端设备节点对应的染色体编码表示为{2353134325424254411251513};
其次,设置目标函数为算法的适应度函数,初始设定的交叉概率为0.7,初始变异概率为0.04,适应度值标定的调节因子φ取0.65,自适应交叉概率的调节系数z1、z2分别取0.5和0.3,自适应变异概率的调节系数v1、v2分别取0.05和0.049。使用MATLAB软件对改进的自适应遗传算法进行编程并求解,得到的网络拓扑节点设备的分配方式和各交换节点子网上的通信负载如表2所示。表2中分配方式栏中的数字表示的是参与分配的终端设备节点的序号。
表2
为验证设计算法的优越性,同时还加入了标准遗传算法进行对比。分别对两种算法的初始化种群数量设置为40,代沟设置为0.9,迭代数为100代。求解得到两种算法的进化迭代图如图5所示,与标准遗传算法相比,改进的自适应遗传算法收敛时的适应度值减小了13.5%,达到收敛的迭代代数减少了10代,在计算时间上减少了10.2s。
表3是用两种算法对拓扑结构优化前后的三个指标值和总的目标函数值。由表中可以看出改进的自适应遗传算法求解得到的子网间的总通信量、子网间通信负载的最大差异量、数据传输的通信延迟量与优化前相比分别降低了26.5%、87.27%、16.92%。
表3
表3充分说明了运用本发明中的高速列车车联网拓扑优化方法得到的设备节点的位置分配结果可以显著地提高列车车联网的实时性能。本发明给出了基于IAGA算法的实施例结果,验证了本发明中求解算法的收敛速度快且能得到全局最优解,各状态参数与标准遗传算法相比都得到了很好的改进。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于IAGA算法的高速列车车联网拓扑优化方法,其特征在于:将网络拓扑结构优化转化为网络终端设备的分配规划过程,对高速列车车联网通信数据进行优化分配处理,得到网络拓扑节点的分配结果;其优化过程包括以下步骤:
步骤S01:将网络拓扑结构优化转化为车载终端设备的分配规划过程,对车载网络的各参数进行定义,各参数定义包括对通信流量、通信时延、交换节点性能参数、终端节点和链路参数的定义,并根据车载网络连通可靠性确定基本的列车车联网的物理拓扑结构;
步骤S02:在车载网络连通可靠性约束条件下初步构建列车车联网的两层拓扑结构模型,对两层拓扑结构模型中车载终端设备节点间通信的过程数据和消息数据的通信流量进行计算,根据计算所得的通信流量值构造通信量权值矩阵和终端设备节点的邻接映射矩阵;
步骤S03:在数据通信流量的计算基础上建立以网络流量负载和通信时延为优化指标的目标函数模型,根据通信量权值矩阵和邻接映射矩阵建立以车联网络拓扑结构中所有车辆层子网中的通信流量负载量最小、负载均衡以及网络终端设备间传输时延最小为优化目标的函数;
步骤S04:建立多目标优化的评价函数模型,根据全双工交换节点物理条件的限制确定目标函数的约束条件;
步骤S05:对步骤S03中优化的目标函数模型使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,从而确定编码方案、适应度函数以及调整遗传算子和设计出整个算法流程;
步骤S06:利用步骤S02得到的高速列车车联网的通信量,在改进的自适应遗传算法中进行优化求解,得到优化后网络拓扑中终端设备节点的分配结果;
根据全双工交换节点物理条件的限制确定多目标优化的目标函数的约束条件,是以通信流量权值矩阵和邻接映射矩阵进行建立多目标优化的目标函数:
步骤501:第一个目标是使网络中所有车辆层交换节点子网间的通信负载量最小化,其目标函数表述为:
式中,通信的设备节点i,j={1,2,…,M},M为网络中参与通信的总的设备节点数;
k为车辆层交换节点子网序号;
k={1,2,3,…,N},N表示车辆层中总的交换节点数量;
步骤502:第二个目标是使交换节点子网间传输的负载流量的差异最小化,其目标函数表述为:
式中k表示车辆层交换节点子网序号,任一交换节点子网k的总的通信负载流量ω(k)定义为:
式中,通信的设备节点i,j={1,2,…,M},M是拓扑网络中的通信设备节点数目,nk表示交换节点子网k中的通信设备节点数,该式表示某交换节点子网内所有设备节点与网络中除该子网外的所有通信节点的通信流量之和;
步骤503:第三个目标是使网络中的数据传输时延最小化,其目标函数表述为:
式中,Dij是设备i和j通信的数据流经过的交换节点数量,M是总的通信终端设备节点数,D是网络拓扑中总的交换节点数量;
步骤504:对用目标函数f1、f2、f3使用改进的自适应遗传算法对车载终端设备的分配方式进行规划;
其中,对目标函数f1、f2、f3使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,是利用线性加权方法将多目标问题转化为单个目标规划的问题,在确定总的目标函数模型之前,先对以上三个目标函数的量纲进行一致性处理,然后综合考虑每个目标函数的相对重要程度和数量级方面差异的影响,并确定权重系数,所述目标函数受到全双工交换节点物理条件的约束限制,其总的目标评价函数及约束条件如下:
其中,在目标函数F中,ft max和ft min分别表示第t个函数ft的最大值和最小值,t={1,2,3},η1、η2、η3表示三个目标函数对应的权重系数,在约束条件1中M是网络拓扑中参与通信的总设备节点数,N是车辆层中总的交换节点数量;约束条件2表示网络拓扑中每个设备节点都被分配到交换节点子网中;约束条件3中Sk表示车辆层交换节点k的端口数,该条件约束了连接在交换节点子网中的节点设备数目不能超过交换节点的端口数;约束条件4和约束条件5中,qc表示交换节点端口c的最大传输速率,C表示交换节点所有端口的集合,这两个条件约束了任一交换节点子网的上行和下行流量的传输速率都不能超过该子网中交换节点端口的最大传输速率;
使用改进的自适应遗传算法对车载终端设备的分配方式进行规划,参照目标函数对网络拓扑中的终端设备分配方式进行优化,具体包括以下子步骤:
S0501:在遗传算法中采用整数编码的方式,将交换节点子网中的设备分配方式用遗传算法中的染色体加以描述;
S0502:目标函数模型的优化目标使网络中的传输流量负载和传输延迟最小化,即找到实时性最好的设备分配方式,将目标函数直接作为算法的适应度函数;最后衡量各指标的权重关系,初步确定权重系数η1、η2、η3;
S0503:重新对每个个体的适应度进行标定和调整,根据当前种群中个体的最大适应度值和最小适应度值确定个体适应度值的标定公式:
式中F'为调整后的适应度值,F为原始适应度值,Fmax为当前种群中的最大适应度值,Fmin为当前种群中的最小适应度值,φ为调节因子;
S0504:采用轮盘赌的方式进行选择操作,在进行下一步操作之前选出适应度值大的个体直接复制到下一代中;
S0505:在交叉操作中,交叉算子采用的是双点交叉的方法,对自适应交叉概率的值进行节,其调节公式为:
式中,z1、z2是自适应交叉概率的调节系数,Fmax为当前种群中的适应度最大值,Favg为当前种群中所有个体的平均适应度值;
S0506:在变异操作中用到的变异方法是位翻转变异,对变异后的个体检查其合理性,如果不能满足约束条件,则需要重新对个体进行变异,自适应变异概率调节满足:
式中,v1、v2是自适应变异概率的调节系数,F表示变异个体的适应度值;
S0507:设置初始化种群数量、代沟和迭代数,判断是否满足迭代终止条件,若不满足终止条件,返回子步骤S0503。
2.根据权利要求1所述的一种基于IAGA算法的高速列车车联网拓扑优化方法,其特征在于:在步骤S01的参数定义中,所述通信流量的参数定义包括数据长度、数据周期和数据优先级权重,对所述交换节点性能参数的定义包括交换节点个数、交换节点端口数和端口传输速率,所述终端节点和链路参数的定义包括车联网络拓扑结构中的终端节点个数、链路数目和链路通信带宽。
3.根据权利要求1所述的一种基于IAGA算法的高速列车车联网拓扑优化方法,其特征在于:对于步骤S02,充分考虑了过程数据和消息数据这两类实时数据,对车联网络拓扑结构中两个车载终端设备通信的两类数据的通信流量进行计算,根据计算得到的通信流量值构造相应的通信量权值矩阵,通信流量qij的计算满足:
式中,i和j表示网络中通信的两个终端设备节点,βij表示网络中周期性实时过程数据的流量均值,τij是指网络中非周期性消息数据的通信流量,和/>分别表示过程数据和消息数据优先级的权重,根据计算得到的通信流量值可以构造相应的通信量权值矩阵A,通信量权值矩阵A满足;
式中矩阵元素qij表示源设备i到目标设备j之间数据的定向通信流量权值,i,j={1,2,…,m},m是网络中总的通信设备节点数目,矩阵元素的大小定义为两个设备节点实际通信量与网络中所有通信设备间最小通信量的比值,若两设备节点间往返通信的流量相等,设备节点本身之间没有通信,则矩阵中的对角线元素为0。
4.根据权利要求3所述的一种基于IAGA算法的高速列车车联网拓扑优化方法,其特征在于:构造完相应的通信量权值矩阵A后,再构造相应的邻接映射矩阵,其构造过程包括:首先,根据设备节点与交换节点子网之间的关系定义邻接矩阵的元素Xik分别为:
式中,i表示通信的设备节点,k表示车辆层交换节点子网序号,k={1,2,3,…,N},N表示车辆层中总的交换节点数量,该式表示当终端设备节点i在交换节点子网k中时,对应的矩阵元素为1,否则为0;
其次,构造相应的设备节点邻接映射矩阵B:
则用来判断两个不同子网的设备节点之间通信的条件公式可以表示为:
Hij=Xik(1-Xjk)
式中Hij表示不同交换节点子网中的某对设备节点的通信状态,当源设备i和目标设备j在同一交换节点子网中时,Hij=0,当源设备i和目标设备j不在同一子网中时,Hij=1。
5.根据权利要求1所述的一种基于IAGA算法的高速列车车联网拓扑优化方法,其特征在于:利用已有的高速列车车联网控制系统中的传输数据,在设计的自适应遗传算法中进行优化求解可得到最后的优化结果,优化结果包括优化后的终端设备节点在交换节点子网中的位置分配情况、交换节点子网间的总通信量、交换节点子网间通信负载的最大差异量和数据传输的端到端通信延迟量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813225.9A CN113595774B (zh) | 2021-07-19 | 2021-07-19 | 一种基于iaga算法的高速列车车联网拓扑优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813225.9A CN113595774B (zh) | 2021-07-19 | 2021-07-19 | 一种基于iaga算法的高速列车车联网拓扑优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113595774A CN113595774A (zh) | 2021-11-02 |
CN113595774B true CN113595774B (zh) | 2023-08-01 |
Family
ID=78247971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110813225.9A Active CN113595774B (zh) | 2021-07-19 | 2021-07-19 | 一种基于iaga算法的高速列车车联网拓扑优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113595774B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363215B (zh) * | 2021-12-27 | 2024-05-28 | 北京特种机械研究所 | 一种基于供需平衡的列车通信网络时延分析方法 |
CN114785736B (zh) * | 2022-06-21 | 2022-10-25 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 动车分布式大数据传输优化方法、系统、设备及介质 |
CN115963731B (zh) * | 2023-03-16 | 2023-05-30 | 南京信息工程大学 | 一种基于改进遗传算法的指挥控制体系网络结构优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104889A (zh) * | 2011-03-22 | 2011-06-22 | 北京邮电大学 | 基于阻抗匹配的跨层优化系统及方法 |
CN103426027A (zh) * | 2013-07-24 | 2013-12-04 | 浙江大学 | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 |
CN103716194A (zh) * | 2013-12-31 | 2014-04-09 | 北京交通大学 | 一种城轨列车网络拓扑优化方法 |
LU102400A1 (en) * | 2019-08-06 | 2021-02-09 | Nanjing Seawolf Ocean Tech Co Ltd | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm |
-
2021
- 2021-07-19 CN CN202110813225.9A patent/CN113595774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104889A (zh) * | 2011-03-22 | 2011-06-22 | 北京邮电大学 | 基于阻抗匹配的跨层优化系统及方法 |
CN103426027A (zh) * | 2013-07-24 | 2013-12-04 | 浙江大学 | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 |
CN103716194A (zh) * | 2013-12-31 | 2014-04-09 | 北京交通大学 | 一种城轨列车网络拓扑优化方法 |
LU102400A1 (en) * | 2019-08-06 | 2021-02-09 | Nanjing Seawolf Ocean Tech Co Ltd | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm |
Non-Patent Citations (1)
Title |
---|
基于IABC算法的地铁列车运行节能优化研究;李珍贵;贺德强;杨严杰;;广西大学学报(自然科学版)(第05期);101-109 * |
Also Published As
Publication number | Publication date |
---|---|
CN113595774A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113595774B (zh) | 一种基于iaga算法的高速列车车联网拓扑优化方法 | |
WO2021036660A1 (zh) | 最短路径计算方法、路由获取装置及服务器 | |
JP5223371B2 (ja) | ワイヤレスメッシュネットワークにおけるトラフィックエンジニアリング | |
EP2515478B1 (en) | Method, apparatus and system for joint optimizations | |
CN110414094B (zh) | 一种电力通信网节点之间的业务重要度配置方法 | |
CN108882299B (zh) | 无线多跳网络的分布式拥塞控制、路由及功率分配方法 | |
CN112637003B (zh) | 一种用于汽车can网络的报文传输时间预估方法 | |
CN112600699B (zh) | 基于区块链跨链交互的动态覆盖网络拓扑构建方法及装置 | |
CN111988225A (zh) | 基于强化学习和迁移学习的多路径路由方法 | |
CN113098713B (zh) | 一种空间信息网络端到端可靠性评估方法 | |
US7525929B2 (en) | Fast simulated annealing for traffic matrix estimation | |
CN112543151B (zh) | Sdn控制器部署方法、装置、电子设备和存储介质 | |
CN108762091B (zh) | 一种基于未知控制方向的自适应编队控制算法 | |
CN105472484A (zh) | 一种电力骨干光传输网波道均衡路由波长分配方法 | |
CN116886587A (zh) | 一种基于知识及深度强化学习的电力通信网路由优化方法 | |
CN113630171B (zh) | 一种基于QoS的卫星网络k端可靠性分析方法 | |
CN107277828B (zh) | 一种均衡系统失效风险的信息物理系统规划方法 | |
CN114205300B (zh) | 一种能够在流量信息不完整情况下保证coflow传输截止期限的流量调度方法 | |
CN110677306A (zh) | 网络拓扑副本服务器配置方法及装置、存储介质和终端 | |
CN115102831A (zh) | 一种分布式bgp服务的部署方法和系统 | |
CN114205250A (zh) | 基于时空网络stn的虚拟网络链路流量预测方法 | |
CN114900509B (zh) | 一种适用于确定性网络的流量需求描述协议的生成方法 | |
CN109996218B (zh) | 提升车联网无线传输安全性能的资源分配方法 | |
Liu et al. | Performance analysis using a hierarchical loss network model | |
CN106786601A (zh) | 一种适用于电力系统的网络鲁棒性优化方法 |
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 |