CN116112440B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN116112440B
CN116112440B CN202310107217.1A CN202310107217A CN116112440B CN 116112440 B CN116112440 B CN 116112440B CN 202310107217 A CN202310107217 A CN 202310107217A CN 116112440 B CN116112440 B CN 116112440B
Authority
CN
China
Prior art keywords
population
objective function
objective
individual
vehicle
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
CN202310107217.1A
Other languages
English (en)
Other versions
CN116112440A (zh
Inventor
张旭东
邹渊
孙文景
温雅
杨小龙
赵柯鑫
商一凡
李圆圆
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310107217.1A priority Critical patent/CN116112440B/zh
Publication of CN116112440A publication Critical patent/CN116112440A/zh
Application granted granted Critical
Publication of CN116112440B publication Critical patent/CN116112440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • 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)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明公开一种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，涉及车载通讯架构优化技术领域，先建立用于对车载以太网网络架构进行优化的多目标优化模型，多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数，然后利用多目标优化算法对多目标优化模型进行优化求解，得到车载以太网网络架构的优化方案，从而针对面向时间敏感网络的区域‑功能域电子电气架构，进行了以负载均衡、网络端口数合理和信息流端到端延时最低为优化目标的多目标优化，优化效果好。

Description

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
技术领域
本发明涉及车载通讯架构优化技术领域，特别是涉及一种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。
背景技术
随着车辆向智能化、网联化发展，车辆功能变得更加复杂，控制器之间需要更大的通讯带宽来传输越来越复杂的信息，软件定义、数据驱动车辆推动了新型电子电气架构的发展，新型电子电气架构逐步从基于域控制器的电子电气架构（Domain basedArchitectures）演化到基于区域-功能域控制器的电子电气架构（Zone-Domain basedArchitectures）。区域-功能域控制器的电子电气架构将车辆分成多个区域，分布于整车各处的区域控制器（Zone Control Unit，ZCU）负责对辖管的传感器和执行器进行信息采集和控制，但是ZCU并不进行复杂功能处理，而是将信息通过骨干网络传至对应的域控制器（Domain Control Unit，DCU）进行决策运算。此时，一个既能保证传输低延时又能实现传输的确定性、安全性的通讯网络是该架构实施的基础。引入时间敏感网络（Time sensitivenetwork，TSN）的以太网在目前被认为是具有最优潜力的解决方案。TSN定义了一个IEEE标准化协议组，是一种确保以太网流量实时传输的机制，其主要特点是能够满足多种信息流的需求，如低延迟、低抖动和高可靠性等。
目前存在以线束成本最低、线束质量最好和线路负载最小作为优化目标，将CAN、以太网、LIN和LVDS的总线长度作为变量，使用NSGA-II进行电子电气架构多目标优化的方法。然而该方法的架构侧重于传统的通讯网络，TSN的引入为车载通讯架构设计提出了新问题，即TSN的流量调度机制让信息流的端到端延时成为优化的重点。基于IEEE 802.1Qbv协议的流量调度机制是TSN实现低延时的核心机制，通过调度算法确定所有数据帧在端口的传输顺序和传输时间，生成门控制列表（GCL）是实现TSN确定性和低延时的关键。针对流量调度问题这个NP-Hard问题，在可接受时间内获得可行的调度方案是评估架构合理性的基础。目前存在很多的使用整数线性规划、启发式算法等方法求解流量调度问题，然而以上方法主要通过改进求解策略以提高调度效果减少延时，而忽略了车载通讯架构本身对延时的影响，进一步降低延时需要考虑车载通讯架构的优化设计。
车载网络中众多传感器和控制器的连接关系构成了车载通讯架构。车载通讯架构对成本、网络负载分布和网络延时有着直接影响。在引入TSN的区域-功能域架构中，传感器的分布位置与功能具有很强的相关性，单纯的按照距离将传感器与ZCU就近连接不一定能够获得最好的传输效果。因此通过多目标优化算法高效求解传感器、ZCU和DCU的连接，形成低成本、低延时的车载通讯架构是电子电气架构优化设计的关键。
基于此，亟需一种面向时间敏感网络的车载通讯架构多目标优化技术。
发明内容
本发明的目的是提供一种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，针对面向时间敏感网络的区域-功能域电子电气架构，进行了以负载均衡、网络端口数合理和信息流端到端延时最低为优化目标的多目标优化，优化效果好。
为实现上述目的，本发明提供了如下方案：
一种面向时间敏感网络的车载通讯架构多目标优化方法，包括：
建立用于对车载以太网网络架构进行优化的多目标优化模型；所述多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数；
利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案。
一种面向时间敏感网络的车载通讯架构多目标优化系统，包括：
模型建立模块，用于建立用于对车载以太网网络架构进行优化的多目标优化模型；所述多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数；
优化求解模块，用于利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案。
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：
本发明用于提供一种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，先建立用于对车载以太网网络架构进行优化的多目标优化模型，多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数，然后利用多目标优化算法对多目标优化模型进行优化求解，得到车载以太网网络架构的优化方案，从而针对面向时间敏感网络的区域-功能域电子电气架构，进行了以负载均衡、网络端口数合理和信息流端到端延时最低为优化目标的多目标优化，优化效果好。
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所提供的多目标优化方法的方法流程图；
图2为本发明实施例1所提供的多目标优化方法的总体框架图；
图3为本发明实施例1所提供的多种群遗传算法的求解示意图；
图4为本发明实施例1所提供的多目标优化算法的求解示意图；
图5为本发明实施例1所提供的传感器和域控制器分布的示意图；
图6为本发明实施例1所提供的一种专家设计的以太网网络拓扑的示意图；
图7为本发明实施例1所提供的专家设计的以太网网络拓扑的抽象示意图；
图8为本发明实施例1所提供的MPGA与GA收敛性对比示意图；
图9为本发明实施例1所提供的MPGA与GA信息流延时对比示意图；
图10为本发明实施例1所提供的改进NAGA-II与NSGA-II负载适应度收敛对比示意图；
图11为本发明实施例1所提供的改进NAGA-II与NSGA-II延时适应度收敛对比示意图；
图12为本发明实施例2所提供的多目标优化系统的系统框图。
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。
本发明的目的是提供一种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，针对面向时间敏感网络的区域-功能域电子电气架构，进行了以负载均衡、网络端口数合理和信息流端到端延时最低为优化目标的多目标优化，优化效果好。
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：
本实施例用于提供一种面向时间敏感网络的车载通讯架构多目标优化方法，如图1和图2所示，包括：
S1：建立用于对车载以太网网络架构进行优化的多目标优化模型；所述多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数；
本实施例中，车载通讯架构即指车载以太网网络架构，本实施例的目的是在已知车载以太网网络架构所包括的传感器、ZCU和DCU的数量以及传感器、ZCU和DCU之间的邻接矩阵的基础上，对传感器、ZCU和DCU之间的连接关系进行优化。定义
Figure SMS_1
为邻接矩阵，该矩阵由0和1组成，邻接矩阵第i行第j列的元素值Aij=1，则表示i，j两个节点可以连接；Aij=0，则表示i，j两个节点不可以连接，i，j节点均包括所有的传感器、ZCU和DCU。
在S1之前，本实施例的面向时间敏感网络的智能车辆车载通讯架构多目标优化方法还包括：对车载以太网网络架构进行数学建模，数学建模即抽象出车辆架构模型和信息流模型的过程，该数学建模过程可以包括：
（1）网络架构拓扑建模：
网络架构拓扑建模即将网络架构拓扑抽象为一个有向图，可以包括：建立车载以太网网络架构的网络拓扑有向图，网络拓扑有向图包括多个节点以及连接两个节点的有向边，节点包括所有的传感器、ZCU和DCU，网络拓扑有向图即为用于表征传感器、ZCU和DCU之间的连接关系的有向图。本实施例可根据邻接矩阵生成多个网络拓扑有向图。
将网络架构拓扑抽象为一个有向图，所得到的网络拓扑有向图如下所示：
Figure SMS_2
；
其中，G为网络拓扑有向图；V为包括N个节点的节点集合；E为表示物理链路的所有有向边的集合；eij为节点i和节点j之间的有向边。为每条有向边eij赋予权重uij和cij，uij表示链路的带宽，cij表示在一个超周期内负载占用的带宽。
（2）车载以太网网络架构的信息流模型：
本实施例还建立车载以太网网络架构的信息流模型，信息流模型为六维元组，包括信息流的源节点、终端节点、占用带宽、发送周期、截至期限和优先级。
信息流的六维元组表示如下：
Figure SMS_3
；
其中，fk表示信息流；ns,k表示源节点；nd,k表示终端节点；
Figure SMS_4
；ck表示fk需要占用的带宽大小，即占用带宽；pk表示发送周期；Dk表示截至期限；/>
Figure SMS_5
表示优先级。
本实施例中，所有的信息流是已知的，故可用上述的信息流模型来对每一信息流进行表示。信息流的路由选择通过最短路径法确定，则对于信息流fk的路由选择，通过两个单一节点的最短路径法获得，如下所示：
Figure SMS_6
；
其中，P表示路由路径；G表示网络拓扑有向图。经过上述路由选择，即可确定每一信息流的信息传递路径。
端到端延时是信息流从源节点发送到终端节点接收的时间差，端到端延时的计算公式如下所示：
Figure SMS_7
；
其中，
Figure SMS_8
为端到端延时；/>
Figure SMS_9
代表排队延时，当两个信息流在同一时刻需要通过同一个端口发送时就会产生排队延时；/>
Figure SMS_10
代表传输延时，由数据量和带宽决定。
本实施例基于上述数学建模的结果构建了基于骨干网负载均衡、区域控制器（ZCU）的交换芯片（Switch）端口数合理和信息流端到端延时最低的用于车载以太网网络架构优化的多目标优化模型，多目标优化模型的优化目标为三个目标函数都取最小值，输入变量为DCU和传感器相对于多个ZCU的连接关系（即车载以太网网络架构），且连接关系必须遵从邻接矩阵，故本实施例所建立的多目标优化模型如下：
Figure SMS_11
；
约束条件
Figure SMS_12
；
其中，J为总目标函数；
Figure SMS_13
为第一权重系数；o1为第一目标函数；/>
Figure SMS_14
为第二权重系数；o2为第二目标函数；/>
Figure SMS_15
为第三权重系数；o3为第三目标函数；i，j均为网络拓扑有向图的节点；N为网络拓扑有向图的节点的总个数；Aij为邻接矩阵的第i行第j列的元素值。
具体的，第一目标函数，也即骨干网负载分配的适应度函数为：
Figure SMS_16
；
Figure SMS_17
；
其中，o1为第一目标函数；std为均方差，代表着数据的离散程度，o1越小，代表骨干网占用负载分布越均匀；约束条件是骨干网络的负载占用必须小于最高带宽。cij为在一个超周期内Switch节点i和Switch节点j之间的负载占用的带宽；uij为Switch节点i和Switch节点j之间的链路的带宽；Ns为所有Switch节点组成的集合。
考虑到总体设计，某些位置的传感器可能确实多于其余位置，因此允许有一个Switch的端口数较多，其余Switch的端口数要尽可能的平均。本实施例假设为了保证Switch的有效性，每个Switch必须与至少一个传感器或DCU连接，则第二目标函数，也即Switch端口数量的适应度函数为：
Figure SMS_18
；
其中，o2为第二目标函数；port_numberi为第i个Switch的端口数；
Figure SMS_19
为去掉最大端口数之后的第i个Switch的端口数。
在车载通讯中希望信息流的端到端延时越低越好，则第三目标函数，也即端到端延时的适应度函数为：
Figure SMS_20
；
其中，o3为第三目标函数；JTSN为信息流的端到端延时。
信息流的端到端延时的求解就是对流量调度问题的求解，为了有效评估信息流延时，本实施例将TSN流量调度问题抽象为周期性车间调度问题（JSP），提出适用于流量调度的MPGA算法进行求解，该算法极大的提高了求解速度和调度效果。
将流量调度问题抽象为周期性的JSP模型包括：将信息流抽象为需要作业的工件，将每个发送端口抽象为机器，将信息流的路由过程抽象为工序。流量调度问题引入了以下新规则：（1）不同于JSP问题工件必须在上一步加工时间全部完成后才可以进行下一步加工，流量调度问题的信息路由下一跳在信息流的第一帧发送完成后就可以开始；（2）周期性的信息首次发送的时间是自由的，但是后续周期的发送时间需要满足的约束如下所示：
Figure SMS_21
；
其中，tk,n,1表示信息流fk的第n个周期第一跳的发送开始时间；tk,1,1表示信息流fk的首次发送时间；pk表示发送周期；tk,n,last表示信息流fk的第n个周期最后一跳的发送开始时间；
Figure SMS_22
表示超周期内的最后一帧信息到达的时间；Hyper_Period代表信息流的超周期，是所有流发送周期的最小公倍数。
基于此，第三目标函数的计算方法为：
（1）建立用于计算信息流的端到端延时的目标模型。
该目标模型也即流量调度问题的以各优先级的通信流的端到端延迟最小为目标的约束函数，如下：
Figure SMS_23
；
Figure SMS_24
；
其中，JTSN为信息流的端到端延时；
Figure SMS_25
，/>
Figure SMS_26
和/>
Figure SMS_27
分别为三种优先级的信息流延时的权重系数；FH，FM和FL分别为三种优先级的信息流的集合；/>
Figure SMS_28
为信息流fk的端到端延时；DH，DM，DL分别为三种优先级的信息流的截止时间。
（2）利用多种群遗传算法对目标模型进行求解，得到信息流的端到端延时。
本实施例提出适用于流量调度问题的多种群遗传算法（MPGA）进行求解，各个种群之间通过移民算子实现协同优化，则如图3所示，利用多种群遗传算法对目标模型进行求解，得到信息流的端到端延时可以包括：
（2.1）生成多个初始种群，初始种群的一个个体为信息流的一种调度策略。
调度策略即包括所有信息流的传输时间和传输顺序。初始种群的每一个体均需要编码，编码方式采用基于工序的编码方式，每个染色体是所有工序的一个排列，考虑到周期性问题，每个信息流序号出现次数Ki如下所示：
Figure SMS_29
；
其中，Pi为信息流i的周期；ki为每次发送需要经过的switch端口数。因此，在解码过程中第n次出现的第i个信息流序号，它体现的发送周期和发送节点可以通过n与ki的商和余数来判断。
（2.2）利用目标模型计算每一初始种群的每一个体的适应度值。
（2.3）对于每一初始种群，基于初始种群的每一个体的适应度值进行选择、交叉和变异，得到子代种群；对初始种群和子代种群进行合并，得到合并后种群。
选择操作选用混合锦标选择和最佳个体保存两种方式。
交叉方式选择基于工序编码的交叉算子，它能够在很好的继承父代的优良特征的同时保证子代的可行性。
变异操作采用随机选择一个基因然后将其插入到一个随机的位置。
（2.4）利用目标模型计算每一合并后种群的每一个体的适应度值；基于每一合并后种群的每一个体的适应度值进行排序和移民，得到每一合并后种群的筛选后种群。
对每一合并后种群中的个体进行排序，确定最优个体和最差个体，适应度值越低，则个体越优。N个合并后种群首尾相连，每个种群都是单独进化的，因此每次迭代后，将Pi+1种群的最差个体替换为Pi种群的最优个体，即利用Pi种群的最优个体替换Pi+1种群的最差个体，对于P1种群，则是将PN的最优个体替换P1种群的最差个体。
（2.5）判断是否达到迭代终止条件；若是，则对所有筛选后种群进行比较，确定最优解，基于最优解确定信息流的端到端延时；若否，则以所有筛选后种群作为下一迭代的初始种群，返回“对于每一初始种群，基于初始种群的每一个体的适应度值进行选择、交叉和变异，得到子代种群”的步骤。
本实施例的迭代终止条件可为是否达到最大迭代次数，若达到最大迭代次数，则迭代终止。最优解的确定方式为：选取所有筛选后种群中适应度值最小的个体作为最优解，即在迭代结束后，对所有筛选后种群的最优解进行比较，选择适应度最低的个体所代表的调度策略作为本次求解的最优解。
S2：利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案。
本实施例的多目标优化算法可为NSGA-II算法，则如图4所示，S2可以包括：
（1）生成初始种群，初始种群的一个个体为车载以太网网络架构的一种设计方案。
设计方案可用一种网络拓扑有向图来表示。初始种群的个体的编码方式为：染色体中第i个基因所代表的数值j代表节点i与节点j连接，其中
Figure SMS_30
且
Figure SMS_31
。
在种群的初始化设计中考虑端口数的约束，保证所有个体都满足端口数的约束，可以快速过滤到很多无效解，提高种群质量。
（2）利用多目标优化模型计算初始种群的每一个体的适应度值；基于初始种群的每一个体的适应度值进行快速非支配排序和拥挤度计算，得到初始种群的每一个体的支配等级和拥挤距离。
快速非支配排序采用快速非支配排序算法。
（3）基于初始种群的每一个体的支配等级和拥挤距离进行选择、交叉和变异，得到更新后种群。
使用锦标赛选择算法进行选择，优先选择支配等级低的个体，当支配等级相同时，优先选择拥挤距离大的个体。
（4）将更新后种群和初始种群进行合并，得到合并后种群。
（5）利用多目标优化模型计算合并后种群的每一个体的适应度值；基于合并后种群的每一个体的适应度值进行快速非支配排序和拥挤度计算，得到合并后种群的每一个体的支配等级和拥挤距离；基于合并后种群的每一个体的支配等级和拥挤距离进行个体选择，得到筛选后种群。
（6）判断是否达到迭代终止条件；若是，则基于筛选后种群生成Pareto最优解，Pareto最优解即为车载以太网网络架构的优化方案；若否，则以筛选后种群作为下一次迭代的初始种群，返回“基于初始种群的每一个体的支配等级和拥挤距离进行选择、交叉和变异”的步骤。
本实施例的迭代终止条件可为是否达到最大迭代次数，若达到最大迭代次数，则迭代终止。基于筛选后种群生成Pareto最优解可以包括：选取筛选后种群中Pareto等级1的解组成本次求解的最优解备选方案，再通过人工筛选获得Pareto最优解。
优选的，为提高算法的求解效率，本实施例对NSGA-II算法的交叉变异概率进行基于拥挤程度和迭代次数的自适应改进，得到改进NSGA-II算法，利用改进NSGA-II算法进行车载以太网网络架构的多目标优化，计算效率显著提高。即在基于初始种群的每一个体的支配等级和拥挤距离进行选择、交叉和变异时，个体的交叉概率和变异概率基于当前迭代次数、个体的支配等级和拥挤距离确定，将个体拥挤距离与该个体所在的支配等级的拥挤距离的平均值作对比，引入迭代因子I和拥挤因子D，实现交叉变异概率根据拥挤距离和进化次数的自适应调节。
改进NSGA-II算法中，交叉概率的计算公式为：
Figure SMS_32
；
其中，pc为交叉概率；pc.agv为交叉概率的平均值；I为迭代因子；pc.max为交叉概率的最大值；D为拥挤因子；Dagv为与个体j的支配等级相同的所有个体的拥挤距离的平均值；Dj为个体j的拥挤距离；pc.min为交叉概率的最小值。
变异概率的计算公式为：
Figure SMS_33
；
其中，pm为变异概率；pm.agv为变异概率的平均值；pm.max为变异概率的最大值；pm.min为变异概率的最小值。
Figure SMS_34
；
其中，G为最大迭代次数；t为当前迭代次数。
Figure SMS_35
；
其中，Dmin为与个体j的支配等级相同的所有个体的拥挤距离的最小值；Dmax为与个体j的支配等级相同的所有个体的拥挤距离的最大值。
本实施例提出具有自适应交叉变异的改进NSGA-II算法，基于改进NSGA-II算法的多目标优化求解，筛选Pareto前沿解获得车载以太网网络架构的最优网络架构，加强算法的搜索能力和加快收敛速度。
本实施例所提供的多目标优化方法，针对面向时间敏感网络的区域-功能域电子电气架构，首次建立了以骨干网负载均衡、ZCU的Switch端口数合理和信息流端到端延时最低为优化目标的面向时间敏感网络的车载通讯架构多目标优化框架。通过求解TSN流量调度问题获得信息流延时，将流量调度抽象为周期性车间作业调度问题（JSP），提出适用于流量调度的多种群遗传算法（MPGA），相比于传统遗传算法求解效果提高16%。为了快速求解多目标优化框架，设计了改进的快速非支配排序遗传算法（NSGA-II），通过引入迭代因子和拥挤因子对算法进行自适应交叉变异概率改进，优化效率提高了25%。
以下通过一示例对本实施例的多目标优化方法的效果进行说明：
本实施例需要优化网络架构的车辆传感器和域控制器分布如图5所示，用来验证MPGA有效性的拓扑是一种根据专家经验设计的网络架构，如图6所示，该专家经验设计的网络架构的抽象模型如图7所示，网络架构中的信息流如表1所示。
表1 信息流参数
Figure SMS_36
因为流量调度问题输出的延时是架构多目标参数优化的基础，所以首先验证MPGA求解的优越性，MPGA与传统遗传算法（GA）的收敛结果对比如图8所示，可见MPGA收敛时的适应度远远低于GA，相对于GA提升了16.01%。各类信息流的端到端平均延时如图9所示，可见MPGA各种信息流的延时都低于GA，说明调度效果明显提升。然后证明改进NSGA-II算法的有效性，改进NSAG-II和NSGA-II的负载适应度与延时适应度对比如图10和图11所示，两个算法求解的两个适应度的最低值是相等的，但是改进算法在两个适应度上获得最低值的回合数均提升25%左右，充分说明改进算法的有效性。最后证明多目标优化的有效性，几个典型的Pareto前沿解如表2所示，优化找到了符合约束的延时最低和负载最均衡拓扑，但是这两个拓扑端口数较为分散。在端口均衡拓扑中相比于专家设计拓扑，各个拓扑的负载分配和延时均取得了更好的结果。
表2 Pareto前沿解拓扑对比
Figure SMS_37
与现有技术相比，本实施例的多目标优化方法的优势如下：
（1）构建了一个面向时间敏感网络的区域-功能域网络架构多目标优化框架，针对负载均衡、端口平均和延时最低三个优化目标进行优化。通过比较Pareto前沿解，该框架被证明具备良好优化效果，这主要与网络架构建模、信息流建模、优化问题建模的合理性，MPGA对流量调度问题的高效调度以及改进NSGA-II算法的高效求解有关。
（2）适用于流量调度问题的MPGA算法相比于传统GA能够缓解对初始种群的依赖性，避免早熟，兼顾全局搜索和局部搜索，极大的提升调度效果，这是由于多种群结构中移民因子定期会将种群中的较差解移除，同时引入了别的种群的较优解，使得每个种群在每次迭代中都有着更大概率探索出更优解，另外每个种群不同的交叉变异参数让算法兼顾全局探索与局部探索，保证了种群的多样性。
（3）改进NSGA-II算法能够加快多目标优化的求解效率，相比于NSGA-II收敛回合数减少25%左右，这主要是因为引入迭代因子I和拥挤因子D，实现交叉变异概率根据拥挤距离和进化次数的自适应调节。
实施例2：
本实施例用于提供一种面向时间敏感网络的车载通讯架构多目标优化系统，如图12所示，包括：
模型建立模块M1，用于建立用于对车载以太网网络架构进行优化的多目标优化模型；所述多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数；
优化求解模块M2，用于利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案。
本说明书中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)

1.一种面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，包括：
建立用于对车载以太网网络架构进行优化的多目标优化模型；所述多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数；
利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案；
所述多目标优化模型包括：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，J为总目标函数；
Figure QLYQS_3
为第一权重系数；o 1为第一目标函数；/>
Figure QLYQS_4
为第二权重系数；o 2为第二目标函数；/>
Figure QLYQS_5
为第三权重系数；o 3为第三目标函数；i，j均为网络拓扑有向图的节点；N为网络拓扑有向图的节点的总个数；A ij 为邻接矩阵的第i行第j列的元素值；
所述第一目标函数为：
Figure QLYQS_6
；
Figure QLYQS_7
；
其中，o 1为第一目标函数；std（）为均方差；c ij 为在一个超周期内Switch节点i和Switch节点j之间的负载占用的带宽；u ij 为Switch节点i和Switch节点j之间的链路的带宽；N s 为所有Switch节点组成的集合；
所述第二目标函数为：
Figure QLYQS_8
；
其中，o 2为第二目标函数；port_number i 为第i个Switch的端口数；
Figure QLYQS_9
为去掉最大端口数之后的第i个Switch的端口数；
所述第三目标函数为：
Figure QLYQS_10
；
其中，o 3为第三目标函数；J TSN 为信息流的端到端延时。
2.根据权利要求1所述的面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，还包括对车载以太网网络架构进行数学建模，具体包括：
建立车载以太网网络架构的网络拓扑有向图；所述网络拓扑有向图包括多个节点以及连接两个所述节点的有向边；
建立所述车载以太网网络架构的信息流模型；所述信息流模型为六维元组，包括信息流的源节点、终端节点、占用带宽、发送周期、截至期限和优先级。
3.根据权利要求2所述的面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，所述信息流的路由选择通过最短路径法确定。
4.根据权利要求1所述的面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，所述利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案具体包括：
生成初始种群；所述初始种群的一个个体为所述车载以太网网络架构的一种设计方案；
利用所述多目标优化模型计算所述初始种群的每一个体的适应度值；基于所述初始种群的每一个体的适应度值进行快速非支配排序和拥挤度计算，得到所述初始种群的每一个体的支配等级和拥挤距离；
基于所述初始种群的每一个体的支配等级和拥挤距离进行选择、交叉和变异，得到更新后种群；
将所述更新后种群和所述初始种群进行合并，得到合并后种群；
利用所述多目标优化模型计算所述合并后种群的每一个体的适应度值；基于所述合并后种群的每一个体的适应度值进行快速非支配排序和拥挤度计算，得到所述合并后种群的每一个体的支配等级和拥挤距离；基于所述合并后种群的每一个体的支配等级和拥挤距离进行个体选择，得到筛选后种群；
判断是否达到迭代终止条件；若是，则基于所述筛选后种群生成Pareto最优解，所述Pareto最优解即为所述车载以太网网络架构的优化方案；若否，则以所述筛选后种群作为下一次迭代的初始种群，返回“基于所述初始种群的每一个体的支配等级和拥挤距离进行选择、交叉和变异”的步骤。
5.根据权利要求4所述的面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，在基于所述初始种群的每一个体的支配等级和拥挤距离进行选择、交叉和变异时，所述个体的交叉概率和变异概率基于当前迭代次数、所述个体的支配等级和拥挤距离确定；
所述交叉概率的计算公式为：
Figure QLYQS_11
；
其中，p c 为交叉概率；p c.agv 为交叉概率的平均值；I为迭代因子；p c.max 为交叉概率的最大值；D为拥挤因子；D agv 为与个体j的支配等级相同的所有个体的拥挤距离的平均值；D j 为个体j的拥挤距离；p c.min 为交叉概率的最小值；
所述变异概率的计算公式为：
Figure QLYQS_12
；
其中，p m 为变异概率；p m.agv 为变异概率的平均值；p m.max 为变异概率的最大值；p m.min 为变异概率的最小值；
Figure QLYQS_13
；
其中，G为最大迭代次数；t为当前迭代次数；
Figure QLYQS_14
；
其中，D min为与个体j的支配等级相同的所有个体的拥挤距离的最小值；D max为与个体j的支配等级相同的所有个体的拥挤距离的最大值。
6.根据权利要求1所述的面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，所述第三目标函数的计算方法为：
建立用于计算信息流的端到端延时的目标模型；
利用多种群遗传算法对所述目标模型进行求解，得到信息流的端到端延时；
所述目标模型为：
Figure QLYQS_15
；
Figure QLYQS_16
；
其中，J TSN 为信息流的端到端延时；
Figure QLYQS_17
，/>
Figure QLYQS_18
和/>
Figure QLYQS_19
分别为三种优先级的信息流延时的权重系数；F H ，F M 和F L 分别为三种优先级的信息流的集合；/>
Figure QLYQS_20
为信息流f k 的端到端延时；D H ，D M ，D L 分别为三种优先级的信息流的截止时间。
7.根据权利要求6所述的面向时间敏感网络的车载通讯架构多目标优化方法，其特征在于，所述利用多种群遗传算法对所述目标模型进行求解，得到信息流的端到端延时具体包括：
生成多个初始种群；所述初始种群的一个个体为信息流的一种调度策略；
利用所述目标模型计算每一所述初始种群的每一个体的适应度值；
对于每一所述初始种群，基于所述初始种群的每一个体的适应度值进行选择、交叉和变异，得到子代种群；对所述初始种群和所述子代种群进行合并，得到合并后种群；
利用所述目标模型计算每一所述合并后种群的每一个体的适应度值；基于每一所述合并后种群的每一个体的适应度值进行排序和移民，得到每一所述合并后种群的筛选后种群；
判断是否达到迭代终止条件；若是，则对所有所述筛选后种群进行比较，确定最优解，基于所述最优解确定信息流的端到端延时；若否，则以所有所述筛选后种群作为下一迭代的初始种群，返回“对于每一所述初始种群，基于所述初始种群的每一个体的适应度值进行选择、交叉和变异，得到子代种群”的步骤。
8.一种面向时间敏感网络的车载通讯架构多目标优化系统，其特征在于，包括：
模型建立模块，用于建立用于对车载以太网网络架构进行优化的多目标优化模型；所述多目标优化模型包括以骨干网负载均衡为目标的第一目标函数、以ZCU的Switch端口数合理为目标的第二目标函数和以信息流端到端延时最低为目标的第三目标函数；
优化求解模块，用于利用多目标优化算法对所述多目标优化模型进行优化求解，得到所述车载以太网网络架构的优化方案；
所述多目标优化模型包括：
Figure QLYQS_21
；
Figure QLYQS_22
；
其中，J为总目标函数；
Figure QLYQS_23
为第一权重系数；o 1为第一目标函数；/>
Figure QLYQS_24
为第二权重系数；o 2为第二目标函数；/>
Figure QLYQS_25
为第三权重系数；o 3为第三目标函数；i，j均为网络拓扑有向图的节点；N为网络拓扑有向图的节点的总个数；A ij 为邻接矩阵的第i行第j列的元素值；
所述第一目标函数为：
Figure QLYQS_26
；
Figure QLYQS_27
；
其中，o 1为第一目标函数；std（）为均方差；c ij 为在一个超周期内Switch节点i和Switch节点j之间的负载占用的带宽；u ij 为Switch节点i和Switch节点j之间的链路的带宽；N s 为所有Switch节点组成的集合；
所述第二目标函数为：
Figure QLYQS_28
；
其中，o 2为第二目标函数；port_number i 为第i个Switch的端口数；
Figure QLYQS_29
为去掉最大端口数之后的第i个Switch的端口数；
所述第三目标函数为：
Figure QLYQS_30
；
其中，o 3为第三目标函数；J TSN 为信息流的端到端延时。
CN202310107217.1A 2023-02-14 2023-02-14 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 Active CN116112440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310107217.1A CN116112440B (zh) 2023-02-14 2023-02-14 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310107217.1A CN116112440B (zh) 2023-02-14 2023-02-14 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

Publications (2)

Publication Number Publication Date
CN116112440A CN116112440A (zh) 2023-05-12
CN116112440B true CN116112440B (zh) 2023-06-27

Family

ID=86261316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310107217.1A Active CN116112440B (zh) 2023-02-14 2023-02-14 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

Country Status (1)

Country Link
CN (1) CN116112440B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022070489A1 (en) * 2020-09-30 2022-04-07 Mitsubishi Electric Corporation Method of processing set of stream in view of configuring time-sensitive network, and time-sensitive network system
CN114553697A (zh) * 2022-02-14 2022-05-27 重庆邮电大学 一种面向工业无线与tsn融合的网络调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050094628A1 (en) * 2003-10-29 2005-05-05 Boonchai Ngamwongwattana Optimizing packetization for minimal end-to-end delay in VoIP networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022070489A1 (en) * 2020-09-30 2022-04-07 Mitsubishi Electric Corporation Method of processing set of stream in view of configuring time-sensitive network, and time-sensitive network system
CN114553697A (zh) * 2022-02-14 2022-05-27 重庆邮电大学 一种面向工业无线与tsn融合的网络调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于映射矩阵的多目标交换式以太网拓扑优化;李杰林;陈明;陈德基;;四川大学学报(工程科学版)(第04期);全文 *

Also Published As

Publication number Publication date
CN116112440A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Yates et al. The age of information: Real-time status updating by multiple sources
CN115460130B (zh) 一种时间敏感网络中的多路径联合调度方法
CN112437020B (zh) 一种基于深度强化学习的数据中心网络负载均衡方法
CN112953830B (zh) 时间敏感网络中流量帧的路由规划调度方法及装置
CN111245722B (zh) 一种基于遗传算法的sdn数据中心网络流转发方法
CN109102124B (zh) 基于分解的动态多目标多路径诱导方法、系统及存储介质
CN114143264B (zh) 一种SRv6网络下基于强化学习的流量调度方法
CN114697229A (zh) 一种分布式路由规划模型的构建方法及应用
CN116390164A (zh) 一种低轨卫星网络可信负载均衡路由方法、系统、设备及介质
CN117014355A (zh) 一种基于ddpg深度强化学习算法的tssdn动态路由决策方法
CN113285832A (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
Lin et al. Priority-based genetic algorithm for shortest path routing problem in OSPF
Hu et al. Learning model parameters for decentralized schedule-driven traffic control
CN117596158A (zh) 一种基于pmoa算法的列车通信网络流量调度优化方法
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
CN117880177A (zh) 一种基于sdn的物联网服务质量保障方法与系统
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
Meng et al. Intelligent routing orchestration for ultra-low latency transport networks
Bugarčić et al. Reinforcement Learning-Based Routing Protocols in Vehicular and Flying Ad Hoc Networks–A Literature Survey
Koduvilarpatti Strength Pareto evolutionary algorithm based multi-objective optimization for shortest path routing problem in computer networks
Nair et al. Particle swarm optimization for realizing intelligent routing in networks with quality grading
CN111010704B (zh) 基于指数平滑的水下无线传感器网络数据预测优化方法
Bueno et al. Analyzing the effects of neighborhood crossover in multiobjective multicast flow routing problem
CN113556287B (zh) 一种基于多智能体强化学习的软件定义网络路由方法
Lin et al. A bicriteria shortest path routing problems by hybrid genetic algorithm in communication networks

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