CN115883475B - 面向智能网联汽车的时间敏感网络流量调度方法及系统 - Google Patents
面向智能网联汽车的时间敏感网络流量调度方法及系统 Download PDFInfo
- Publication number
- CN115883475B CN115883475B CN202310171559.XA CN202310171559A CN115883475B CN 115883475 B CN115883475 B CN 115883475B CN 202310171559 A CN202310171559 A CN 202310171559A CN 115883475 B CN115883475 B CN 115883475B
- Authority
- CN
- China
- Prior art keywords
- population
- information
- current
- fitness value
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Small-Scale Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向智能网联汽车的时间敏感网络流量调度方法及系统,涉及网络流量调度领域,所述方法包括:获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流及信息流属性;对所有信息流对应的所有传输端口中信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式;以所有信息流完成信息传输的延迟时间之和最小,且高优先级的信息流的延迟时间最小为目标,利用改进的遗传算法对多种信息流传输排布方式进行优化,得到最优流量调度策略。利用改进的遗传算法确定所有信息流的最优流量调度策略,提高了最优流量调度策略获取的准确性和效率,保证了车载网络信息传输的实时性。
Description
技术领域
本发明涉及网络流量调度领域,特别是涉及一种面向智能网联汽车的时间敏感网络流量调度方法及系统。
背景技术
随着智能网联汽车的发展,未来基于域控制器及中央计算平台的电子电气架构将成为趋势,对车载网络的带宽、稳定性、实时性都有了更高的要求,而保证大数据流、多优先级、确定时延的传输一直是行业难点,对于多种流量类型、规模较大、负载较多的车载时间敏感网络流量调度模型研究甚少。使用传统遗传算法解决应用车载时间敏感网络进行信息传输的流量调度问题时,存在“过早收敛”的缺陷,使得得到的最优流量调度方案是局部最优解,影响了最优流量调度方案的准确性。
发明内容
本发明的目的是提供一种面向智能网联汽车的时间敏感网络流量调度方法及系统,对传统遗传算法中的交叉操作引入自适应交叉概率,变异操作中引入禁忌搜索算法实现遗传算法的改进,利用改进的遗传算法确定最优流量调度策略,提高了最优流量调度策略获取的准确性和效率,保证了车载网络信息传输的实时性。
为实现上述目的,本发明提供了如下方案:
一种面向智能网联汽车的时间敏感网络流量调度方法,所述方法包括:
获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流和信息流属性以及每一所述信息流从源节点至目标节点所经过的所有传输端口及传输端口执行顺序;所述源节点为所述智能网联汽车中的信息发送设备;所述目标节点为所述智能网联汽车中的信息接收设备;
根据每一所述信息流经过的所有所述传输端口以及所述传输端口执行顺序对所有所述信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式;
以所有所述信息流完成信息传输的延迟时间之和最小,且高优先级的所述信息流的延迟时间最小为目标,利用改进的遗传算法对多种所述信息流传输排布方式进行优化,得到最优的信息流传输排布方式;在所述改进的遗传算法中,交叉操作引入了自适应概率,变异操作引入了禁忌搜索算法;所述信息流的优先级高低是基于所述信息流属性划分的;
依据所述最优的信息流传输排布方式实现所述智能网联汽车的信息传输。
可选的,所述利用改进的遗传算法对多种所述信息流传输排布方式进行优化,得到最优的信息流传输排布方式,具体包括:
根据多种所述信息流传输排布方式生成多种染色体;一种所述信息流传输排布方式为一个染色体;
将多种所述染色体随机组成多个初始种群,各所述初始种群的个体数相同;
对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群;
对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作;所述自适应交叉概率是根据当前所述选择后的种群中个体最优适应度值、适应度中值和当前迭代次数确定;
对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作;
将当前每一变异后的种群中适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中适应度值最大的个体,得到移民后的种群,所述移民后的种群为下一代种群;
判断当前种群迭代次数是否满足第一最大迭代次数,得到第一判断结果;
若所述第一判断结果为否,则令每一所述下一代种群为当前每一所述初始种群,并返回步骤“对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群”,直至达到所述第一最大迭代次数;
若所述第一判断结果为是,则从当前各所述移民后的种群中选择适应度值最优的个体,得到所述最优的信息流传输排布方式。
可选的,所述对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作,具体包括:
对当前每一所述选择后的种群,确定所述选择后的种群的适应度中值和适应度最优值,并对所述选择后的种群中的个体随机两两配对;
对每对配对个体,确定所述配对个体中最小适应度值,并对每对所述配对个体随机生成[0,1]的第一随机数;
对每对所述配对个体,根据所述最小适应度值、所述适应度中值和所述适应度最优值计算所述自适应交叉概率;
判断所述第一随机数是否小于所述自适应交叉概率,得到第二判断结果;
若所述第二判断结果为是,则对当前所述配对个体进行交叉操作;
若所述第二判断结果为否,则当前所述配对个体不进行交叉操作。
可选的,所述自适应交叉概率的表达式为:
式中,Pc为自适应交叉概率,M为迭代次数,K为指数系数,f为配对的个体中适应度最小值,fmin为当前选择后的种群中适应度最优值,fmid为当前选择后的种群中适应度中值。
可选的,所述对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作,具体包括:
对当前每一所述交叉后的种群中的每一待变异个体生成[0,1]的第二随机数;
对每一所述待变异个体,判断所述第二随机数是否小于变异概率,得到第三判断结果;
若所述第三判断结果为否,则当前所述待变异个体不进行变异操作;
若所述第三判断结果为是,则设置禁忌表和所述禁忌表中解的禁忌长度,并置空所述禁忌表,将当前所述待变异个体作为初始解,并对当前所述初始解按照单个染色体变异的方式产生多个邻域解;
以所有所述信息流完成信息传输的延迟时间之和为适应度函数,计算当前每一所述邻域解对应的适应度值,并从多个当前所述邻域解中选出多个个体作为候选解;所述候选解对应的适应度值大于所述邻域解中非候选解对应的适应度值;
从当前所述候选解中选取适应度最小的个体为目标候选解,判断当前所述目标候选解的适应值是否大于所述禁忌表中的解的适应度值,得到第四判断结果;
若所述第四判断结果为否,则从所述候选解中排除当前所述禁忌表中的解,得到筛选后的候选解,并将所述筛选后的候选解中适应度值最小的个体为所述初始解,并返回步骤“并对当前所述初始解按照单个染色体变异的方式产生多个邻域解”;
若所述第四判断结果为是,则将当前所述禁忌表中的解替换为当前所述目标候选解;
判断当前搜索迭代次数是否为第二最大迭代次数,得到第五判断结果;
若所述第五判断结果为否,则令当前所述目标候选解为所述初始解,并返回步骤“并对当前所述初始解按照单个染色体变异的方式产生多个邻域解”,直至达到所述第二最大迭代次数;
若所述第五判断结果为是,则当前所述目标候选解为当前所述待变异个体的变异个体。
可选的,所述适应度函数的表达式为:
式中,Dsum表示所有信息流的端到端延时之和,Da表示控制类信息流的端到端时延,Db表示流预留A类信息流的端到端时延,Dc表示流预留B类信息流的端到端时延,Dd表示尽力而为类信息流的端到端时延,表示控制类信息流的权重系数,表示流预留A类信息流的权重系数,表示流预留B类信息流的权重系数,表示尽力而为类信息流的权重系数,为超周期惩罚因子;a,b,c,d表示信息流编号;n1表示控制类信息流个数;n2表示流预留A类信息流个数;n3表示流预留B类信息流个数;n4表示尽力而为类信息流个数。
可选的,所述将当前每一变异后的种群中适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中适应度值最大的个体,得到移民后的种群,具体包括:
将当前每一所述变异后的种群中的适应度值最小的个体作为移民算子;
随机选取一个所述变异后的种群对应的所述移民算子;
利用选取的移民算子替换目标变异后的种群中适应度值最大的个体;所述目标变异后的种群为任意一个种群中适应度值最大的个体未被替换的变异后种群;
判断当前每一所述变异后的种群中的适应度值最大的个体是否被替换,得到第六判断结果;
若所述第六判断结果为否,则从未被选取的所述移民算子中随机选取一个作为所述选取的移民算子,并返回步骤“利用选取的移民算子替换目标变异后的种群中适应度值最大的个体”;
若所述第六判断结果为是,则得到每一所述移民后的种群。
本发明还提供一种面向智能网联汽车的时间敏感网络流量调度系统,所述系统包括:
信息流获取模块,用于获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流和信息流属性以及每一所述信息流从源节点至目标节点所经过的所有传输端口及传输端口执行顺序;所述源节点为所述智能网联汽车中的信息发送设备;所述目标节点为所述智能网联汽车中的信息接收设备;
信息流传输端口排布方式获取模块,用于根据每一所述信息流经过的所有所述传输端口以及所述传输端口执行顺序对所有所述信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式;
最优流量调度策略确定模块,用于以所有所述信息流完成信息传输的延迟时间之和最小,且高优先级的所述信息流的延迟时间最小为目标,利用改进的遗传算法对多种信息流传输排布方式进行优化,得到最优的信息流传输排布方式;在所述改进的遗传算法中,交叉操作引入了自适应概率,变异操作引入了禁忌搜索算法;所述信息流的优先级高低是基于所述信息流属性划分的;
信息传输模块,用于依据所述最优的信息流传输排布方式实现所述智能网联汽车的信息传输。
可选的,所述最优流量调度策略确定模块具体包括:
染色体编码子模块,用于根据多种所述信息流传输排布方式生成多种染色体;一种所述信息流传输排布方式为一个染色体;
初始种群构建子模块,用于将多种所述染色体随机组成多个初始种群,各所述初始种群的个体数相同;
选择操作子模块,用于对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群;
交叉操作子模块,用于对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作;所述自适应交叉概率是根据当前所述选择后的种群中个体最优适应度值、适应度中值和当前迭代次数确定;
变异操作子模块,用于对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作;
移民操作子模块,用于将当前每一变异后的种群中适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中适应度值最大的个体,得到移民后的种群,所述移民后的种群为下一代种群;
第一判断子模块,用于判断当前种群迭代次数是否满足第一最大迭代次数,得到第一判断结果;
若所述第一判断结果为否,则令每一所述下一代种群为当前每一所述初始种群,并返回步骤“对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群”,直至达到所述第一最大迭代次数;
若所述第一判断结果为是,则从当前各所述移民后的种群中选择适应度值最优的个体,得到所述最优的信息流传输排布方式。
可选的,所述交叉操作子模块具体包括:
适应度计算及个体配对单元,用于对当前每一所述选择后的种群,确定所述选择后的种群的适应度中值和适应度最优值,并对所述选择后的种群中的个体随机两两配对;
第一随机数生成单元,用于对每对配对个体,确定所述配对个体中最小适应度值,并对每对所述配对个体随机生成[0,1]的第一随机数;
自适应交叉概率计算单元,用于对每对所述配对个体,根据所述最小适应度值、所述适应度中值和所述适应度最优值计算所述自适应交叉概率;
第二判断单元,用于判断所述第一随机数是否小于所述自适应交叉概率,得到第二判断结果;
若所述第二判断结果为是,则对当前所述配对个体进行交叉操作;
若所述第二判断结果为否,则当前所述配对个体不进行交叉操作。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种面向智能网联汽车的时间敏感网络流量调度方法及系统,以所有信息流完成信息传输的延迟时间之和最小,且高优先级的信息流的延迟时间最小为目标,利用改进的遗传算法对多种信息流传输排布方式进行优化,得到最优的信息流传输排布方式。其中,在传统遗传算法的交叉操作中引入了自适应概率,并且在变异操作中引入了引入禁忌搜索算法,使得改进的遗传算法能够兼顾全局搜索和局部搜索,进而得出更加准确的最优流量调度策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的智能网联汽车的域集中式电子电气架构图;
图2为本发明实施例1提供的一种面向智能网联汽车的时间敏感网络流量调度方法流程图;
图3为本发明实施例1提供的一种染色体的形式表达示意图;
图4为本发明实施例1提供的改进的遗传算法流程框图。
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,所描述的实施例仅仅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。
使用传统遗传算法解决应用车载时间敏感网络进行信息传输的流量调度问题时,不仅存在“过早收敛”的缺陷,而且在进化后期搜索效率较低,种群的进化缓慢,影响搜索效率。
本发明的目的是提供一种面向智能网联汽车的时间敏感网络流量调度方法及系统,利用改进的遗传算法实现对车载时间敏感网络的流量调度,在传统遗传算法基础上对交叉环节、变异环节和种群数量的改进,实现了对智能网联汽车通信网络中多优先级、确定时延的流量调度,改进的算法兼顾了全局搜索和局部搜索,对比传统遗传算法在结果优化程度、收敛速度以及稳定性方面都更优秀,具有很好的实用性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供一种面向智能网联汽车的时间敏感网络流量调度方法,本方案以智能网联汽车的域集中式电子电气架构(如图1所示)为对象,分析架构中产生的信息流属性,制定基于时间敏感网络流量整形机制的流量调度策略,使用改进的遗传算法进行车载时间敏感网络流量调度。
具体的,如图2所示,所述方法包括:
S1:获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流和信息流属性以及每一所述信息流从源节点至目标节点所经过的所有传输端口及传输端口执行顺序;所述源节点为所述智能网联汽车中的信息发送设备;所述目标节点为所述智能网联汽车中的信息接收设备。
计算汽车架构中产生的信息流属性:图1展示了域集中式电子电气架构网络拓扑模型,其中,激光雷达Lidar(如图1中的lidar1至lidar3)、毫米波雷达Radar(如图1中的radar1至radar6)、摄像头Camera(如图1中的camera1至camera11)、域控制器Viu(如图1中的viu1至viu4)和功能域控制器(CDC、MDC、VDC)为节点。根据实际功能需要,将架构中的节点生成链路(即规定信息流的源节点、目标节点和比特率),链路间消息的传递使用时间敏感网络(传输速率1000M bit/s),根据公式:时间=传输数据位数/数据传输速率,计算每条链路的传输时间,从而得到信息流的具体属性(包括:源节点、目的节点、比特率、周期、传输时间)。
S2:根据每一所述信息流经过的所有所述传输端口以及所述传输端口执行顺序对所有所述信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式。
为了便于理解车载时间敏感网络流量调度问题,可以将车载时间敏感网络流量调度问题映射为车间调度问题:
调度流量对应为作业,链路流(信息流)对应工件,数据传输中经过的端口对应机器,中间的传输转发操作对应为工序。交换机的一个传输端口同一时刻只能转发一个数据流,即一个机器同一时刻只能加工一个工件。流量调度的目标是形成静态流量调度表,使整体时延最小,同样的,车间调度的目标是确定工件在机器上的加工顺序和开工时间,使整体完工时间最短。另外,针对流量调度周期性问题,设置每条链路流的发送周期,相当于一个车间作业内,存在工件被加工多次的情况。
流量调度问题的数学表达可以进行如下设置。定义交换机的端口合集为P={P1,...Px}(x表示总端口数),信息流合集为F={F1,...,Fi,...Fy}(y表示信息流总数),每一条信息流Fi包括一系列的传输操作Oi=(Oi1,...,Oin)(其中n表示一次循环的工序数(信息流传输一次时经过的传输端口数)与循环次数的乘积),O→P的映射表示每一个交换机出口端口的传输操作。流Fi的每个传输操作Oij的传输延迟表示为,处理延迟表示为,传播延迟表示为。Dij表示信息流Fi经过j跳(第j次传输操作)达到某一交换机的网络时延:
需要保证到达同一个交换机的两条信息流互不冲突,即一个端口一个时刻只允许一条流通过,tm为信息流Fm经过l跳到达交换机的时间,ti为信息流Fi经过k跳到达交换机的时间,约束条件为:
。
S3:以所有所述信息流完成信息传输的延迟时间之和最小,且高优先级的所述信息流的延迟时间最小为目标,利用改进的遗传算法对多种信息流传输排布方式进行优化,得到最优的信息流传输排布方式(即所有信息流完成传输的最优流量调度策略);在所述改进的遗传算法中,交叉操作引入了自适应概率,变异操作引入了禁忌搜索算法。所述信息流的优先级高低是基于信息流属性划分的。
将一种各流量的调度顺序策略映射为一条染色体(即个体),采用基于工序的编码方式,每条染色体是一个所有工序的排列,即为一个可行的流量调度表,改变基因串的配列顺序即改变流量调度的顺序。由于时间敏感网络流量调度存在流量周期性发送问题,且每条链路(工件)并非经过所有端口(机器),因此需要规定作业的总周期T以及每个工件的加工周期Ti和工序数Xi,实际染色体长度L为:
从左到右扫描染色体,对于第g次出现的工件序号,需要先判断这是该工件第几次加工,如果g-Xi=N,且,则表示该工件第r次加工的第(g-Xi)道工序。对于1个拥有2道工序需要加工2次的工件来说,染色体序列[1 1 1 1]表示的含义为:工件第1次加工的第1道工序,工件第1次加工的第2道工序,工件第2次加工的第1道工序,工件第2次加工的第2道工序。
为了更清楚理解信息流的传输以及与工件的关联关系,下面举例说明:
假设域控制器viu4和域控制器viu1之间存在信息流A(对应工件A),即域控制器viu4发送的信息经过交换机switch4的进口端口(简化记为端口1,对应到车间调度问题记为机器1)、交换机switch4的一个出口端口(简化记为端口2,对应到车间调度问题记为机器2)、交换机switch1的一个出口端口(简化记为端口3,对应到车间调度问题记为机器3)传输到域控制器viu1。所以,对于信息流A来说,有3跳(3次转发),分别在端口1,端口2和端口3;对于工件A来说,有3道工序,分别在机器1,机器2和机器3。这里的端口则为传输端口。
假设域控制器viu4和域控制器viu2之间存在信息流B(对应工件B),即域控制器viu4发送的信息经过交换机switch4的进口端口(简化记为端口1,对应到车间调度问题记为机器1)、交换机switch4的一个出口端口(该端口是向交换机switch2传输信息的,所以简化记为端口4,对应到车间调度问题记为机器4)、交换机switch2的一个出口端口(简化记为端口5,对应到车间调度问题记为机器5)传输到域控制器viu1。所以,对于信息流B来说,有3跳(3次转发),分别在端口1,端口4和端口5;对于工件B来说,有3道工序,分别在机器1,机器4和机器5。
假设域控制器viu3和域控制器viu2之间存在信息流C(对应工件C),即域控制器viu3发送的信息经过交换机switch3的进口端口(简化记为端口6,对应到车间调度问题记为机器6)、交换机switch3的一个出口端口(简化记为端口7,对应到车间调度问题记为机器7)、交换机switch2的一个出口端口(简化记为端口5,对应到车间调度问题记为机器5)传输到域控制器viu2。所以,对于信息流C来说,有3跳(3次转发),分别在端口6,端口7和端口5;对于工件C来说,有3道工序,分别在机器6,机器7和机器5。
图3示出了一种含有上述三个信息流(相当于三个工件)的染色体的图像表达形式,图像可以采用甘特图。图3中染色体表示的含义:
工件A的第1道工序在机器1,工件A的第2道工序在机器2,工件A的第3道工序在机器3。
工件B的第1道工序在机器1,(因为两个都在机器1,工件A先加工,所以工件B必须等工件A的工序1加工完再加工),工件B的第2道工序在机器4,工件B的第3道工序在机器5。
工件C的第1道工序在机器6,(因为工件A、工件B都没有用机器6,所以工件C可以在一开始就进行加工),工件C的第2道工序在机器7,工件C的第3道工序在机器5。(工件C的工序2结束后,本应开始在机器5开始工序3,但因为工件B的工序3先在机器5加工,而工件C的工序2结束后与工件B的工序3开始加工的时间间隔不够排列工件C的工序3,因此往后排)。对应的染色体可编码形式可表示为[1 1 1 2 2 2 3 3 3]。
如图4所示,在步骤S3中,所述利用改进的遗传算法对多种信息流传输排布方式进行优化,得到最优的信息流传输排布方式,具体包括:
S31:根据多种所述信息流传输排布方式生成多种染色体;一种所述信息流传输排布方式为一个染色体。
S32:将多种所述染色体随机组成多个初始种群,各所述初始种群的个体数相同。
S33:对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作(这里的选择操作可以应用锦标赛算法),得到选择后的种群。
对初始种群使用适应度函数计算并选择适应度更优的个体:适应度函数用来评价个体的优劣,个体的优劣决定了个体是否能进入下一代。本发明的评价准则为:各信息流在规定周期内完成传输,在优先保证所有信息流的端到端延迟时间之和最小的情况下,还可以考虑尽量使高优先级的信息流端到端延迟时间最小(在两个流量调度方案中,高优先级的延迟时间更小的那个方案更优)。设置加权因子规定不同优先级的权重;设置惩罚因子处理超周期问题,使不符合要求的染色体在后续选择中因为适应度过大而被剔除。
所述适应度函数的表达式为:
式中,Dsum表示所有信息流的端到端延时之和,Da表示CDT类(Control DataTraffic,控制类消息流)信息流Fa的端到端时延,Db表示SR(Stream Reservation,流预留类消息流) class A类信息流Fb的端到端时延,Dc表示SR class B类信息流Fc的端到端时延,Dd表示BE类(Best-Effort,尽力而为类消息流)信息流Fd的端到端时延,表示CDT类信息流的权重系数,表示SR class A类信息流的权重系数,表示SR class B类信息流的权重系数,表示BE类信息流的权重系数,为超周期惩罚因子;a、b、c、d表示信息流编号;n1表示CDT类信息流个数;n2表示SR class A类信息流个数;n3表示SR class B类信息流个数;n4表示BE类信息流个数。n1+n2+n3+n4=信息流总个数y。
根据域集中式电子电气架构网络拓扑模型中信息流的属性划分流的优先级:
控制类消息优先级最高,对应IEEE802.1Q优先级7级;摄像头与毫米波雷达进行传感器融合,对传输实时性有一定的要求,优先级3级;激光雷达信息量大,对带宽要求较高,对应优先级2级;其余信号属于普通以太网消息,与安全性无关,对实时性和准确性均未有要求,对应优先级1级。使用基于信用的整形技术(CBS,Credit-based Shaper)与时间感知整形调度技术(TAS,Time Awareness Shaper)结合的时间敏感网络混合调度机制,优先处理高优先级信息流数据,同时确保各优先级信息流数据的有效传输。
本发明实现了对智能网联汽车通信网络中多优先级、确定时延的流量调度:使用时间敏感网络混合调度机制,高优先级信息流优先,同时兼顾各优先级信息流数据的有效传输,实现了车载网络的确定性和实时性。
S34:对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作;所述自适应交叉概率是根据当前所述选择后的种群中个体最优适应度值、适应度中值和当前迭代次数确定。
传统遗传算法的交叉操作为:设置一个固定的交叉概率Pc,将群体中的个体随机两两配对,每对生成0-1的随机数,若随机数小于Pc则进行交叉操作,将两个染色体的某一位置或多个位置的某一段或多段基因序列进行交换,生成两个新的染色体,使种群得以更新。若随机数大于Pc则跳过交叉操作,进行下一步(变异操作)。本发明考虑个体适应度、种群中值适应度及迭代次数,提出一种自适应交叉概率公式。将固定值Pc改为适应交叉概率公式,其他交叉步骤同传统遗传算法一样。将符合自适应交叉概率公式的个体进行交叉操作,得到交叉后的种群,其中,每一交叉后的种群中包括交叉后的个体和未进行交叉的个体。
具体的,步骤S34包括:
S341:对当前每一所述选择后的种群,确定所述选择后的种群的适应度中值和适应度最优值,并对所述选择后的种群中的个体随机两两配对。
S342:对每对配对个体,确定所述配对个体中最小适应度值,并对每对配对个体随机生成[0,1]的第一随机数。
S343:对每对配对个体,根据配对个体中最小适应度值、当前所述选择后的种群的适应度中值和适应度最优值计算所述自适应交叉概率。
所述自适应交叉概率的表达式为:
式中,Pc为自适应交叉概率,M为迭代次数,K为指数系数,f为配对的个体体中最小适应度值,fmin为当前选择后的种群中适应度最优值,fmid为当前选择后的种群中适应度中值。
S344:判断所述第一随机数是否小于所述自适应交叉概率,得到第二判断结果。
若所述第二判断结果为是,则对当前所述配对个体进行交叉操作。
若所述第二判断结果为否,则当前所述配对个体不进行交叉操作。
本实施例,在步骤S34中的交叉操作中引入自适应概率,考虑了个体适应度、种群中值适应度及迭代次数对优化算法的影响,保留了优势个体,在迭代初期增加种群多样性,在迭代后期,防止不必要的波动,同时减小计算量,使得改进遗传算法具有更好的稳定性。
S35:对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作。
传统遗传算法的变异操作为:设置一个固定的变异概率Pm(本实施例中Pm=0.1,具体数值还可根据需求调整),每个染色体生成0-1的随机数,若随机数小于Pm则进行变异操作,即在染色体内部选取某一段基因与另一端基因进行位置互换,实现单个染色体的变异。若随机数大于Pm则跳过变异操作,直接进行下一步(移民操作)。
本发明在变异操作中引入禁忌搜索算法,仍按照原有变异概率进行个体的选择,并将需要进行变异操作的个体作为初始解,按照单个染色体变异的方式产生50个领域解,选取其中适应度更优的30个作为候选解;将染色体的基因序列位设置为禁忌表,避免重复迂回搜索;藐视准则基于适配值的原则,设置为某个禁忌候选解的适应度优于当前种群的适应度最优值,则解禁此禁忌候选解为当前状态并更新目前的最优值(更新当前禁忌表中的解);将个体迭代50次作为收敛准则,禁忌长度为25,即禁忌表中的对象在经过25次迭代后重新被考虑选取(解禁)。满足藐视准则可以理解为当前候选解的适应度值是否优于禁忌表中解的适应度值。将符合变异概率公式的个体进行引入禁忌搜索的变异操作,得到新种群。该段中所出现的具体数值仅仅是为了更清楚的说明本发明的方案,不具有任何限定作用。
具体的,步骤S35包括:
S351:对当前每一所述交叉后的种群中的每一待变异个体生成[0,1]的第二随机数。
S352:对每一所述待变异个体,判断所述第二随机数是否小于变异概率,得到第三判断结果;
若所述第三判断结果为否,则当前所述待变异个体不进行变异操作。
S353:若所述第三判断结果为是,则设置禁忌表和所述禁忌表中解的禁忌长度,并置空所述禁忌表,将当前所述待变异个体作为初始解,并对当前所述初始解按照单个染色体变异的方式产生多个邻域解。
S354:以所有所述信息流完成信息传输的延迟时间之和为适应度函数,计算当前每一所述邻域解对应的适应度值,并从多个当前所述邻域解中选出多个个体作为候选解;所述候选解对应的适应度值大于所述邻域解中非候选解对应的适应度值。
S355:从当前所述候选解中选取适应度最小的个体为目标候选解,判断当前所述目标候选解的适应值是否大于所述禁忌表中的解的适应度值,得到第四判断结果。
第一次迭代时,禁忌表为空,适应度值可视为是零,目标候选解的适应度值必然是大于禁忌表中解的适应度值。
S356:若所述第四判断结果为否,则从所述候选解中排除当前所述禁忌表中的解,得到筛选后的候选解,并将筛选后的候选解中适应度值最小的个体为所述初始解,并返回步骤S353中的“并对当前所述初始解按照单个染色体变异的方式产生多个邻域解”。
S357:若所述第四判断结果为是,则将当前所述禁忌表中的解替换为当前所述目标候选解。
S358:判断当前搜索迭代次数是否为第二最大迭代次数,得到第五判断结果。
若所述第五判断结果为否,则令当前所述目标候选解为所述初始解,并返回步骤S353中的“并对当前所述初始解按照单个染色体变异的方式产生多个邻域解”,直至达到所述第二最大迭代次数。
若所述第五判断结果为是,则当前所述目标候选解为当前所述个体的变异个体。
本实施例中,在步骤S35中的变异操作中引入禁忌搜索,可确保每个被选择的变异个体朝着适应度更优方向进行,提高了局部寻优能力,使得改进遗传算法具有更好的局部寻优能力。
S36:将当前每一变异后的种群中的适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中的适应度值最大的个体,得到移民后的种群,所述移民后的种群为下一代种群。
选出各变异后的种群中最优个体作为移民算子,替代另一变异后的种群中的最差个体;最终将最差个体被替换的各变异后种群的进化结果进行对比,选出最优个体。
具体的,步骤S36包括:
S361:将当前每一所述变异后的种群中的适应度值最小的个体作为移民算子。
S362:随机选取一个所述变异后的种群对应的所述移民算子。
S363:利用选取的移民算子替换目标变异后的种群中适应度值最大的个体;所述目标变异后的种群为任意一个种群中适应度值最大的个体未被替换的变异后种群。
S364:判断当前每一所述变异后的种群中的适应度值最大的个体是否被替换,得到第六判断结果。
若所述第六判断结果为否,则从未被选取的所述移民算子中随机选取一个作为所述选取的移民算子,并返回步骤S363中的“利用选取的移民算子替换目标变异后的种群中适应度值最大的个体”。
若所述第六判断结果为是,则得到每一所述移民后的种群。
在步骤S36中,设置了初始值不同(不同染色体)的四个种群,丰富群体多样性,利用移民算子实现多种群联合优化。本发明的改进算法兼顾了全局搜索和局部搜索,从结果来看,迭代收敛速度快,优化效果明显。
S37:判断当前种群迭代次数是否满足第一最大迭代次数,得到第一判断结果。
若所述第一判断结果为否,则令每一所述下一代种群为当前每一所述初始种群,并返回步骤S33“对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群”,直至达到第一最大迭代次数。
若所述第一判断结果为是,则从当前各所述移民后的种群中选择适应度值最优的个体,得到所述最优的信息流传输排布方式,即所有信息流完成传输的最优流量调度策略。
S4:依据所述最优流量调度策略实现所述智能网联汽车的信息传输。
本实施例中,以域集中式电子电气架构为对象,分析信息流属性,制定时间敏感网络流量调度策略,在传统遗传算法基础上,进行了改进:设置考虑个体优势、种群效果及迭代进程的自适应交叉概率因子公式,更大程度保存种群中优势个体,保证遗传算法的稳定性;变异操作中嵌入禁忌搜索算法,增强局部寻优能力,加快迭代收敛速度;构建了多个种群,增强个体多样性,通过移民算子联系各种群,兼顾了算法的全局搜索和局部搜索。使得改进的遗传算法对比传统遗传算法在稳定性、局部寻优能力、迭代速度和结果上都有明显提升,并通过改进的遗传算法成功解决车载时间敏感网络流量调度问题。
实施例2
本实施例提供一种面向智能网联汽车的时间敏感网络流量调度系统,所述系统包括:
信息流获取模块T1,用于获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流和信息流属性以及每一所述信息流从源节点至目标节点所经过的所有传输端口及传输端口执行顺序;所述源节点为所述智能网联汽车中的信息发送设备;所述目标节点为所述智能网联汽车中的信息接收设备。
信息流传输端口排布方式获取模块T2,用于根据每一所述信息流经过的所有所述传输端口以及所述传输端口执行顺序对所有所述信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式。
最优流量调度策略确定模块T3,用于以所有所述信息流完成信息传输的延迟时间之和最小,且高优先级的所述信息流的延迟时间最小为目标,利用改进的遗传算法对多种信息流传输排布方式进行优化,得到最优的信息流传输排布方式,即为所有信息流完成传输的最优流量调度策略;在所述改进的遗传算法中,交叉操作引入了自适应概率,变异操作引入了禁忌搜索算法;所述信息流的优先级高低是基于信息流属性划分的。
信息传输模块T4,用于依据所述最优流量调度策略实现所述智能网联汽车的信息传输。
所述最优流量调度策略确定模块T3具体包括:
染色体编码子模块T31,用于根据多种信息流传输排布方式生成多种染色体;一种所述信息流传输排布方式为一个染色体。
初始种群构建子模块T32,用于将多种所述染色体随机组成多个初始种群,各所述初始种群的个体数相同。
选择操作子模块T33,用于对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群。
交叉操作子模块T34,用于对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作;所述自适应交叉概率是根据当前所述选择后的种群中个体最优适应度值、适应度中值和当前迭代次数确定。
变异操作子模块T35,用于对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作。
移民操作子模块T36,用于将当前每一变异后的种群中的适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中的适应度值最大的个体,得到移民后的种群,所述移民后的种群为下一代种群。
第一判断子模块T37,用于判断当前种群迭代次数是否满足第一最大迭代次数,得到第一判断结果。
若所述第一判断结果为否,则令每一所述下一代种群为当前每一所述初始种群,并返回步骤“对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群”,直至达到第一最大迭代次数。
若所述第一判断结果为是,则从当前各所述移民后的种群中选择适应度值最优的个体,得到所述最优的信息流传输排布方式。
所述交叉操作子模块T34具体包括:
适应度计算及个体配对单元T341,用于对当前每一所述选择后的种群,确定所述选择后的种群的适应度中值和适应度最优值,并对所述选择后的种群中的个体随机两两配对。
第一随机数生成单元T342,用于对每对配对个体,确定所述配对个体中最小适应度值,并对每对配对个体随机生成[0,1]的第一随机数。
自适应交叉概率计算单元T343,用于对每对配对个体,根据配对个体中最小适应度值、当前所述选择后的种群的适应度中值和适应度最优值计算所述自适应交叉概率。
第二判断单元T344,用于判断所述第一随机数是否小于所述自适应交叉概率,得到第二判断结果。
若所述第二判断结果为是,则对当前所述配对个体进行交叉操作。
若所述第二判断结果为否,则当前所述配对个体不进行交叉操作。
每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种面向智能网联汽车的时间敏感网络流量调度方法,其特征在于,所述方法包括:
获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流和信息流属性以及每一所述信息流从源节点至目标节点所经过的所有传输端口及传输端口执行顺序;所述源节点为所述智能网联汽车中的信息发送设备;所述目标节点为所述智能网联汽车中的信息接收设备;
根据每一所述信息流经过的所有所述传输端口以及所述传输端口执行顺序对所有所述信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式;
以所有所述信息流完成信息传输的延迟时间之和最小,且高优先级的所述信息流的延迟时间最小为目标,利用改进的遗传算法对多种所述信息流传输排布方式进行优化,得到最优的信息流传输排布方式;在所述改进的遗传算法中,交叉操作引入了自适应概率,变异操作引入了禁忌搜索算法;所述信息流的优先级高低是基于所述信息流属性划分的;
依据所述最优的信息流传输排布方式实现所述智能网联汽车的信息传输;
所述利用改进的遗传算法对多种所述信息流传输排布方式进行优化,得到最优的信息流传输排布方式,具体包括:
根据多种所述信息流传输排布方式生成多种染色体;一种所述信息流传输排布方式为一个染色体;
将多种所述染色体随机组成多个初始种群,各所述初始种群的个体数相同;
对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群;
对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作;所述自适应交叉概率是根据当前所述选择后的种群中个体最优适应度值、适应度中值和当前迭代次数确定;
对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作;
将当前每一变异后的种群中适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中适应度值最大的个体,得到移民后的种群,所述移民后的种群为下一代种群;
判断当前种群迭代次数是否满足第一最大迭代次数,得到第一判断结果;
若所述第一判断结果为否,则令每一所述下一代种群为当前每一所述初始种群,并返回步骤“对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群”,直至达到所述第一最大迭代次数;
若所述第一判断结果为是,则从当前各所述移民后的种群中选择适应度值最优的个体,得到所述最优的信息流传输排布方式。
2.根据权利要求1所述的面向智能网联汽车的时间敏感网络流量调度方法,其特征在于,所述对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作,具体包括:
对当前每一所述选择后的种群,确定所述选择后的种群的适应度中值和适应度最优值,并对所述选择后的种群中的个体随机两两配对;
对每对配对个体,确定所述配对个体中最小适应度值,并对每对所述配对个体随机生成[0,1]的第一随机数;
对每对所述配对个体,根据所述最小适应度值、所述适应度中值和所述适应度最优值计算所述自适应交叉概率;
判断所述第一随机数是否小于所述自适应交叉概率,得到第二判断结果;
若所述第二判断结果为是,则对当前所述配对个体进行交叉操作;
若所述第二判断结果为否,则当前所述配对个体不进行交叉操作。
3.根据权利要求2所述的面向智能网联汽车的时间敏感网络流量调度方法,其特征在于,所述自适应交叉概率的表达式为:
,
式中,P c为自适应交叉概率,M为迭代次数,K为指数系数,f为配对的个体中最小适应度值,f min 为当前选择后的种群中适应度最优值,f mid 为当前选择后的种群中适应度中值。
4.根据权利要求1所述的面向智能网联汽车的时间敏感网络流量调度方法,其特征在于,所述对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作,具体包括:
对当前每一所述交叉后的种群中的每一待变异个体生成[0,1]的第二随机数;
对每一所述待变异个体,判断所述第二随机数是否小于变异概率,得到第三判断结果;
若所述第三判断结果为否,则当前所述待变异个体不进行变异操作;
若所述第三判断结果为是,则设置禁忌表和所述禁忌表中解的禁忌长度,并置空所述禁忌表,将当前所述待变异个体作为初始解,并对当前所述初始解按照单个染色体变异的方式产生多个邻域解;
以所有所述信息流完成信息传输的延迟时间之和为适应度函数,计算当前每一所述邻域解对应的适应度值,并从多个当前所述邻域解中选出多个个体作为候选解;所述候选解对应的适应度值大于所述邻域解中非候选解对应的适应度值;
从当前所述候选解中选取适应度最小的个体为目标候选解,判断当前所述目标候选解的适应值是否大于所述禁忌表中的解的适应度值,得到第四判断结果;
若所述第四判断结果为否,则从所述候选解中排除当前所述禁忌表中的解,得到筛选后的候选解,并将所述筛选后的候选解中适应度值最小的个体为所述初始解,并返回步骤“并对当前所述初始解按照单个染色体变异的方式产生多个邻域解”;
若所述第四判断结果为是,则将当前所述禁忌表中的解替换为当前所述目标候选解;
判断当前搜索迭代次数是否为第二最大迭代次数,得到第五判断结果;
若所述第五判断结果为否,则令当前所述目标候选解为所述初始解,并返回步骤“并对当前所述初始解按照单个染色体变异的方式产生多个邻域解”,直至达到所述第二最大迭代次数;
若所述第五判断结果为是,则当前所述目标候选解为当前所述待变异个体的变异个体。
5.根据权利要求4所述的面向智能网联汽车的时间敏感网络流量调度方法,其特征在于,所述适应度函数的表达式为:
,
式中,D sum 表示所有信息流的端到端延时之和,Da表示控制类信息流的端到端时延,Db表示流预留A类信息流的端到端时延,Dc表示流预留B类信息流的端到端时延,Dd表示尽力而为类信息流的端到端时延,表示控制类信息流的权重系数,表示流预留A类信息流的权重系数,表示流预留B类信息流的权重系数,表示尽力而为类信息流的权重系数,为超周期惩罚因子;a、b、c、d表示信息流编号;n 1表示控制类信息流个数;n 2表示流预留A类信息流个数;n 3表示流预留B类信息流个数;n 4表示尽力而为类信息流个数。
6.根据权利要求1所述的面向智能网联汽车的时间敏感网络流量调度方法,其特征在于,所述将当前每一变异后的种群中适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中适应度值最大的个体,得到移民后的种群,具体包括:
将当前每一所述变异后的种群中的适应度值最小的个体作为移民算子;
随机选取一个所述移民算子;
利用选取的移民算子替换目标变异后的种群中适应度值最大的个体;所述目标变异后的种群为任意一个种群中适应度值最大的个体未被替换的变异后种群;
判断当前每一所述变异后的种群中适应度值最大的个体是否被替换,得到第六判断结果;
若所述第六判断结果为否,则从未被选取的所述移民算子中随机选取一个作为所述选取的移民算子,并返回步骤“利用选取的移民算子替换目标变异后的种群中适应度值最大的个体”;
若所述第六判断结果为是,则得到每一所述移民后的种群。
7.一种基于权利要求1至6任一项所述的方法的面向智能网联汽车的时间敏感网络流量调度系统,其特征在于,所述系统包括:
信息流获取模块,用于获取智能网联汽车应用时间敏感网络进行信息传输时的所有信息流和信息流属性以及每一所述信息流从源节点至目标节点所经过的所有传输端口及传输端口执行顺序;所述源节点为所述智能网联汽车中的信息发送设备;所述目标节点为所述智能网联汽车中的信息接收设备;
信息流传输端口排布方式获取模块,用于根据每一所述信息流经过的所有所述传输端口以及所述传输端口执行顺序对所有所述信息流的传输执行顺序进行随机排布,得到多种信息流传输排布方式;
最优流量调度策略确定模块,用于以所有所述信息流完成信息传输的延迟时间之和最小,且高优先级的所述信息流的延迟时间最小为目标,利用改进的遗传算法对多种所述信息流传输排布方式进行优化,得到最优的信息流传输排布方式;在所述改进的遗传算法中,交叉操作引入了自适应概率,变异操作引入了禁忌搜索算法;所述信息流的优先级高低是基于所述信息流属性划分的;
信息传输模块,用于依据所述最优的信息流传输排布方式实现所述智能网联汽车的信息传输;
所述最优流量调度策略确定模块具体包括:
染色体编码子模块,用于根据多种所述信息流传输排布方式生成多种染色体;一种所述信息流传输排布方式为一个染色体;
初始种群构建子模块,用于将多种所述染色体随机组成多个初始种群,各所述初始种群的个体数相同;
选择操作子模块,用于对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群;
交叉操作子模块,用于对当前每一所述选择后的种群,根据自适应交叉概率进行种群个体的交叉操作;所述自适应交叉概率是根据当前所述选择后的种群中个体最优适应度值、适应度中值和当前迭代次数确定;
变异操作子模块,用于对当前每一交叉后的种群,引入禁忌搜索算法进行变异操作;
移民操作子模块,用于将当前每一变异后的种群中适应度值最小的个体作为移民算子,利用所有所述移民算子替换每一所述变异后的种群中适应度值最大的个体,得到移民后的种群,所述移民后的种群为下一代种群;
第一判断子模块,用于判断当前种群迭代次数是否满足第一最大迭代次数,得到第一判断结果;
若所述第一判断结果为否,则令每一所述下一代种群为当前每一所述初始种群,并返回步骤“对当前每一初始种群,计算所述初始种群中各个体的适应度值,并根据所述适应度值进行选择操作,得到选择后的种群”,直至达到所述第一最大迭代次数;
若所述第一判断结果为是,则从当前各所述移民后的种群中选择适应度值最优的个体,得到所述最优的信息流传输排布方式。
8.根据权利要求7所述的面向智能网联汽车的时间敏感网络流量调度系统,其特征在于,所述交叉操作子模块具体包括:
适应度计算及个体配对单元,用于对当前每一所述选择后的种群,确定所述选择后的种群的适应度中值和适应度最优值,并对所述选择后的种群中的个体随机两两配对;
第一随机数生成单元,用于对每对配对个体,确定所述配对个体中最小适应度值,并对每对所述配对个体随机生成[0,1]的第一随机数;
自适应交叉概率计算单元,用于对每对所述配对个体,根据所述最小适应度值、所述适应度中值和所述适应度最优值计算所述自适应交叉概率;
第二判断单元,用于判断所述第一随机数是否小于所述自适应交叉概率,得到第二判断结果;
若所述第二判断结果为是,则对当前所述配对个体进行交叉操作;
若所述第二判断结果为否,则当前所述配对个体不进行交叉操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171559.XA CN115883475B (zh) | 2023-02-28 | 2023-02-28 | 面向智能网联汽车的时间敏感网络流量调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171559.XA CN115883475B (zh) | 2023-02-28 | 2023-02-28 | 面向智能网联汽车的时间敏感网络流量调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115883475A CN115883475A (zh) | 2023-03-31 |
CN115883475B true CN115883475B (zh) | 2023-05-12 |
Family
ID=85761697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310171559.XA Active CN115883475B (zh) | 2023-02-28 | 2023-02-28 | 面向智能网联汽车的时间敏感网络流量调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115883475B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450498A (zh) * | 2017-09-11 | 2017-12-08 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242503B (zh) * | 2020-01-21 | 2022-02-18 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
CN112953830B (zh) * | 2021-01-28 | 2022-12-23 | 北京邮电大学 | 时间敏感网络中流量帧的路由规划调度方法及装置 |
CN114862090A (zh) * | 2022-03-09 | 2022-08-05 | 合肥工业大学 | 基于改进多目标遗传算法的车间调度方法和系统 |
-
2023
- 2023-02-28 CN CN202310171559.XA patent/CN115883475B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450498A (zh) * | 2017-09-11 | 2017-12-08 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115883475A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zang et al. | Metalight: Value-based meta-reinforcement learning for traffic signal control | |
CN108900419B (zh) | Sdn架构下基于深度强化学习的路由决策方法及装置 | |
CN114697229B (zh) | 一种分布式路由规划模型的构建方法及应用 | |
CN112953830B (zh) | 时间敏感网络中流量帧的路由规划调度方法及装置 | |
CN111770019B (zh) | 基于Dijkstra算法的Q-learning光片上网络自适应路由规划方法 | |
Xiong et al. | Communication and computing resource optimization for connected autonomous driving | |
CN112346854A (zh) | 一种分层协同决策的网内资源调度方法及系统、存储介质 | |
CN111211987B (zh) | 网络中流量动态调整方法、系统、电子设备及存储介质 | |
CN105933227A (zh) | 软件定义卫星网络中的路由决策及流表一致性优化的方法 | |
CN115883475B (zh) | 面向智能网联汽车的时间敏感网络流量调度方法及系统 | |
CN115529278A (zh) | 基于多智能体强化学习的数据中心网络ecn自动调控方法 | |
CN111340192A (zh) | 网络路径分配模型训练方法、路径分配方法、以及装置 | |
Zhou et al. | Multi-task deep learning based dynamic service function chains routing in SDN/NFV-enabled networks | |
Hu et al. | Learning model parameters for decentralized schedule-driven traffic control | |
Timotheou et al. | Towards distributed online cooperative traffic signal control using the cell transmission model | |
Molinari et al. | Traffic automation in urban road networks using consensus-based auction algorithms for road intersections | |
Liu et al. | GA-DRL: Graph Neural Network-Augmented Deep Reinforcement Learning for DAG Task Scheduling over Dynamic Vehicular Clouds | |
CN113676407A (zh) | 一种通信网的深度学习驱动的流量优化机制 | |
Kumar et al. | Confidence-based q-routing: An on-line adaptive network routing algorithm | |
CN117596158A (zh) | 一种基于pmoa算法的列车通信网络流量调度优化方法 | |
CN111478800A (zh) | 一种基于k-nn算法的dse优化方法及装置 | |
Liu et al. | Latency-robust control of high-speed signal-free intersections | |
Swain et al. | CoDRL: Intelligent packet routing in SDN using convolutional deep reinforcement learning | |
CN116112440B (zh) | 面向时间敏感网络的车载通讯架构多目标优化方法及系统 | |
Ye et al. | Fairlight: Fairness-aware autonomous traffic signal control with hierarchical action space |
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 |