CN114793339B - 一种汽车焊装车间用边缘网络节点部署方法及系统 - Google Patents

一种汽车焊装车间用边缘网络节点部署方法及系统 Download PDF

Info

Publication number
CN114793339B
CN114793339B CN202210462332.6A CN202210462332A CN114793339B CN 114793339 B CN114793339 B CN 114793339B CN 202210462332 A CN202210462332 A CN 202210462332A CN 114793339 B CN114793339 B CN 114793339B
Authority
CN
China
Prior art keywords
node
network
intelligent sensing
edge
deployment
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
CN202210462332.6A
Other languages
English (en)
Other versions
CN114793339A (zh
Inventor
周光辉
李锦涛
常丰田
张超
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210462332.6A priority Critical patent/CN114793339B/zh
Publication of CN114793339A publication Critical patent/CN114793339A/zh
Application granted granted Critical
Publication of CN114793339B publication Critical patent/CN114793339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices
    • H04W88/04—Terminal devices adapted for relaying to or from another terminal or user
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种汽车焊装车间用边缘网络节点部署方法及系统，包括对汽车焊装车间智能传感设备进行分析，确定可部署网络节点集合、边缘计算节点设备信息以及网络参数信息，根据设备、网络相关信息和约束关系建立网络节点部署多目标优化模型，采用多目标遗传算法与SPT算法结合对网络模型求解来获得最佳网络节点部署方案；克服了人工经验以及随机部署网络节点位置不合理的弊端，同时对智能传感设备计算时延、网络硬件部署成本以及边缘计算节点负载均衡多个目标进行优化；此外，考虑了不同智能传感设备对任务计算的时间敏感度要求，使网络节点部署更加合理。

Description

一种汽车焊装车间用边缘网络节点部署方法及系统
技术领域
本发明属于网络通信节点部署技术领域，具体涉及一种汽车焊装车间用边缘网络节点部署方法及系统。
背景技术
在工业4.0的背景下，汽车生产车间不断向智能化、信息化发展，越来越多智能设备传感设备的加入，使得生产车间在更加智能化、信息化的同时，产生了庞大的数据量，其对传统的云计算方案造成了巨大的存储、计算以及传输压力。传统的云计算方案不仅满足不了生产车间对数据处理的实时性要求，同时也可能造成车间内部敏感数据的泄露，不利于数据安全。为了解决这一问题，边缘计算得到广大学者和企业的关注。边缘计算旨在通过在靠近设备的网络边缘处提供计算存储资源，为智能设备提供及时的数据处理分析服务，在满足生产车间的实时性要求的同时，还可以减少传输到云端的数据量，减轻网络传输带宽压力、避免数据泄露。
在智能制造模式下，汽车焊装车间现场生产管控系统需要及时响应智能传感设备的数据计算需求，这使得在焊装车间部署边缘计算网络成为必然。汽车焊装车间的各种智能传感设备，包括工业焊接机器人、搬运机器人和物料运输AGV，RFID传感器、图像传感器等，采集到的数据涉及车身焊接电流、电压、电阻数据，机器人运动数据，AGV运动和任务数据，以及生产状态信息，在生产管控过程中，主要通过对这些数据的实时采集，处理，统计和计算，实现焊接质量检测、机器人运动规划、AGV运动调度、生产统计、节拍统计分析等功能。然而，当前，焊装车间边缘计算节点的部署一般是根据专家经验选择合适的布局位置或者随机部署，这种方式很难选择最佳的边缘节点部署位置，极易造成如下问题：
1)边缘计算节点部署数量过大，造成资源浪费，部署成本增加；
2)边缘计算节点部署位置不合理，有的边缘计算节点负责较多智能设备，有的边缘计算节点负责较少智能设备，造成设备负载不均衡，影响设备使用寿命；
3)边缘设备距离智能设备较远，无法满足设备计算任务实时性要求或者通信质量太差等。
与此同时，这些设备所需计算和处理的数据根据任务的不同而有所区别，数据处理的时间敏感度要求也有所不同，因此，满足不同设备对任务数据处理的不同需求的要求，也给边缘计算节点的部署带来一定的难度。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种汽车焊装车间用边缘网络节点部署方法及系统，以边缘网络节点部署成本，智能传感设备任务计算时延以及边缘节点设备负载均衡为优化目标，通过确定网络中边缘计算节点和中继节点的数目和位置，得到最佳边缘网络节点部署方案。
本发明采用以下技术方案：
一种汽车焊装车间用边缘网络节点部署方法，包括以下步骤：
S1、确定车间内每个智能传感设备的位置信息、计算任务信息以及通信距离信息；
S2、根据步骤S1确定的智能传感设备的位置信息、计算任务信息、通信距离信息以及供电要求，确定网络节点的可部署位置集合；
S3、根据步骤S1确定的智能传感设备位置信息、计算任务信息以及通信距离信息，获取边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B；
S4、根据步骤S1确定的智能传感设备位置信息、计算任务信息、通信距离信息、步骤S2确定的网络节点可部署位置集合以及步骤S3获得的边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B以及约束信息，建立网络节点部署优化模型；
S5、采取NSGA-II算法结合SPT算法对步骤S4建立的网络节点部署优化模型进行求解，获得最佳网络节点部署方案。
具体的，步骤S1具体为：
获取智能传感设备节点集合D＝{d1，d2，...，dm}，共m个智能传感设备；确定每个智能传感设备di的位置信息si＝(xi，yi)；
对车间智能传感设备任务进行分析，确定每个智能传感设备di在一个周期T的任务量qi，根据设备任务对时延敏感度η的不同，将智能传感设备分为k类，不同类别的设备具有不同的任务计算时延tk；获取每个智能传感设备di的通信距离ri，确定每个智能传感设备di的信息di＝{si，qi，tk，ri}，
Figure BDA0003622559120000031
获得网关节点g的位置信息sg＝(xg，yg)和通信距离信息rg，确定网关节点g＝{sg，rg}。
具体的，步骤S2中，网络节点ej的部署位置为ej＝{xj，yj}，
Figure BDA0003622559120000032
xj，yj为分别为节点ej的坐标，n为部署节点位置数量。
具体的，步骤S4中，网络节点部署优化模型具体为：
min t，M，σ
s.t.
Figure BDA0003622559120000041
Figure BDA0003622559120000042
Figure BDA0003622559120000043
xij·dij≤R，
Figure BDA0003622559120000044
Figure BDA0003622559120000045
Figure BDA0003622559120000046
Figure BDA0003622559120000047
其中，t为智能传感设备的平均计算时延；M为网络节点部署硬件成本；σ为边缘计算节点负载均衡指标；bij为智能传感设备di的计算任务是否由边缘计算设备ej负责计算，bii＝0时，表示否，bij＝1时表示是；aj为可部署节点位置ej部署什么节点，aj＝0表示不部署任何节点，aj＝1表示部署边缘计算节点，aj＝2表示部署中继节点；N为边缘计算节点最多负责计算的智能传感设备数量；xij为网络中节点i和节点j是否形成通路，xij＝0表示不构成通路，xij＝1表示构成通路；dij为网络中节点i和节点j之间的距离；Rij为网络中节点i和节点j之间的网络通信距离；D为智能传感设备集合；E为可部署节点结合；g为网关节点；hij为智能传感设备di到边缘计算设备ej的数据传输跳数；qi为智能传感设备di的任务计算量；tk为智能传感设备计算任务敏感度k对应的时延限制；B为网络带宽；C为边缘计算设备计算能力；u为网络部署的边缘计算节点个数；v为网络部署的中继节点个数。
进一步的，建立网络节点部署优化模型具体如下：
S401、由bij表示智能传感设备di的计算任务是否由边缘计算设备ej负责计算，bij＝0时，表示智能传感设备di的计算任务交给边缘计算设备ej负责计算，bij＝1时表示智能传感设备di的计算任务不交给边缘计算设备ej负责计算；由aj表示可部署节点位置ej部署什么节点，aj＝0表示不部署任何节点，aj＝1表示部署边缘计算节点，aj＝2表示部署中继节点；
S402、根据步骤S401以及每个智能传感设备计算任务只能由一个边缘计算节点负责，得到约束条件
Figure BDA0003622559120000051
S403、根据步骤S401以及已部署的边缘计算节点至少负责一个智能传感设备的计算任务以及每个边缘计算节点负责的只能传感设备最大数为N，得到约束条件
Figure BDA0003622559120000052
S404、由xij＝{0，1}，
Figure BDA0003622559120000053
表示网络中的任意两个节点是否可以形成通路，0表示i节点和j节点无法形成通路，1表示i节点和j节点可以形成通路；由/>
Figure BDA0003622559120000054
表示网络中i节点和j节点之间的距离，根据设备间的距离要小于等于设备间的最大通信距离Rij，得到约束条件xij·dij≤Rij，
Figure BDA0003622559120000055
S405、根据步骤S1和步骤S3获得的智能传感设备计算任务量qi、网络带宽B和边缘计算节点计算能力C，由hij表示智能传感设备di到负责其计算任务的边缘计算节点设备ej之间的传输跳数，得到智能传感设备di的任务计算时延ti和智能传感设备任务计算平均时延t；
S406、根据步骤S2和步骤S405得到的智能传感设备di的任务计算时延，计算任务时间限制tk，得到约束条件
Figure BDA0003622559120000056
S407、根据步骤S1，由u，v分别表示部署的边缘计算节点和中继节点的个数，Men和Mrn分别表示边缘计算节点和中继节点的硬件部署成本，得到约束条件和边缘网络节点部署总成本M；
S408、根据步骤S1和步骤S407得到的u，v，由边缘计算设备任务计算负载的标准差σ表征边缘计算设备的负载均衡情况，得到边缘计算设备负载均衡指标σ；
S409、根据步骤S401～步骤S408，获得车间的边缘网络节点部署模型。
具体的，步骤S5中，采取NSGA-II算法结合SPT算法对步骤S4建立的网络节点部署优化模型进行求解具体为：
S501、根据步骤S1～步骤S4确定的智能传感设备信息、网络可部署节点信息、网络相关通信参数信息以及网络节点部署模型，生成网络部署节点列表信息，并设定种群数M，迭代次数N，以及迭代终止条件；
S502、根据步骤S501得到的种群数M，智能传感设备数量m，可部署节点数量n，以及网络模型约束条件，随机生成M个染色体作为父代种群，染色体编码为二进制编码方式，染色体基因长度为m·n，每n个基因中最多只有一个基因编码为1，其余为0；
S503、根据步骤S502得到的每条染色体的编码，得到每个染色体中负责每个智能传感设备di的边缘计算节点ej；
S504、对于步骤S502获得的染色体染色体种群，根据步骤S501获得的网络节点部署模型计算每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，通过非支配排序计算各染色体的非支配等级Irank和拥挤度Id；
S505、根据步骤S501获得的染色体中群，使用自定义交叉算子和变异算子进行遗传操作，生成数量为M的子代染色体种群；
S506、将步骤S501的父代种群与步骤S505生成的子代染色体种群结合形成规模为2M的种群，并进行适应度计算和非支配排序，根据非支配等级Irank和拥挤度Id对染色体进行排序时，选择M个染色体作为新的父代种群；
S507、根据步骤S506获得的最终染色体种群，判断遗传迭代次数和终止条件是否满足要求，如果满足要求，则停止迭代操作得到最终的染色体种群；
S508、对步骤S507得到的最终染色体种群，使非支配等级Irank＝1的染色体为最优pareto解集，然后根据智能传感设备任务计算时延、网络硬件部署成本和边缘计算节点负载均衡进行综合评价得到最优染色体。
进一步的，步骤S505中，当满足交叉要求时，通过二元锦标赛方式从种群中选择两个染色体进行交叉操作，每隔n个基因从一个染色体中选择长度为n的基因作为子代的基因；当满足变异要求时，对于染色体中的每n个基因，随机选择其中的一个基因置为1，其余置为0，最终形成子代染色体。
进一步的，步骤S506中，在对染色体进行排序时，当且仅当
Figure BDA0003622559120000071
或者
Figure BDA0003622559120000072
且/>
Figure BDA0003622559120000073
时，染色体1优于染色体2。
进一步的，步骤S508中，每个解个体的综合评价指标Pi计算如下：
Figure BDA0003622559120000074
其中，
Figure BDA0003622559120000075
为第i个解个体的第k个目标值，/>
Figure BDA0003622559120000076
为pareto解集中所有解个体第k个目标值的最优值。
第二方面，本发明实施例提供了一种汽车焊装车间用边缘网络节点部署系统，包括：
计算模块，确定车间内每个智能传感设备的位置信息、计算任务信息以及通信距离信息；
位置模块，根据计算模块确定的智能传感设备的位置信息、计算任务信息、通信距离信息以及供电要求，确定网络节点的可部署位置集合；
参数模块，根据位置模块确定的智能传感设备位置信息、计算任务信息以及通信距离信息，网络节点的部署位置获取边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B；
优化模块，根据计算模块确定的智能传感设备位置信息、计算任务信息、通信距离信息、位置模块确定的网络节点可部署位置集合以及参数模块获得的边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B以及约束信息，建立网络节点部署优化模型；
部署模块，采取NSGA-II算法结合SPT算法对优化模块建立的网络节点部署优化模型进行求解，获得最佳网络节点部署方案。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种汽车焊装车间用边缘网络节点部署方法，以车间布局与设备信息为基础，对车间智能传感设备进行分析，确定可部署网络节点集合、边缘计算节点设备信息以及网络参数信息，根据设备、网络相关信息和约束关系建立网络节点部署多目标优化模型，采用多目标遗传算法与SPT算法结合对网络模型求解来获得最佳网络节点部署方案；一方面，考虑设备空间布局情况和智能传感设备特性，选择同步部署边缘计算节点与中继节点到合适的位置以形成网络通路，为智能传感设备就近提供计算存储资源，满足传感设备任务计算要求；另一方面，在部署网络节点时，考虑了网络节点部署硬件成本、智能传感设备任务计算时延、边缘计算节点负载均衡等目标，以此作为多目标遗传算法优化指标，保证了最终网络节点部署的合理性、优越性，获取了低成本、低时延和高均衡的部署方案；克服了人工经验以及随机部署网络节点位置不合理的弊端，同时对智能传感设备计算时延、网络硬件部署成本以及边缘计算节点负载均衡多个目标进行优化。此外，考虑了不同智能传感设备对任务计算的时间敏感度要求，使网络节点部署更加合理。
进一步的，步骤S1中，考虑了车间中不同设备计算任务的计算量与时间敏感度差异，为不同设备赋予不同任务计算时延限制，保证了网络节点部署灵活性、合理性。
进一步的，步骤S2中，考虑车间设备布局情况和供电要求，根据专家经验，选定一系列节点可部署位置，在可部署位置中选择部署网络节点，减小网络节点部署复杂度。
进一步的，步骤S4中，建立的网络节点部署优化模型考虑了同时部署边缘计算节点和中继节点分别完成任务计算和网络传输功能，同时考虑了网络节点部署在智能传感设备任务计算时延、网络部署硬件成本、边缘计算节点负载均衡三个方面的表现，使网络节点部署方法更加合理。
进一步的，步骤S5中，采用NSGA-II结合SPT算法对网络节点部署优化模型求解，一方面引入了NSGA-II在多目标优化问题求解中运算速度快、解集收敛性好的优点；另一方面，将SPT与NSGA-II结合，使用SPT算法确定中继节点位置，可以降低模型求解的复杂度。
进一步的，步骤S505中，设置交叉算子和变异算子时，考虑了求解模型中的约束条件，降低了模型求解复杂度，加快了算法运算速度。
进一步的，步骤S508中，针对pareto解集中的解个体，运用综合评价指标Pi来评价，可以得到在三个优化目标中表现都比较良好的解个体。
综上所述，本发明能够对现场边缘网络中的边缘计算节点和中继节点进行同步部署，在提高网络节点部署效率的同时，避免了人工经验部署或者随机部署节点位置不合理导致的硬件部署成本高、网络传输延迟大、资源浪费等问题。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为汽车焊装车间边缘网络架构图；
图2为本发明车间边缘网络节点部署技术路线图；
图3为网络节点部署前焊装车间示意；
图4为NSGA-II算法流程；
图5为基因编码示意图；
图6为交叉算子示意图；
图7为变异算子示意图；
图8为获得的最终种群与pareto解集示意图；
图9为图8解集示意图在三个坐标平面的第一种投影视图；
图10为图8解集示意图在三个坐标平面的第二种投影视图；
图11为图8解集示意图在三个坐标平面的第三种投影视图；
图12为最终网络节点部署示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在......时”或“当......时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种汽车焊装车间用边缘网络节点部署方法，对车间智能传感设备进行分析，确定可部署网络节点集合、边缘计算节点设备信息以及网络参数信息，根据设备、网络相关信息和约束关系建立网络节点部署多目标优化模型，采用多目标遗传算法与SPT算法结合对网络模型求解来获得最佳网络节点部署方案；克服了人工经验以及随机部署网络节点位置不合理的弊端，同时对智能传感设备计算时延、网络硬件部署成本以及边缘计算节点负载均衡多个目标进行优化；此外，考虑了不同智能传感设备对任务计算的时间敏感度要求，使网络节点部署更加合理。
请参阅图2，本发明一种汽车焊装车间用边缘网络节点部署方法，包括以下步骤：
S1、对车间智能传感设备进行分析，确定每个设备的位置信息、计算任务信息以及通信距离信息；
对车间智能传感设备进行分析具体为：
S101、获取车间智能传感设备节点集合D＝{d1，d2，...，dn}，共n个智能传感设备；
S102、针对每个智能传感设备di，获得其地理位置信息si＝(xi，yi)；
S103、对车间智能传感设备任务进行分析，确定每个设备di一个周期T的任务量qi，根据设备任务对时延敏感度η的不同，将设备分为k类，不同类别的设备具有不同的任务计算时延tk；
S104、获取每个设备di的通信距离ri，最终得到每个智能传感设备的信息di＝{si，qi，tk，ri}，
Figure BDA0003622559120000121
S105、获得网关节点g的位置信息sg＝(xg，yg)和通信距离信息rg，则网关节点g表示为g＝{sg，rg}。
S2、根据车间设备布局信息以及供电要求，确定网络节点的可部署位置集合；
确定网络节点可部署节点位置集合为E＝{e1，e2，...，en}，共n个可部署节点位置，每个节点ej的位置信息为：
Figure BDA0003622559120000122
S3、获取边缘计算节点和中继节点通信距离信息，边缘计算节点计算能力信息以及网络传输通信信息；
获取信息包括边缘计算节点的计算能力C，边缘计算节点最多可负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B。
S4、根据以上智能传感设备信息、边缘节点信息、网络通信信息以及各种约束信息，建立网络节点部署优化模型；
网络节点部署模型的建立旨在在网络节点可部署位置选择部署相应的边缘节点和中继节点，形成边缘网络通路，使边缘节点负责智能、传感设备的任务计算，并通过网关节点实现和云计算中心的数据交互，具体为：
S401、由aj＝{0，1，2}，
Figure BDA0003622559120000123
表示网络节点可部署位置ej是否选择部署边缘计算节点或者中继节点：当aj＝0时，表示可部署位置ej不部署任何节点；当aj＝1时，表示可部署位置ej部署边缘计算节点；当aj＝2时，表示可部署位置ej部署中继节点；
S402、由bij＝{0，1}，
Figure BDA0003622559120000131
表示智能传感设备di的计算任务是否被可部署位置ej处的边缘计算节点负责，其中bij＝1表示智能传感设备di的计算任务被可部署位置ej处的边缘计算节点负责；bij＝0表示智能传感设备di的计算任务不被可部署位置ej处的边缘计算节点负责；
S403、根据每个智能传感设备的计算任务只能交由一个边缘计算节点负责，计算如下：
Figure BDA0003622559120000132
根据已部署边缘计算节点至少负责一个智能传感设备的计算任务，计算如下：
Figure BDA0003622559120000133
根据每个边缘计算设备负责的智能传感设备最大数为N，计算如下：
Figure BDA0003622559120000134
S404、由xij＝{0，1}，
Figure BDA0003622559120000135
表示网络中的任意两个节点是否可以形成通路，其中xij＝0表示i节点和j节点无法形成通路，xij＝1表示i节点和j节点可以形成通路；
由
Figure BDA0003622559120000136
表示网络中i节点和j节点之间的距离，根据设备间的距离要小于等于设备间的最大通信距离Rij，计算如下：
Figure BDA0003622559120000137
S405、hij表示智能传感设备di到负责其计算任务的边缘计算节点设备ej之间的传输跳数，智能传感设备di的任务计算时延ti和智能传感设备任务计算平均时延t的计算如下：
Figure BDA0003622559120000138
Figure BDA0003622559120000141
Figure BDA0003622559120000142
Figure BDA0003622559120000143
其中，
Figure BDA0003622559120000144
为智能传感设备di的任务计算时间，/>
Figure BDA0003622559120000145
为智能传感设备任务传输时间，qi为智能传感设备di一个周期T内的计算任务量，B为网络传输带宽，C为边缘计算节点的计算能力，m为智能传感设备的数量。
根据每个智能传感设备的计算任务时间限制为tk，计算如下：
Figure BDA0003622559120000146
S406、由u，v分别表示部署的边缘计算节点和中继节点的个数，边缘计算节点和中继节点的硬件部署成本分别为Men和Mrn，则边缘网络节点部署总成本M计算如下：
Figure BDA0003622559120000147
Figure BDA0003622559120000148
M＝u·Men+v·Mrn (12)
S407、由边缘计算设备任务计算负载的标准差σ来表征边缘计算设备的负载均衡情况，计算如下：
Figure BDA0003622559120000149
Figure BDA00036225591200001410
Figure BDA00036225591200001411
其中，Qj为一个周期T内，边缘计算设备ej的计算负载量，EQ为一个周期T内，所有边缘计算设备的平均负载量。
S408、根据步骤S401～步骤S407，获得车间的边缘网络节点部署模型，具体如下：
Figure BDA0003622559120000151
S5、根据网络节点部署优化模型，采取多目标优化算法对节点部署模型进行求解，获得最佳网络节点部署方案。
采用NSGA-II算法结合SPT算法(Shortest Path Tree)对多目标网络节点优化部署问题进行求解，具体步骤为：
S501、初始化设定
设定种群数M、迭代次数N、迭代终止条件；获取初始网络通信参数、节点位置信息以及智能传感设备任务信息；根据网络节点位置及通信距离生成网络节点列表。
S502、生成初始种群
随机生成M个染色体作为初始种群作为父代种群，染色体编码为二进制编码方式，染色体基因长度为m·n，其中使每n个基因中最多只有一个基因编码为1，其余为0，表示智能传感设备任务计算交由基因编码为1的边缘计算节点负责。
S503、适应度计算
根据每条染色体的编码，得到负责每个智能传感设备di的边缘计算节点ej(aj＝1)；
进一步的，根据网络节点列表，采用SPT算法建立智能传感设备与边缘计算节点以及边缘计算节点与网关节点的最短路径，得到最终的网络布局通路，确定部署的中继节点位置，同时获得边缘计算节点个数u、中继节点个数v、智能传感设备di到对应边缘计算节点ej的跳数hij；
进一步的，根据最终的网络布局通路，计算得出每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，分别由公式(8)、(12)、(15)计算获得。
S504、非支配排序
根据每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，通过非支配排序计算各染色体的非支配等级Irank和拥挤度Id。
S505、遗传操作
在设计交叉和变异算子时，考虑了部分约束条件，使得算法复杂度降低，减小问题求解的难度。
交叉算子：当满足交叉要求时，通过二元锦标赛方式从种群中选择两个适应度较好的染色体进行交叉操作，每隔n个基因按照一定的概率从其中一个染色体中选择长度为n的基因作为子代的基因；
变异算子：当满足变异要求时，对于染色体中的每n个基因，随机选择其中的一个基因置为1，其余置为0，最终形成子代染色体。
通过交叉变异操作，生成数量为M的子代染色体种群。
S506、生成新种群
将父代种群与子代种群结合形成规模为2M的种群，并进行适应度计算和非支配排序，根据非支配等级Irank和拥挤度Id对染色体进行排序时，选择较好的M个染色体作为新的父代种群。
进一步的，在对染色体进行排序时，当且仅当
Figure BDA0003622559120000171
或者/>
Figure BDA0003622559120000172
且
Figure BDA0003622559120000173
时，染色体1优于染色体2。
S507、得到最终染色体种群
判断遗传迭代次数和终止条件是否满足要求，如果满足要求，则停止迭代操作得到最终的染色体种群；如果不满足要求，则重复步骤S503至步骤S507。
S508、获取最优染色体
对于最终的染色体种群，使非支配等级Irank＝1的染色体为最优pareto解集，然后根据智能传感设备任务计算时延、网络硬件部署成本和边缘计算节点负载均衡进行综合评价得到最优染色体，每个解个体的综合评价指标Pi的计算公式为：
Figure BDA0003622559120000174
其中，
Figure BDA0003622559120000175
为第i个解个体的第k个目标值，/>
Figure BDA0003622559120000176
为pareto解集中所有解个体第k个目标值的最优值。
Pi值越小，表示第i个解个体越好。
本发明再一个实施例中，提供一种汽车焊装车间用边缘网络节点部署系统，该系统能够用于实现上述车间用边缘网络节点部署方法，具体的，该车间用边缘网络节点部署系统包括计算模块、位置模块、参数模块、优化模块以及部署模块。
其中，计算模块，确定车间内每个智能传感设备的位置信息、计算任务信息以及通信距离信息；
位置模块，根据计算模块确定的智能传感设备的位置信息、计算任务信息、通信距离信息以及供电要求，确定网络节点的可部署位置集合；
参数模块，根据位置模块确定的智能传感设备位置信息、计算任务信息以及通信距离信息，获取边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B；
优化模块，根据计算模块确定的智能传感设备位置信息、计算任务信息、通信距离信息、位置模块确定的网络节点可部署位置集合以及参数模块获得的边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B以及约束信息，建立网络节点部署优化模型；
部署模块，采取NSGA-II算法结合SPT算法对优化模块建立的网络节点部署优化模型进行求解，获得最佳网络节点部署方案。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以汽车焊装车间为应用对象，对焊装车间边缘网络节点进行部署，形成边缘网络通路，在网络边缘端为智能传感设备提供计算存储资源。该汽车焊装车间共有m个智能传感设备，不同智能传感设备具有不同的计算任务以及时间敏感度要求，网络节点的部署目的是在网络中部署边缘计算节点来负责计算处理智能传感设备的数据，并添加中继节点来负责数据传输，通过边缘节点和中继节点的互联形成整个网络的通路，边缘网络的架构图如图1所示；由于设备空间和供电限制，焊装车间共有n个可部署节点位置用来部署边缘计算节点和中继节点。汽车焊装车间具备各种智能传感设备，包括工业焊接机器人、搬运机器人和物料运输AGV，RFID传感器、图像传感器等，采集到的数据涉及车身焊接电流、电压、电阻数据，机器人运动数据，AGV运动和任务数据，以及生产状态信息，在生产管控过程中，主要通过对这些数据的实时采集，处理，统计和计算，实现焊接质量检测、机器人运动规划、AGV运动调度、生产统计、节拍统计分析等功能。这些智能传感设备所需计算和处理的数据量根据任务的不同而有所区别，同时对数据处理的时间敏感度要求也有所不同，本发明考虑了不同设备对其任务数据处理的时间敏感度要求，采用多目标遗传算法对网络节点部署模型求解，获得平衡智能传感设备任务计算时延、网络部署硬件成本和边缘计算节点负载均衡三方面的最佳部署结果。本发明提出的汽车焊装车间边缘网络节点部署方法包括如下步骤，技术路线如图2所示：
S1、对汽车焊装车间智能设备和传感设备进行分析，确定每个设备的位置信息、计算任务信息以及通信距离信息，具体的：
S101、获取车间智能传感设备节点集合D＝{d1，d2，...，dn}共n个智能传感设备；
S102、针对于每个智能传感设备di，获得其地理位置信息si＝(xi，yi)，其中，由于AGV在每次调度之前进行任务计算，因此以调度初始位置作为其部署位置；
S103、对焊装车间智能传感设备任务进行分析，确定每个设备di一个周期T的任务量qi，根据设备任务的不同及其对时延敏感度的不同，将设备分为k类，不同类别的设备具有不同的任务计算时延限制tk，不同设备任务所对应时间敏感度和计算时延限制tk如表一所示。
表1不同设备任务对应时间敏感度和计算时延限制
Figure BDA0003622559120000191
Figure BDA0003622559120000201
S104、获取每个设备di的通信距离ri，最终得到每个智能传感设备的信息di＝{si，qi，tk，ri}，
Figure BDA0003622559120000202
S105、获得网关节点g的位置信息和通信距离信息，其中位置信息sg＝(xg，yg)，通信距离为rg，则网关节点g可表示为g＝{sg，rg}。
S2、根据汽车焊装车间设备布局信息以及供电要求，确定可以部署网络节点位置集合为E＝{e1，e2，...，em}共m个可部署节点位置，其中每个节点位置ej的位置信息为ej＝{xj，yj}，
Figure BDA0003622559120000203
最终获得网络节点部署前焊装车间示意图如图3所示。在整个焊装车间布局中，整个车间面积为60*75mm2，主通道和通道的宽度分别为10m和5m，每个生产区域的宽度为15m，可部署区域均匀分布在通道的边缘、生产区域内，相邻可部署区域之间的距离为5m。
S3、获取边缘计算节点和中继节点通信距离信息，边缘计算节点计算能力信息以及网络传输相关通信信息，各参数如表2所示。
表2边缘网络节点参数
Figure BDA0003622559120000204
S4、根据以上智能传感设备相关信息、边缘节点相关信息、网络通信信息以及各种约束信息，建立网络节点部署优化模型，如公式(1)～(16)所示。本申请的网络节点部署模型的建立旨在在网络节点可部署位置选择部署相应的边缘节点和中继节点，形成边缘网络通路，使边缘节点负责智能、传感设备的任务计算，并通过网关节点实现和云计算中心的数据交互。
S5、根据网络节点部署优化模型，采取多目标优化算法对节点部署模型进行求解，获得最佳网络节点部署方案，本发明采用NSGA-II算法，结合SPT算法对多目标网络节点优化部署问题进行求解，算法流程图如图4所示，具体步骤为：
S501、初始化设定
设定种群数M为200、最大迭代次数N为100代、迭代终止条件为相邻两代群体每个目标的平均值变化率都小于0.01，计算如下：
Figure BDA0003622559120000211
其中，
Figure BDA0003622559120000212
为第i代群体的第k各目标值的平均值。
设定每个边缘计算节点部署成本为3000元，每个中继节点部署成本为200元。
获取初始网络通信参数、节点位置信息以及智能传感设备任务信息；根据网络节点位置及通信距离生成网络节点列表。
S502、生成初始种群
随机生成M个染色体作为初始种群作为父代种群，染色体编码为二进制编码方式，染色体基因长度为m·n，其中使每n个基因中最多只有一个基因编码为1，其余为0，表示智能传感设备任务计算交由基因编码为1的边缘计算节点负责，基因编码示意图如图5所示。
S503、适应度计算与约束处理
根据每条染色体的编码，得到负责每个智能传感设备di的边缘计算节点ej(aj＝1)；
进一步的，根据网络节点列表，采用SPT算法建立智能传感设备与边缘计算节点以及边缘计算节点与网关节点的最短路径，得到最终的网络布局通路，同时获得边缘计算节点个数u、中继节点个数v、智能传感设备di到对应边缘计算节点ej的跳数hij；
进一步的，根据最终的网络布局通路，计算得出每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，分别由公式(11)、(15)和公式(18)计算获得，对于不满足限制条件的染色体，分别以计算所得的目标值加上惩罚函数值作为最终的目标值，计算如下：
Figure BDA0003622559120000221
其中，
Figure BDA0003622559120000222
为第i个目标最终的目标函数值，fi(X)为第i个目标函数值，pi(X)为第i个目标的惩罚函数值。
S504、非支配排序
根据每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，通过非支配排序计算各染色体的非支配等级Irank和拥挤度Id。
S505、遗传操作
交叉算子：当满足交叉要求时，通过二元锦标赛方式从种群中选择两个适应度较好的染色体进行交叉操作，每隔n个基因按照一定的概率从其中一个染色体中选择长度为n的基因作为子代的基因，交叉算子示意图如图6所示；
变异算子：当满足变异要求时，对于染色体中的每n个基因，随机选择其中的一个基因置为1，其余置为0，最终形成子代染色体，变异算子示意图如图7所示。
通过交叉变异操作，生成数量为M的子代染色体种群。
S506、生成新种群
将父代种群与子代种群结合形成规模为2M的种群，并进行适应度计算和非支配排序，根据非支配等级Irank和拥挤度Id对染色体进行排序时，选择较好的M个染色体作为新的父代种群。
进一步的，在对染色体进行排序时，当且仅当
Figure BDA0003622559120000231
或者/>
Figure BDA0003622559120000232
且
Figure BDA0003622559120000233
时，染色体1优于染色体2。
S507、得到最终染色体种群
判断遗传迭代次数和终止条件是否满足要求，如果满足要求，则停止迭代操作得到最终的染色体种群；如果不满足要求，则重复步骤S503至步骤S507。
S508、获取最优染色体
对于最终的染色体种群，使非支配等级Irank＝1的染色体为最优pareto解集，然后根据智能传感设备任务计算时延、网络硬件部署成本和边缘计算节点负载均衡进行综合评价得到最优染色体，每个解个体的综合评价指标Pi的计算公式如公式(20)所示，Pi值越小，表示第i个解个体越好。
Figure BDA0003622559120000234
其中，
Figure BDA0003622559120000235
为第i个解个体的第k个目标值，/>
Figure BDA0003622559120000236
为pareto解集中所有解个体第k个目标值的最优值。
获得的初始种群与pareto解集如图8所示，图9、图10和图11分别为图8的三个方向的投影视图，从图中可以看出，与随机获取的初始种群相比，获得的pareto解集在三个优化目标上都有较好表现。
根据综合评价指标，从pareto解集中选取最佳解个体，得到最终网络节点部署，其中，部署边缘计算节点个数为18，中继节点个数为5，智能传感设备任务计算平均时延为4.4375ms，网络部署成本为55000元，边缘计算设备负载均衡指数为0.2383，网络示意图如图12所示。
综上所述，本发明一种汽车焊装车间用边缘网络节点部署方法及系统，能够对现场边缘网络中的边缘计算节点和中继节点进行同步部署，在提高网络节点部署效率的同时，避免了人工经验部署或者随机部署节点位置不合理导致的硬件部署成本高、网络传输延迟大、资源浪费等问题。本方法以汽车焊装车间布局与设备信息为基础，根据车间设备具体情况建立相应的网络节点部署模型，以多目标遗传算法对网络模型求解获得最佳部署方案。一方面，考虑设备空间布局情况和智能传感设备特性，选择同步部署边缘计算节点与中继节点到合适的位置以形成网络通路，为智能传感设备就近提供计算存储资源，满足传感设备任务计算要求；另一方面，在部署网络节点时，考虑了网络节点部署硬件成本、智能传感设备任务计算时延、边缘计算节点负载均衡等目标，以此作为多目标遗传算法优化指标，保证了最终网络节点部署的合理性、优越性，获取了低成本、低时延和高均衡的部署方案。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种汽车焊装车间用边缘网络节点部署方法，其特征在于，包括以下步骤：
S1、确定车间内每个智能传感设备的位置信息、计算任务信息以及通信距离信息；
S2、根据步骤S1确定的智能传感设备的位置信息、计算任务信息、通信距离信息以及供电要求，确定网络节点的可部署位置集合；
S3、根据步骤S1确定的智能传感设备位置信息、计算任务信息以及通信距离信息，获取边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B；
S4、根据步骤S1确定的智能传感设备位置信息、计算任务信息、通信距离信息、步骤S2确定的网络节点可部署位置集合以及步骤S3获得的边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B以及约束信息，建立网络节点部署优化模型；
S5、采取NSGA-Ⅱ算法结合SPT算法对步骤S4建立的网络节点部署优化模型进行求解，获得最佳网络节点部署方案，具体为：
S501、根据步骤S1～步骤S4确定的智能传感设备信息、网络可部署节点信息、网络相关通信参数信息以及网络节点部署模型，生成网络部署节点列表信息，并设定种群数M，迭代次数N，以及迭代终止条件；
S502、根据步骤S501得到的种群数M，智能传感设备数量m，可部署节点数量n，以及网络模型约束条件，随机生成M个染色体作为父代种群，染色体编码为二进制编码方式，染色体基因长度为m·n，每n个基因中最多只有一个基因编码为1，其余为0；
S503、根据步骤S502得到的每条染色体的编码，得到每个染色体中负责每个智能传感设备di的边缘计算节点ej；
S504、对于步骤S502获得的染色体染色体种群，根据步骤S501获得的网络节点部署模型计算每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，通过非支配排序计算各染色体的非支配等级Irank和拥挤度Id；
S505、根据步骤S501获得的染色体中群，使用自定义交叉算子和变异算子进行遗传操作，生成数量为M的子代染色体种群；
S506、将步骤S501的父代种群与步骤S505生成的子代染色体种群结合形成规模为2M的种群，并进行适应度计算和非支配排序，根据非支配等级Irank和拥挤度Id对染色体进行排序时，选择M个染色体作为新的父代种群；
S507、根据步骤S506获得的最终染色体种群，判断遗传迭代次数和终止条件是否满足要求，如果满足要求，则停止迭代操作得到最终的染色体种群；
S508、对步骤S507得到的最终染色体种群，使非支配等级Irank＝1的染色体为最优pareto解集，然后根据智能传感设备任务计算时延、网络硬件部署成本和边缘计算节点负载均衡进行综合评价得到最优染色体。
2.根据权利要求1所述的车间用边缘网络节点部署方法，其特征在于，步骤S1具体为：
获取智能传感设备节点集合D＝{d1，d2，...，dm}，共m个智能传感设备；确定每个智能传感设备di的位置信息si＝(xi，yi)；
对车间智能传感设备任务进行分析，确定每个智能传感设备di在一个周期T的任务量qi，根据设备任务对时延敏感度η的不同，将智能传感设备分为k类，不同类别的设备具有不同的任务计算时延tk；获取每个智能传感设备di的通信距离ri，确定每个智能传感设备di的信息
Figure FDA0004225297880000021
获得网关节点g的位置信息sg＝(xg，yg)和通信距离信息rg，确定网关节点g＝{sg，rg}。
3.根据权利要求1所述的车间用边缘网络节点部署方法，其特征在于，步骤S2中，网络节点ej的部署位置为
Figure FDA0004225297880000022
xj，yj为分别为节点ej的坐标，n为部署节点位置数量。
4.根据权利要求1所述的车间用边缘网络节点部署方法，其特征在于，步骤S4中，网络节点部署优化模型具体为：
min t，M，σ
s.t.
Figure FDA0004225297880000031
Figure FDA0004225297880000032
Figure FDA0004225297880000033
Figure FDA0004225297880000034
Figure FDA0004225297880000035
Figure FDA0004225297880000036
Figure FDA0004225297880000037
其中，t为智能传感设备的平均计算时延；M为网络节点部署硬件成本；σ为边缘计算节点负载均衡指标；bij为智能传感设备di的计算任务是否由边缘计算设备ej负责计算，bij＝0时，表示否，bij＝1时表示是；aj为可部署节点位置ej部署什么节点，aj＝0表示不部署任何节点，aj＝1表示部署边缘计算节点，aj＝2表示部署中继节点；N为边缘计算节点最多负责计算的智能传感设备数量；xij为网络中节点i和节点j是否形成通路，xij＝0表示不构成通路，xij＝1表示构成通路；dij为网络中节点i和节点j之间的距离；Rij为网络中节点i和节点j之间的网络通信距离；D为智能传感设备集合；E为可部署节点结合；g为网关节点；hij为智能传感设备di到边缘计算设备ej的数据传输跳数；qi为智能传感设备di的任务计算量；tk为智能传感设备计算任务敏感度k对应的时延限制；B为网络带宽；C为边缘计算设备计算能力；u为网络部署的边缘计算节点个数；v为网络部署的中继节点个数。
5.根据权利要求4所述的车间用边缘网络节点部署方法，其特征在于，建立网络节点部署优化模型具体如下：
S401、由bij表示智能传感设备di的计算任务是否由边缘计算设备ej负责计算，bij＝0时，表示智能传感设备di的计算任务交给边缘计算设备ej负责计算，bij＝1时表示智能传感设备di的计算任务不交给边缘计算设备ej负责计算；由aj表示可部署节点位置ej部署什么节点，aj＝0表示不部署任何节点，aj＝1表示部署边缘计算节点，aj＝2表示部署中继节点；
S402、根据步骤S401以及每个智能传感设备计算任务只能由一个边缘计算节点负责，得到约束条件
Figure FDA0004225297880000041
S403、根据步骤S401以及已部署的边缘计算节点至少负责一个智能传感设备的计算任务以及每个边缘计算节点负责的只能传感设备最大数为N，得到约束条件
Figure FDA0004225297880000042
S404、由
Figure FDA0004225297880000043
表示网络中的任意两个节点是否可以形成通路，0表示i节点和j节点无法形成通路，1表示i节点和j节点可以形成通路；由
Figure FDA0004225297880000044
表示网络中i节点和j节点之间的距离，根据设备间的距离要小于等于设备间的最大通信距离Rij，得到约束条件
Figure FDA0004225297880000045
S405、根据步骤S1和步骤S3获得的智能传感设备计算任务量qi、网络带宽B和边缘计算节点计算能力C，由hij表示智能传感设备di到负责其计算任务的边缘计算节点设备ej之间的传输跳数，得到智能传感设备di的任务计算时延ti和智能传感设备任务计算平均时延t；
S406、根据步骤S2和步骤S405得到的智能传感设备di的任务计算时延，计算任务时间限制tk，得到约束条件
Figure FDA0004225297880000051
S407、根据步骤S1，由u，v分别表示部署的边缘计算节点和中继节点的个数，Men和Mrn分别表示边缘计算节点和中继节点的硬件部署成本，得到约束条件和边缘网络节点部署总成本M；
S408、根据步骤S1和步骤S407得到的u，v，由边缘计算设备任务计算负载的标准差σ表征边缘计算设备的负载均衡情况，得到边缘计算设备负载均衡指标σ；
S409、根据步骤S401～步骤S408，获得车间的边缘网络节点部署模型。
6.根据权利要求1所述的车间用边缘网络节点部署方法，其特征在于，步骤S505中，当满足交叉要求时，通过二元锦标赛方式从种群中选择两个染色体进行交叉操作，每隔n个基因从一个染色体中选择长度为n的基因作为子代的基因；当满足变异要求时，对于染色体中的每n个基因，随机选择其中的一个基因置为1，其余置为0，最终形成子代染色体。
7.根据权利要求1所述的车间用边缘网络节点部署方法，其特征在于，步骤S506中，在对染色体进行排序时，当且仅当
Figure FDA0004225297880000052
或者/>
Figure FDA0004225297880000053
且/>
Figure FDA0004225297880000054
时，染色体1优于染色体2。
8.根据权利要求1所述的车间用边缘网络节点部署方法，其特征在于，步骤S508中，每个解个体的综合评价指标Pi计算如下：
Figure FDA0004225297880000055
其中，
Figure FDA0004225297880000056
为第i个解个体的第k个目标值，/>
Figure FDA0004225297880000057
为pareto解集中所有解个体第k个目标值的最优值。
9.一种汽车焊装车间用边缘网络节点部署系统，其特征在于，包括：
计算模块，确定车间内每个智能传感设备的位置信息、计算任务信息以及通信距离信息；
位置模块，根据计算模块确定的智能传感设备的位置信息、计算任务信息、通信距离信息以及供电要求，确定网络节点的可部署位置集合；
参数模块，根据位置模块确定的智能传感设备位置信息、计算任务信息以及通信距离信息，获取边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B；
优化模块，根据计算模块确定的智能传感设备位置信息、计算任务信息、通信距离信息、位置模块确定的网络节点可部署位置集合以及参数模块获得的边缘计算节点的计算能力C，边缘计算节点最多负责计算的智能传感设备数量N，边缘计算节点和中继节点的通信距离R和网络传输带宽B以及约束信息，建立网络节点部署优化模型；
部署模块，采取NSGA-Ⅱ算法结合SPT算法对优化模块建立的网络节点部署优化模型进行求解，获得最佳网络节点部署方案，具体为：
根据确定的智能传感设备信息、网络可部署节点信息、网络相关通信参数信息以及网络节点部署模型，生成网络部署节点列表信息，并设定种群数M，迭代次数N，以及迭代终止条件；根据种群数M，智能传感设备数量m，可部署节点数量n，以及网络模型约束条件，随机生成M个染色体作为父代种群，染色体编码为二进制编码方式，染色体基因长度为m·n，每n个基因中最多只有一个基因编码为1，其余为0；根据每条染色体的编码，得到每个染色体中负责每个智能传感设备di的边缘计算节点ej；对获得的染色体染色体种群，根据获得的网络节点部署模型计算每条染色体的智能传感设备任务计算平均时延t、网络部署硬件成本M以及边缘计算节点负载均衡指标σ，通过非支配排序计算各染色体的非支配等级Irank和拥挤度Id；根据获得的染色体中群，使用自定义交叉算子和变异算子进行遗传操作，生成数量为M的子代染色体种群；将父代种群与生成的子代染色体种群结合形成规模为2M的种群，并进行适应度计算和非支配排序，根据非支配等级Irank和拥挤度Id对染色体进行排序时，选择M个染色体作为新的父代种群；根据获得的最终染色体种群，判断遗传迭代次数和终止条件是否满足要求，如果满足要求，则停止迭代操作得到最终的染色体种群；对得到的最终染色体种群，使非支配等级Irank＝1的染色体为最优pareto解集，然后根据智能传感设备任务计算时延、网络硬件部署成本和边缘计算节点负载均衡进行综合评价得到最优染色体。
CN202210462332.6A 2022-04-28 2022-04-28 一种汽车焊装车间用边缘网络节点部署方法及系统 Active CN114793339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210462332.6A CN114793339B (zh) 2022-04-28 2022-04-28 一种汽车焊装车间用边缘网络节点部署方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210462332.6A CN114793339B (zh) 2022-04-28 2022-04-28 一种汽车焊装车间用边缘网络节点部署方法及系统

Publications (2)

Publication Number Publication Date
CN114793339A CN114793339A (zh) 2022-07-26
CN114793339B true CN114793339B (zh) 2023-06-30

Family

ID=82462275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210462332.6A Active CN114793339B (zh) 2022-04-28 2022-04-28 一种汽车焊装车间用边缘网络节点部署方法及系统

Country Status (1)

Country Link
CN (1) CN114793339B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118400290B (zh) * 2024-07-01 2024-08-30 天津洪荒科技有限公司 一种基于改进边端架构的agv应用部署处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809860A (zh) * 2018-05-03 2018-11-13 北京航空航天大学 基于业务可靠性的网络节点资源分配方法
CN110717302A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电网实时在线监测业务的边缘计算终端设备布设方法
CN111698706A (zh) * 2020-06-10 2020-09-22 长春师范大学 基于混沌遗传的无线传感器网络改进leach路由方法
WO2020207264A1 (zh) * 2019-04-08 2020-10-15 阿里巴巴集团控股有限公司 网络系统、服务提供与资源调度方法、设备及存储介质
WO2020253266A1 (zh) * 2019-06-15 2020-12-24 华为技术有限公司 一种提供边缘服务的方法、装置和设备
CN113156992A (zh) * 2021-04-12 2021-07-23 安徽大学 面向边缘环境下无人机的三层架构协同优化系统及方法
CN113329432A (zh) * 2021-06-22 2021-08-31 中国科学院计算技术研究所 一种基于多目标优化的边缘服务布置方法和系统
CN113395679A (zh) * 2021-05-25 2021-09-14 安徽大学 一种无人机边缘服务器的资源和任务分配优化系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10939308B2 (en) * 2019-03-14 2021-03-02 Cisco Technology, Inc. Deploying network functions in a communication network based on geo-social network data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809860A (zh) * 2018-05-03 2018-11-13 北京航空航天大学 基于业务可靠性的网络节点资源分配方法
WO2020207264A1 (zh) * 2019-04-08 2020-10-15 阿里巴巴集团控股有限公司 网络系统、服务提供与资源调度方法、设备及存储介质
WO2020253266A1 (zh) * 2019-06-15 2020-12-24 华为技术有限公司 一种提供边缘服务的方法、装置和设备
CN110717302A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电网实时在线监测业务的边缘计算终端设备布设方法
CN111698706A (zh) * 2020-06-10 2020-09-22 长春师范大学 基于混沌遗传的无线传感器网络改进leach路由方法
CN113156992A (zh) * 2021-04-12 2021-07-23 安徽大学 面向边缘环境下无人机的三层架构协同优化系统及方法
CN113395679A (zh) * 2021-05-25 2021-09-14 安徽大学 一种无人机边缘服务器的资源和任务分配优化系统
CN113329432A (zh) * 2021-06-22 2021-08-31 中国科学院计算技术研究所 一种基于多目标优化的边缘服务布置方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于边缘计算的分支神经网络模型推断延迟优化;樊琦;李卓;陈昕;;计算机应用(02);全文 *

Also Published As

Publication number Publication date
CN114793339A (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
Ebrahimnejad et al. A novel artificial bee colony algorithm for shortest path problems with fuzzy arc weights
Tan et al. A hybrid multiobjective evolutionary algorithm for solving vehicle routing problem with time windows
KR101105325B1 (ko) 실제 로봇의 다중 경로계획 방법
Yanmaz et al. A discrete stochastic process for coverage analysis of autonomous UAV networks
JP2021520557A (ja) 区間と有界確率との混合不確実性に基づくロボットアームのロバスト最適化設計方法
CN110084405B (zh) 吞吐柔性智能装配物流路径规划方法
CN108959783B (zh) 一种智能车间的布局仿真优化方法及装置
CN109992848B (zh) 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法
CN114793339B (zh) 一种汽车焊装车间用边缘网络节点部署方法及系统
CN102609805A (zh) 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法
CN112783210B (zh) 无人机集群控制系统的多目标控制参数调优方法
CN102542411A (zh) 基于aca模型的多品种多工艺制造企业车间调度控制方法
Starkey et al. iPatch: A many-objective type-2 fuzzy logic system for field workforce optimization
Ghambari et al. An enhanced NSGA-II for multiobjective UAV path planning in urban environments
CN105704031A (zh) 一种数据传输路径确定方法及装置
Tsiogkas et al. DCOP: Dubins correlated orienteering problem optimizing sensing missions of a nonholonomic vehicle under budget constraints
CN117952009A (zh) 一种智能产线可试验数字孪生体建模方法
Rifai et al. Reentrant FMS scheduling in loop layout with consideration of multi loading-unloading stations and shortcuts
Alqaraghuli et al. Using Deep Learning Technology Based Energy-Saving For Software Defined Wireless Sensor Networks (SDWSN) Framework
CN106600119A (zh) 基于k均值的电力用户聚类方法及装置
Yu et al. Congestion prediction for large fleets of mobile robots
Ic et al. Topsis based Taguchi method for multi-response simulation optimization of flexible manufacturing system
CN115759485A (zh) 基于装配式建筑的图像的生产控制方法及相关设备
CN115423414A (zh) 生成维修器材仓库货位分配方案的工具及方法
Zhang et al. An NSGA-II-based multi-objective trajectory planning method for autonomous driving

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