CN115361688B - 一种基于机器学习的工业无线边缘网关优化布局方案 - Google Patents
一种基于机器学习的工业无线边缘网关优化布局方案 Download PDFInfo
- Publication number
- CN115361688B CN115361688B CN202210820108.XA CN202210820108A CN115361688B CN 115361688 B CN115361688 B CN 115361688B CN 202210820108 A CN202210820108 A CN 202210820108A CN 115361688 B CN115361688 B CN 115361688B
- Authority
- CN
- China
- Prior art keywords
- sensor
- edge gateway
- particle
- data
- wireless
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 64
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04W88/16—Gateway arrangements
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于机器学习的工业无线边缘网关优化布局方案,具体步骤为:获取车间内的产线和传感器位置布局,并通过传感器数据采样器获取不同传感器在不同时刻需要上传的数据量;通过蒙特卡洛随机模拟计算传感器传输数据时消耗的总能量的期望;根据采样器得到的上传数据和蒙特卡罗随机模拟计算的能量期望,训练一个神经网络用来预测任意一组无线边缘网关位置对应的能量期望;采用启发式算法搜索无线边缘网关位置,并基于训练的神经网络嵌入启发式算法以加速搜索过程。本发明主要解决物联网工厂车间内的无线边缘网关的部署问题,明显提高了工厂车间内传感器的数据传输能效,提升了工厂的长期平均收益。
Description
技术领域
本发明属于工业物联网通信技术领域,涉及一种基于机器学习的工业无线边缘网关优化布局方案。
背景技术
工业物联网可以提供更低的处理时延和和更高能源效率,促进各种工业系统的互联互通和智能化。各类工业系统如远程监控系统、工业控制系统、柔性制造系统等,数据量传输较大且对时延和能效要求比较高。通过部署无线边缘网关,可以云资源(如存储、计算和网络)扩展到网络的边界,从而被认为是一种很有前景的解决方案。边缘网关可以部署在工厂车间中,作为工业物联网传感器和远程工业云平台之间的中间层。由于无线边缘网关离工业数据生成点很近,因而工业物联网传感器感知到的工业数据可以在工厂内部进行分析和处理,大大缩短了工业系统的响应时间,提高了工业系统的能效。因此,无线边缘网关可以看作提高生产率和降低工业流程和成本的关键平台。无线边缘网关可以紧密地部署在工业机器人和生产线周围,辅助智能制造,这些边缘网关的部署是实现工业边缘计算和存储的前提条件。网络运营商必须车间工业无线边缘网关优化布局方案,其部署方案主要涉及两个问题:1)无线边缘网关的布置,找到边缘网关的最优位置;2)无线边缘网关与工业物联网传感器之间的分配关系,即传感器数据应该分配给哪一个边缘网关。工业环境下的无线边缘网关优化布局对工业系统的性能有很大的影响,它决定着工业终端设备的响应时间和能效。针对无线边缘网关的部署目前已得到业界的广泛研究,但其布局方案仍存在以下问题:
a)目前的无限边缘网关部署基于确定的工厂流量数据,没有考虑到传感器上传流量时的时空动态特征;b)在车间传感器上传大量数据时,没有充分考虑到数据传输的能效。
针对这些无线边缘网关布局中存在的主要问题,根据传感器的产生的流量类型来优化无线边缘网关的布局是一种有效地解决办法。无线边缘网关的布局即找出无线边缘网关的部署位置和其与传感器之间的连接关系,在满足有限资源的条件下,来降低用户的时延或者提升数据传输的能效。
针对工业无线智能边缘网关的部署问题,在Aazam等人在“Deploying fogcomputingin industrial internet of things and industry 4.0”一文中说明了在工业环境中部署边缘节点的重要性以及其所带来的潜在收益;在“Fog nodes deploymentbased on space-time characteristics in smart factory”中,Wang等人将雾节点作为边缘网关,研究了基于智能制造系统时空特征的雾节点布局问题。然而,他们将终端设备的最大负载作为计算负载来简化布局问题,这在本质上忽略了传感器流量的时空变化特性。
综上所述,目前虚拟网络重映射的解决方案中,没有以能够成功映射被拒绝的虚拟网络请求为目标的资源动态调整方案。
发明内容
本发明的目的是提供一种基于机器学习的工业无线边缘网关优化布局方案,本发明基于车间设备与传感器等现场情况和设备的数据流量,设计机器学习算法以优化工业边缘智能网关的布局,提高数据的传输性能。通过建立车间布局优化模型,并使用离线数据训练,快速生成布局方案。
本发明所采用的技术方案是:
一种基于机器学习的工业无线边缘网关优化布局方案,包括以下步骤:
步骤1,通过测量获取传感器位置,使用采样器对传感器上传数据量采集;
步骤2.通过蒙特卡洛随机模拟计算传感器传输数据时消耗的总能量的期望;
步骤3,将步骤1得到的上传数据和步骤2得到的能量期望作为训练集,训练神经网络;
步骤4,基于训练好的神经网络,利用粒子群算法来搜索无线智能边缘网关位置坐标的解空间获取最优的无线智能边缘网关布局。
本发明的特点还在于:
步骤1包括:
步骤1.1,工厂车间使用R表示,确定传感器的总个数为|S|,测量每个传感器的位置并使用二维坐标点(xj,yj)表示;
步骤1.2,每隔一段时间T,对传感器的需要上传的流量进行采样,每个传感器的流量记为uj,直到取样N次为止。
步骤2包括:
步骤2.1,确定要放置的无线智能边缘网关的数目为|F|,在车间区域内随机生成一组无线智能边缘网关位置(pi,qi)∈R;
步骤2.2,根据传感器的上传采样数据获取某个时间的一组所有传感器的上传流量数据U={u1,u2,…,u|S|};
步骤2.3,依据已经给定的一组无线智能边缘网关位置和一组给定的传感器上传流量,利用匈牙利算法来解决传感器和无线智能边缘网关的关联关系。其中,这个问题是一个广义指派问题(GAP),其具体的模型如下:
其中Pt是传感器的发射功率,rij表示传感器和边缘网关之间的关联关系,b是每个传感器的上传带宽,SNRij表示传感器和边缘网关之间信道的信噪比,Bi表示每一个边缘网关的最大带宽容量;通过计算这个子问题可以得到传感器和无线智能边缘网关的关联关系rij,需要传输这些数据所耗费的能量Q(p,q,r|U);步骤2.4,累计每次传输所耗费的能量:
sum=sum+Q(p,q,r|U)
其中sum的初始值为0;
步骤2.5,重复步骤2.2到步骤2.4直到给定的次数N;
步骤2.6,计算每次耗费传输能量Q(p,q,r|U)的均值sum/N作为一次数据传输系统所耗费的能量期望E[Q(p,q,r|U)]。
步骤3具体的为:将步骤1得到的上传数据和步骤2得到的能量期望作为训练集,首先将训练集数据进行归一化后输入神经网络进行训练,其中一组无线智能边缘网关位置作为神经网络的输入,对应的能量期望E[Q(p,q,r|U)]作为神经网络的输出;使神经网络能够预测任意一组无线传感器节点位置对应的能量期望值。
步骤4具体包括:
步骤4.1,初始化一群粒子,每一个粒子k的位置用pk表示,代表一组无线边缘网关的坐标,粒子的速度用pk表示,赋予每一个粒子一个随机的初始位置和初始速度;
步骤4.2,根据S3中训练好的神经网络来计算每一个粒子对应的期望能量值E[Q(p,q,r|U)],从而得到每一个粒子的适应度;
步骤4.3,比较每一个粒子的适应度,将适应度最高的粒子标记为pbest;
步骤4.4,将当前一代中所有粒子和之前所有代粒子中最优秀的一个比较,更新gbest为适应度最高的粒子;
步骤4.5,根据以下公式更新每一个粒子的位置和速度;
其中分别表示粒子k在第t和t+1轮迭代中的第i维的位置坐标,/>表示当前一代(即第t轮迭代)所有粒子中适应度最高的粒子的第i维的位置坐标,/>表示从初始到当前一代(即共t轮迭代)所有粒子中适应度最高的粒子的第i维的位置坐标,/>分别表示粒子k在第t和t+1轮迭代中的第i维的移动速度,w表示惯性权重,c1、c2分别表示个体和群体学习因子,r1、r2是0到1之间的随机数,用来增加搜索的随机性。
步骤4.6,返回步骤4.2,重复执行直到到达规定的迭代次数或者粒子适应度不再改变。
步骤4.7,最后粒子gbest所对应的坐标即为无线智能网关应该布局的位置。
本发明的有益效果是:
本发明利用神经网络技术,综合考虑了工厂车间环境中传感器上传流量的时空动态变化性,提出了一种基于机器学习的工业无线边缘网关优化布局方案,以优化物联网工厂车间内的无线边缘网关的部署。该方案可以提高传感器上传数据的能效,减少数据传输的能耗从而最终提高企业的整体收益。
附图说明
图1为本发明的基于机器学习的车间工业无线智能边缘网关优化布局流程图;
图2为仿真实验不同算法下无线边缘网关的位置和传感器位置及流量密度;
图3为不同算法中随着传感器数目增多系统上传数据能量消耗的对比关系图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的技术思路是,通过采样器采样得到传感器上传数据流量的时空变化特性,利用蒙特卡洛随机模拟来解决时空变化带来的不确定性,并同时使用匈牙利算法在小的时间尺度内来解决传感器和无线智能网关的关联问题。根据蒙特卡洛随机模拟得到的数据用来训练神经网络从而可以预测任意一组无线边缘网关的位置所对应的数据传输能耗的期望。最后,再将神经网络嵌入启发式算法之中,通过启发式算法来搜索无线智能网关的位置解空间从而得到无线智能网关的最优化布局。
本发明应用在工厂车间的的无线智能边缘网关布局业务,用于提高传感器向上进行数据传输的能效,如图1所示,所述系统包括:
采样器:它是用来对每个传感器的上传数据流量进行采样,获取传感器上传流量的时空变化特征。
蒙特卡洛随机模拟模块:解决时空变化带来的不确定性,并在其子问题中使用匈牙利算法在小的时间尺度内来解决传感器和无线智能网关的关联问题。
神经网络模块:使用蒙特卡洛随机模拟得到的样本,训练一个神经网络来预测任意一组无线边缘网关的位置所对应的数据传输能耗的期望。
粒子群算法模块:搜索无线边缘网关的位置的解空间,通过嵌入神经网络模块加速求解,最终获取无线边缘网关的最优化布局。
如图1所示,本发明包括以下步骤:
步骤1,通过测量获取传感器位置布局和以及使用采样器对传感器上传数据量采集的具体步骤如下:
步骤1.1,工厂车间使用R表示,确定传感器的总个数为|S|,测量每个传感器的位置并使用二维坐标点(xj,yj)表示。
步骤1.2,每隔一段时间T,对传感器的需要上传的流量进行采样,每个传感器的流量记为uj,直到取样N次为止。
步骤2,通过蒙特卡洛随机模拟计算任意一组无线智能网关位置所对应的数据传输能量的消耗,并且使用匈牙利算法解决其中的传感器与无线网关的关联问题,此步骤包含以下过程:
步骤2.1,确定要放置的无线智能边缘网关的数目为|F|,在车间区域内随机生成一组无线智能边缘网关位置(pi,qi)∈R。
步骤2.2,根据传感器的上传采样数据获取某个时间的一组所有传感器的上传流量数据U={u1,u2,…,u|S|}。
步骤2.3,依据已经给定的一组无线智能边缘网关位置和一组给定的传感器上传流量,利用匈牙利算法来解决传感器和无线智能边缘网关的关联关系。其中,这个问题是一个广义指派问题(GAP),其具体的模型如下
其中Pt是传感器的发射功率,rij表示传感器和边缘网关之间的关联关系,b是每个传感器的上传带宽,SNRij表示传感器和边缘网关之间信道的信噪比,Bi表示每一个边缘网关的最大带宽容量。
通过计算这个子问题可以得到传感器和无线智能边缘网关的关联关系rij,需要传输这些数据所耗费的能量Q(p,q,r|U);步骤2.4,累计每次传输所耗费的能量:
sum=sum+Q(p,q,r|U)
其中sum的初始值为0;
步骤2.5,重复步骤2.2到2.4直到给定的次数N;
步骤2.6,计算每次耗费传输能量Q(p,q,r|U)的均值sum/N作为一次数据传输系统所耗费的能量期望E[Q(p,q,r|U)]。
步骤3,使用步骤2中得到的数据训练神经网络来预测任意一组无线智能网关位置所对应的数据传输能量的消耗,具体步骤如下:所述步骤3具体的为:将步骤1得到的上传数据和步骤2得到的能量期望作为训练集,首先将训练集数据进行归一化后输入神经网络进行训练,其中一组无线智能边缘网关位置作为神经网络的输入,对应的能量期望E[Q(p,q,r|U)]作为神经网络的输出;使神经网络能够预测任意一组无线传感器节点位置对应的能量期望值。
步骤4基于步骤3中训练好的神经网络,使用粒子群算法来搜索无线智能边缘网关位置坐标的解空间获取最优的无线智能边缘网关布局,具体步骤如下:
步骤4.1,初始化一群粒子,每一个粒子k的位置用pk表示,代表一组无线边缘网关的坐标,粒子的速度用pk表示,赋予每一个粒子一个随机的初始位置和初始速度;
步骤4.2,根据S3中训练好的神经网络来计算每一个粒子对应的期望能量值E[Q(p,q,r|U)],从而得到每一个粒子的适应度;
步骤4.3,比较每一个粒子的适应度,将适应度最高的粒子标记为pbest;
步骤4.4,将当前一代中所有粒子和之前所有代粒子中最优秀的一个比较,更新gbest为适应度最高的粒子;
步骤4.5,根据以下公式更新每一个粒子的位置和速度;
其中分别表示粒子k在第t和t+1轮迭代中的第i维的位置坐标,/>表示当前一代(即第t轮迭代)所有粒子中适应度最高的粒子的第i维的位置坐标,/>表示从初始到当前一代(即共t轮迭代)所有粒子中适应度最高的粒子的第i维的位置坐标,/>分别表示粒子k在第t和t+1轮迭代中的第i维的移动速度,w表示惯性权重,c1、c2分别表示个体和群体学习因子,r1、r2是0到1之间的随机数,用来增加搜索的随机性。
步骤4.6,返回步骤4.2,重复执行直到到达规定的迭代次数或者粒子适应度不再改变。
步骤4.7,最后粒子gbest所对应的坐标即为无线智能网关应该布局的位置。
实施例1
对本发明方案通过仿真验证其性能。仿真设置车间为300m×300m的正方形,传感器节点服从空间泊松点过程分布。传感器的上传数据流量设置为两种,一是ON/OFF流量模型,ON和OFF分别代表开关状态,ON和OFF的时常服从长尾分布;二是随机的泊松过程流量,到达率服从参数为λ∈[0.5,2.5]的均匀分布,每次到达的流量服从[800,900]MB的均匀分布。本实验首先固定传感器的数目,观察不同算法在不同时间的数据能量传输消耗。然后,通过改变传感器的数目,观察整体系统数据传输随着传感器数目而发生的变化。为了避免数据的偶然性,每组数据实验十次取平均。
如图2所示,采用均匀的空间泊松点过程(Spatial Poisson Point Process,SPPP)对传感器位置进行建模,设置传感器数量为30个,部署3个雾节点。图中显示了传感器的位置和不同算法下无线边缘网关的部署位置。其中本发明中的LBAP算法综合考虑了传感器位置和上传流量的大小,将边缘网关部署在流量密度相对更大的位置可以减少数据传输时的能耗。
如图3所示,将传感器数量从24到36之间变化,观察不同方法的能耗随传感器数量的变化。随着传感器数量的增加,所有解决方案中平均每个传感器的能量消耗也随之增加。基于机器学习的车间工业无线边缘网关优化布局方案(即LBFP)的能量消耗平均比LBAG少4.59%,比K-means少12.90%,比Top-first少31.52%,比Random少35.81%。结果表明,本算法在考虑到传感器的实际上传流量数据时在数据传输能耗方面优于其他算法,从而进一步提升工厂的收益。
对于本领域的技术人员来说,可以根据以上的技术方案和构思,做出各种相应的改变和变形,而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于机器学习的工业无线边缘网关优化布局方案,其特征在于,包括以下步骤:
步骤1,通过测量获取传感器位置,使用采样器对传感器上传数据量采集;
步骤2.通过蒙特卡洛随机模拟计算传感器传输数据时消耗的总能量的期望;
步骤3,将步骤1得到的上传数据和步骤2得到的能量期望作为训练集,训练神经网络;
步骤4,基于训练好的神经网络,利用粒子群算法来搜索无线智能边缘网关位置坐标的解空间获取最优的无线智能边缘网关布局;
所述步骤4具体包括:
步骤4.1,初始化一群粒子,每一个粒子k的位置用pk表示,代表一组无线边缘网关的坐标,粒子的速度用pk表示,赋予每一个粒子一个随机的初始位置和初始速度;
步骤4.2,根据S3中训练好的神经网络来计算每一个粒子对应的期望能量值E[Q(p,q,r|U)],从而得到每一个粒子的适应度;
步骤4.3,比较每一个粒子的适应度,将适应度最高的粒子标记为pbest;
步骤4.4,将当前一代中所有粒子和之前所有代粒子中最优秀的一个比较,更新gbest为适应度最高的粒子;
步骤4.5,根据以下公式更新每一个粒子的位置和速度;
其中分别表示粒子k在第t和t+1轮迭代中的第i维的位置坐标,表示当前一代(即第t轮迭代)所有粒子中适应度最高的粒子的第i维的位置坐标,/>表示从初始到当前一代(即共t轮迭代)所有粒子中适应度最高的粒子的第i维的位置坐标,/> 分别表示粒子k在第t和t+1轮迭代中的第i维的移动速度,w表示惯性权重,c1、c2分别表示个体和群体学习因子,r1、r2是0到1之间的随机数,用来增加搜索的随机性;
步骤4.6,返回步骤4.2,重复执行直到到达规定的迭代次数或者粒子适应度不再改变;
步骤4.7,最后粒子gbest所对应的坐标即为无线智能网关应该布局的位置。
2.如权利要求1所述的一种基于机器学习的工业无线边缘网关优化布局方案,其特征在于,所述步骤1包括:
步骤1.1,工厂车间使用R表示,确定传感器的总个数为|S|,测量每个传感器的位置并使用二维坐标点(xj,yj)表示;
步骤1.2,每隔一段时间T,对传感器的需要上传的流量进行采样,每个传感器的流量记为uj,直到取样N次为止。
3.如权利要求1所述的一种基于机器学习的工业无线边缘网关优化布局方案,其特征在于,所述步骤2包括:
步骤2.1,确定要放置的无线智能边缘网关的数目为|F|,在车间区域内随机生成一组无线智能边缘网关位置(pi,qi)∈R;
步骤2.2,根据传感器的上传采样数据获取某个时间的一组所有传感器的上传流量数据U={u1,u2,...,u|S|};
步骤2.3,依据已经给定的一组无线智能边缘网关位置和一组给定的传感器上传流量,利用匈牙利算法来解决传感器和无线智能边缘网关的关联关系;其中,这个问题是一个广义指派问题(GAP),其具体的模型如下:
其中Pt是传感器的发射功率,rij表示传感器和边缘网关之间的关联关系,b是每个传感器的上传带宽,SNRij表示传感器和边缘网关之间信道的信噪比,Bi表示每一个边缘网关的最大带宽容量;通过计算这个子问题可以得到传感器和无线智能边缘网关的关联关系rij,需要传输这些数据所耗费的能量Q(p,q,r|U);步骤2.4,累计每次传输所耗费的能量:
sum=sum+Q(p,q,r|U)
其中sum的初始值为0;
步骤2.5,重复步骤2.2到步骤2.4直到给定的次数N;
步骤2.6,计算每次耗费传输能量Q(p,q,r|U)的均值sum/N作为一次数据传输系统所耗费的能量期望E[Q(p,q,r|U)]。
4.如权利要求1所述的一种基于机器学习的工业无线边缘网关优化布局方案,其特征在于,所述步骤3具体的为:将步骤1得到的上传数据和步骤2得到的能量期望作为训练集,首先将训练集数据进行归一化后输入神经网络进行训练,其中一组无线智能边缘网关位置作为神经网络的输入,对应的能量期望E[Q(p,q,r|U)]作为神经网络的输出;使神经网络能够预测任意一组无线传感器节点位置对应的能量期望值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820108.XA CN115361688B (zh) | 2022-07-13 | 2022-07-13 | 一种基于机器学习的工业无线边缘网关优化布局方案 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820108.XA CN115361688B (zh) | 2022-07-13 | 2022-07-13 | 一种基于机器学习的工业无线边缘网关优化布局方案 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115361688A CN115361688A (zh) | 2022-11-18 |
CN115361688B true CN115361688B (zh) | 2023-11-10 |
Family
ID=84032826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210820108.XA Active CN115361688B (zh) | 2022-07-13 | 2022-07-13 | 一种基于机器学习的工业无线边缘网关优化布局方案 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115361688B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3683771A1 (en) * | 2019-01-18 | 2020-07-22 | Canon Medical Systems Corporation | Medical processing apparatus |
CN111445111A (zh) * | 2020-03-09 | 2020-07-24 | 国网江苏省电力有限公司南京供电分公司 | 一种基于边缘协同的电力物联网任务分配方法 |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
CN113472844A (zh) * | 2021-05-26 | 2021-10-01 | 北京邮电大学 | 面向车联网的边缘计算服务器部署方法、装置及设备 |
CN114143891A (zh) * | 2021-11-30 | 2022-03-04 | 南京工业大学 | 移动边缘网络中基于fdql的多维资源协同优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235143A1 (en) * | 2003-12-30 | 2015-08-20 | Kantrack Llc | Transfer Learning For Predictive Model Development |
-
2022
- 2022-07-13 CN CN202210820108.XA patent/CN115361688B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3683771A1 (en) * | 2019-01-18 | 2020-07-22 | Canon Medical Systems Corporation | Medical processing apparatus |
WO2021012584A1 (zh) * | 2019-07-25 | 2021-01-28 | 北京工业大学 | 一种移动边缘计算场景下制定单任务迁移策略的方法 |
CN111445111A (zh) * | 2020-03-09 | 2020-07-24 | 国网江苏省电力有限公司南京供电分公司 | 一种基于边缘协同的电力物联网任务分配方法 |
CN113472844A (zh) * | 2021-05-26 | 2021-10-01 | 北京邮电大学 | 面向车联网的边缘计算服务器部署方法、装置及设备 |
CN114143891A (zh) * | 2021-11-30 | 2022-03-04 | 南京工业大学 | 移动边缘网络中基于fdql的多维资源协同优化方法 |
Non-Patent Citations (7)
Title |
---|
一种面向分布式发电微电网的边缘计算架构与应用;徐楚轲;《新能源进展》;全文 * |
基于学习的边缘云资源规划框架研究;邵梦晗;《中国优秀硕士论文电子期刊》;全文 * |
基于改进粒子群算法的平面并联机构工作空间边界求解;姬芳芳;赵欣;;机械传动(12);全文 * |
移动边缘计算中基于粒子群优化的计算卸载策略;罗斌;于波;;计算机应用(08);全文 * |
移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略;高寒;李学俊;周博文;刘晓;徐佳;;计算机集成制造系统(06);全文 * |
计算智能在电动车充电站规划的应用研究综述;王利利;张琳娟;尚雪宁;高德云;;计算机工程与应用(02);全文 * |
面向工控现场应用的边缘网关架构设计和性能评估;宋磊;《网络信息与安全》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115361688A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111065103B (zh) | 一种多目标优化的无线传感器网络节点部署方法 | |
Jiang et al. | AI driven heterogeneous MEC system with UAV assistance for dynamic environment: Challenges and solutions | |
CN111629380B (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN110428115A (zh) | 基于深度强化学习的动态环境下的最大化系统效益方法 | |
CN114520768B (zh) | 一种用于工业物联网中随机任务的ai卸载优化方法 | |
CN110601777B (zh) | 一种低轨移动卫星星座下星地下行链路同频干扰估计方法 | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
CN116361377B (zh) | 基于工业物联网服务平台的负载预测系统、方法及介质 | |
CN114564312A (zh) | 一种基于自适应深度神经网络的云边端协同计算方法 | |
Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
CN115065992A (zh) | 一种基于边缘计算的协同感知与资源分配方法 | |
CN113573342B (zh) | 一种基于工业物联网的节能计算卸载方法 | |
Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
CN117149443B (zh) | 一种基于神经网络的边缘计算服务部署方法 | |
CN115361688B (zh) | 一种基于机器学习的工业无线边缘网关优化布局方案 | |
CN114629769B (zh) | 自组织网络的流量图谱生成方法 | |
CN116193471A (zh) | 一种基于深度强化学习的边缘计算卸载方法 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
CN114916013A (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
CN114928826A (zh) | 一种软件定义车载任务卸载与资源分配的二阶段优化方法、控制器及决策方法 | |
CN108833550B (zh) | 一种感知农业优化调度的方法及装置 | |
CN113204915A (zh) | 基于cps的phm设计方法 |
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 |