CN116955354A - 一种面向能源数联网的标识解析方法及装置 - Google Patents
一种面向能源数联网的标识解析方法及装置 Download PDFInfo
- Publication number
- CN116955354A CN116955354A CN202310793668.5A CN202310793668A CN116955354A CN 116955354 A CN116955354 A CN 116955354A CN 202310793668 A CN202310793668 A CN 202310793668A CN 116955354 A CN116955354 A CN 116955354A
- Authority
- CN
- China
- Prior art keywords
- particle
- identification data
- particles
- data
- node
- 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.)
- Pending
Links
- 230000006855 networking Effects 0.000 title claims abstract description 231
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 76
- 239000002245 particle Substances 0.000 claims description 509
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 33
- 230000001149 cognitive effect Effects 0.000 claims description 31
- 230000035772 mutation Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000002922 simulated annealing Methods 0.000 claims description 24
- 230000019771 cognition Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数联网标识解析技术领域,具体涉及一种面向能源数联网的标识解析方法及装置,包括:当接收到用户端发送的查询标识请求时,根据查询标识请求中携带的目标标识,进行标识数据解析,得到与目标标识对应的预先放置标识数据的数联网节点;将目标标识对应的数联网节点中放置的标识数据反馈至用户端;预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。本发明提供的技术方案,能够有效减少节点之间交互的传输时间,提高了标识解析的解析速率和响应速度,降低了访问时延。
Description
技术领域
本发明属于数联网标识解析技术领域,具体涉及一种面向能源数联网的标识解析方法及装置。
背景技术
随着工业互联网及新一代信息技术与应用的快速发展,数据成为基础性战略资源和关键性生产要素。如何在开放、动态、难控的工业互联网之上实现可信可管可控的数据互联互通和智能应用,成为大数据及数字经济和数字社会产业链、价值链和生态系统的世界级难题。而数联网技术在这种环境下应运而生,数联网是基于软件定义,通过以数据为中心的开放式软件体系结构和标准化互操作协议,将各种异构数据平台和系统连接起来,在“物理/机器”互联网之上形成的“虚拟/数据”网络。
依托能源大数据中心,能够有效评估能源使用效率和电网可再生能源承载能力,推动新能源产业融合创新发展。目前的能源大数据服务业务,对于金融机构以及社会上产业链上下游公司企业和机构的数据,尚未实现快速、轻量化的实时数据共享。因此,亟需建立面向能源大数据的数联网标识解析体系,实现异构、异地、异主能源信息系统之间的安全互操作,有效解决信息孤岛和数据烟囱的问题。
能源数联网涉及工业生产,要求传输网络的可靠性更高、安全性更强、时延更低。随着标识解析技术的快速发展,标识的注册量以及解析量也因此达到了海量级别,如何让标识解析系统有效处理高并发的标识解析服务请求,并且在面对海量解析请求时,保持较低的时延性和较高的安全性,已成为当前亟待解决的问题。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种面向能源数联网的标识解析方法及装置。
第一方面,提供一种面向能源数联网的标识解析方法,所述方法包括:
当接收到用户端发送的查询标识请求时,根据所述查询标识请求中携带的目标标识,进行标识数据解析,得到与所述目标标识对应的预先放置标识数据的数联网节点;
将所述目标标识对应的数联网节点中放置的标识数据反馈至用户端;
所述预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。
优选的,所述放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据,包括:
基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将所述标识数据放置于其对应的最优放置的数联网节点;
其中,所述数据放置模型是以放置在数联网节点中的所有标识数据被解析时产生的时间总开销最小为目标,利用标识数据、各数联网节点的层级和各数联网节点的存储容量构建的。
优选的,所述数据放置模型,包括:
N=(D,C,M,Q)
上式中,N为数据放置模型的目标函数;D={d1,d2,…,di,…,dn},D为标识数据的集合,di为第i个标识数据;i∈[1,n],n为标识数据的总数量;C={c1,c2,…,cj,…,cm},C为数联网节点的集合,cj为第j个数联网节点;j∈[1,m],m为数联网节点的总数量;cj=<vj,lj,pj>,vj为第j个数联网节点的存储容量,lj为第j个数联网节点的层级,pj为比例系数;M为标识数据D到数联网节点C的映射关系,<di,cj>为标识数据D放置在数联网节点C中;Q为粒子中放置在数联网节点中的各标识数据被解析时产生的时间总开销。
优选的,所述基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,包括:
以放置在数联网节点中的各标识数据被解析时产生的时间总开销为粒子群算法的适应度,令每种数据解析过程中标识数据的放置方案为一个粒子,并初始化粒子群算法的输入参数,所述输入参数包括:种群大小、最大迭代次数、惯性权重因子和认知因子参数;
基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,所述全局最优粒子为所述数据放置模型的最优解,即标识数据对应的最优放置的数联网节点。
优选的,所述基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,包括:
步骤1:令所有粒子构建初始化种群,并计算所述初始化种群中各粒子的适应度;
步骤2:基于所述各粒子的适应度,利用粒子优劣比较规则,确定初始化种群中各粒子的自身历史最优粒子,并根据初始化种群中各粒子的自身历史最优粒子更新全局最优粒子;
步骤3:利用各粒子的自身历史最优粒子构建新种群;
步骤4:基于所述惯性权重因子和所述认知因子参数,对所述新种群中的各粒子进行变异和交叉运算,得到更新后的新种群,并计算更新后的新种群中各粒子的适应度;
步骤5:根据更新后的新种群中各粒子的适应度,利用粒子优劣比较规则,更新新种群中各粒子的自身历史最优粒子,并根据新种群中各粒子的自身历史最优粒子更新全局最优粒子;
步骤6:判断是否达到最大迭代次数,若达到最大迭代次数,则更新的全局最优粒子为最终的全局最优粒子;若未达到最大迭代次数,则执行步骤7;
步骤7:更新所述惯性权重因子和所述认知因子参数,并返回步骤3。
优选的,所述粒子的表达式为:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T],T为最大迭代次数;i∈[1,n],n为标识数据的总数量为第t次迭代中的第f个粒子;/>为第t次迭代中第f个粒子中的第i个标识数据放置的数联网节点。
优选的,所述各粒子的适应度的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;f∈[1,F],F为粒子的总数量;Qf为第f个粒子的适应度;di为第i个标识数据,cj为第j个数联网节点,为粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销;/>为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则/>若第i个标识数据未放置在第j个数联网节点中,则/>
其中,粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销的计算式为:
上式中,b1为数据解析过程中递归节点访问根节点所需要的时间,pj为第j个数联网节点带宽的倒数,zi为第i个标识数据的大小,lj为第j个数联网节点的层级,为数据解析过程中递归节点访问第j个数联网节点的上一层级节点所需要的时间,/>为递归节点访问第j个数联网节点所需要的时间。
优选的,所述对所述新种群中的各粒子进行变异和交叉运算的计算式,包括:
上式中,t∈[1,T′],T′为最大迭代次数;f∈[1,F],F为粒子的总数量;为第t次迭代中的第f个粒子,/>为第t-1次迭代中的第f个粒子,c1为自身认知因子,c2为种群认知因子,ω为惯性权重因子,/>为变异操作的运算符,/>为交叉操作的运算符,/>为第t-1次迭代中第f个粒子对应的自身历史最优粒子,gt-1为第t-1次迭代中的全局最优粒子,为变异后的/>与其对应的自身历史最优粒子/>的交叉过程,为经过变异后并与其自身历史最优粒子/>交叉后的与全局最优粒子的交叉过程,/>为/>的变异操作;
其中,变异操作和交叉操作的计算式包括:
上式中,r0、r1和r2均为随机因子;r0,r1,r2∈(0,1)。
优选的,所述粒子优劣比较规则,包括:
将当前迭代的各个粒子和与其对应的上一次迭代的粒子进行比较,若两个粒子皆为可行解粒子或不可行解粒子,则选择适应度值最小的粒子为粒子的自身历史最优粒子;若一个粒子为可行解粒子且另一个粒子为不可行解粒子,则选择可行解粒子为粒子的自身历史最优粒子。
优选的,所述可行解粒子和不可行解粒子的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;vj为粒子中第j个数联网节点的存储容量上限,zi为粒子中第i个标识数据的大小,di为第i个标识数据,cj为第j个数联网节点;为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则若第i个标识数据未放置在第j个数联网节点中,则/>
优选的,所述根据新种群中各粒子的自身历史最优粒子更新全局最优粒子,包括:
基于所述粒子的自身历史最优粒子,利用模拟退火算法计算得到所述各粒子的自身历史最优粒子的模拟退火概率;
基于所述各粒子的自身历史最优粒子的模拟退火概率,利用轮盘赌的方法确定全局最优粒子。
优选的,所述粒子的自身历史最优粒子的模拟退火适应度值的计算式,包括:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T′],T′为最大迭代次数;为第t次迭代中第f个粒子的自身历史最优粒子的模拟退火概率;T为当前模拟退火温度,T0为初始温度,/>为第t次迭代中第f个粒子的自身历史最优粒子,/>为第t次迭代中第f个粒子的自身历史最优粒子的适应度值,gt为第t次迭代的全局最优粒子,L(gt)为第t次迭代的全局最优粒子的适应度值。
优选的,所述惯性权重因子的更新计算式,包括:
上式中,ω为惯性权重因子,ωmax为预设的惯性权重最大值,ωmin为预设的惯性权重最小值,Xt-1为经过t-1次迭代后的种群中所有的粒子,gt-1为经过t-1次迭代后的全局最优粒子,|D|为标识数据d的个数,exp()为以自然常数e为底的指数函数;d(Xt-1,gt-1)为Xt-1与gt-1在相同分位上取值不同的个数;
所述自身认知因子c1和种群认知因子c2的更新计算式,包括:
上式中,c1为自身认知因子,c2为种群认知因子,为自身认知因子c1的预设初始值,/>为自身认知因子c1的预设最终值,/>为种群认知因子c2的预设初始值,/>为种群认知因子c2的预设最终值,ic为当前已迭代的次数,im为最大迭代次数。
第二方面,提供一种面向能源数联网的标识解析装置,所述装置包括:
解析单元,用于当接收到用户端发送的查询标识请求时,根据所述查询标识请求中携带的目标标识,进行标识数据解析,得到与所述目标标识对应的预先放置标识数据的数联网节点;
反馈单元,将所述目标标识对应的数联网节点中放置的标识数据反馈至用户端;
所述预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。
优选的,所述解析单元,包括:放置子单元,用于放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据;
所述放置子单元,具体用于基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将所述标识数据放置于其对应的最优放置的数联网节点;
其中,所述数据放置模型是以放置在数联网节点中的所有标识数据被解析时产生的时间总开销最小为目标,利用标识数据、各数联网节点的层级和各数联网节点的存储容量构建的。
优选的,所述数据放置模型,包括:
N=(D,C,M,Q)
上式中,N为数据放置模型的目标函数;D={d1,d2,…,di,…,dn},D为标识数据的集合,di为第i个标识数据;i∈[1,n],n为标识数据的总数量;C={c1,c2,…,cj,…,cm},C为数联网节点的集合,cj为第j个数联网节点;j∈[1,m],m为数联网节点的总数量;cj=<vj,lj,pj>,vj为第j个数联网节点的存储容量,lj为第j个数联网节点的层级,pj为比例系数;M为标识数据D到数联网节点C的映射关系,<di,cj>为标识数据D放置在数联网节点C中;Q为粒子中放置在数联网节点中的各标识数据被解析时产生的时间总开销。
优选的,所述放置子单元,包括:
初始化模块,用于以放置在数联网节点中的各标识数据被解析时产生的时间总开销为粒子群算法的适应度,令每种数据解析过程中标识数据的放置方案为一个粒子,并初始化粒子群算法的输入参数,所述输入参数包括:种群大小、最大迭代次数、惯性权重因子和认知因子参数;
求解模块,用于基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,所述全局最优粒子为所述数据放置模型的最优解,即标识数据对应的最优放置的数联网节点。
优选的,所述求解模块,包括:
第一构建子模块,用于令所有粒子构建初始化种群,并计算所述初始化种群中各粒子的适应度;
确定子模块,用于基于所述各粒子的适应度,利用粒子优劣比较规则,确定初始化种群中各粒子的自身历史最优粒子,并根据初始化种群中各粒子的自身历史最优粒子更新全局最优粒子;
第二构建子模块,用于利用各粒子的自身历史最优粒子构建新种群;
第一更新子模块,用于基于所述惯性权重因子和所述认知因子参数,对所述新种群中的各粒子进行变异和交叉运算,得到更新后的新种群,并计算更新后的新种群中各粒子的适应度;
第二更新子模块,用于根据更新后的新种群中各粒子的适应度,利用粒子优劣比较规则,更新新种群中各粒子的自身历史最优粒子,并根据新种群中各粒子的自身历史最优粒子更新全局最优粒子;
判断子模块,用于判断是否达到最大迭代次数,若达到最大迭代次数,则更新的全局最优粒子为最终的全局最优粒子;若未达到最大迭代次数,则执行第三更新子模块;
第三更新子模块,用于更新所述惯性权重因子和所述认知因子参数,并返回第二构建子模块。
第三方面,提供一种计算机设备,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现上述的面向能源数联网的标识解析方法。
第四方面,提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现上述的面向能源数联网的标识解析方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明提供的一种面向能源数联网的标识解析方法及装置,包括:当接收到用户端发送的查询标识请求时,根据查询标识请求中携带的目标标识,进行标识数据解析,得到与目标标识对应的预先放置标识数据的数联网节点;将目标标识对应的数联网节点中放置的标识数据反馈至用户端;预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。本发明提供的技术方案,能够有效减少节点之间交互的传输时间,提高了标识解析的解析速率和响应速度,降低了访问时延。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种面向能源数联网的标识解析方法的流程图;
图2是本发明实施例提供的数联网节点的层级的示意图;
图3是本发明实施例提供的标识解析的示意图;
图4是本发明实施例提供的粒子中标识数据编号和数联网节点编号的示意图;
图5是本发明实施例提供的利用粒子群算法对所有粒子进行迭代求解的流程图;
图6是本发明实施例提供的粒子的变异操作的示意图;
图7是本发明实施例提供的粒子的交叉操作的示意图;
图8是本发明实施例提供的一种面向能源数联网的标识解析方法的应用示意图;
图9是本发明实施例提供的一种面向能源数联网的标识解析装置的主要结构框图;
图中,1-能源大数据服务器,2-能源大数据服务器,3-能源大数据服务器,4-数据中心,5-数据布局器,6-根节点,7-顶级节点,8-二级节点,9-递归节点,10-用户端。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
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。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它实施例,都属于本发明保护的范围。
实施例一
本发明提供一种面向能源数联网的标识解析方法,如图1所示,该方法可以但不限于用于终端中,包括以下步骤:
步骤101:当接收到用户端发送的查询标识请求时,根据查询标识请求中携带的目标标识,进行标识数据解析,得到与目标标识对应的预先放置标识数据的数联网节点;
步骤102:将目标标识对应的数联网节点中放置的标识数据反馈至用户端;
预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。
进一步的,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据,包括:
基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将标识数据放置于其对应的最优放置的数联网节点;
其中,数据放置模型是以放置在数联网节点中的所有标识数据被解析时产生的时间总开销最小为目标,利用标识数据、各数联网节点的层级和各数联网节点的存储容量构建的。
进一步的,数据放置模型,包括:
N=(D,C,M,Q)
上式中,N为数据放置模型的目标函数;D={d1,d2,…,di,…,dn},D为标识数据的集合,di为第i个标识数据;i∈[1,n],n为标识数据的总数量;C={c1,c2,…,cj,…,cm},C为数联网节点的集合,cj为第j个数联网节点;j∈[1,m],m为数联网节点的总数量;cj=<vj,lj,pj>,vj为第j个数联网节点的存储容量,lj为第j个数联网节点的层级,pj为比例系数;M为标识数据D到数联网节点C的映射关系,<di,cj>为标识数据D放置在数联网节点C中;Q为粒子中放置在数联网节点中的各标识数据被解析时产生的时间总开销。
需要说明的是,本发明涉及的“标识数据解析”方式,是本领域技术人员所熟知的,因此,其具体实现方式不做过多描述。
一些实施例中,数联网标识解析体系由四个层级组成,自顶向下分别为根节点Proot、一级域节点P1st、二级域节点P2nd以及端节点Pext,除此之外,标识解析体系中还有一个节点,即递归节点Pt,递归节点和其他类型节点没有从属关系,一般部署在一个独立服务器上,负责解析过程中的消息递归服务;每个层级的节点均有多个并列节点构成,而每个节点又由多个服务器组成。节点编号后如图2所示,一级域节点P1st={p1,p2}由2个节点组成,二级域节点P2nd={p3,p4,p5,p6}由4个节点组成,端节点Pext={p7,p8,…,p14}由8个节点组成,根节点不存储标识数据,不影响标识布局策略,一般默认只有存在一个根节点Proot=p0,在实际应用场景下中,节点数量及结构有所不同。
以存放在p4节点上的编码为86.2.1.2/aa的标识数据为例,标识解析流程如图3所示:递归节点接收到解析请求后首先访问根节点,根节点返回标识所属的一级域节点地址,接着,递归节点访问一级域节点,一级域节点返回存放该标识的二级域节点地址,最后递归节点访问二级域节点,二级域节点返回标识对应的数据到递归节点,解析完成。所有标识数据解析完成所需要的解析时间即为Q。
本发明提供的面向能源数联网的标识解析方法,综合考虑标识数据的大小、放置位置和节点容量等因素,能够有效减少节点之间交互的传输时间,提高标识解析系统在面对海量标识解析任务时的解析速率,同时提高了响应速度,降低了访问时延。
进一步的,基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,包括:
以放置在数联网节点中的各标识数据被解析时产生的时间总开销为粒子群算法的适应度,令每种数据解析过程中标识数据的放置方案为一个粒子,并初始化粒子群算法的输入参数,输入参数包括:种群大小、最大迭代次数、惯性权重因子和认知因子参数;
基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,全局最优粒子为数据放置模型的最优解,即标识数据对应的最优放置的数联网节点。
需要说明的是,一个粒子代表问题的一种解,由于本发明的解为存放标识对应的标识数据的节点服务器编号,而服务器编号并不具有连续性。因此本发明基于种群大小,采用离散编码方式来构建n维粒子,一个粒子代表数联网标识解析系统中标识数据的布局方案。
具体的,粒子的表达式为:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T],T为最大迭代次数;i∈[1,n],n为标识数据的总数量为第t次迭代中的第f个粒子;/>为第t次迭代中第f个粒子中的第i个标识数据放置的数联网节点。
例如,假设有8个标识数据,该8个标识数据的编号为1-8,如图4所示,某粒子中包含该8个数据的放置节点,依次包括:第2节点、第1节点、第3节点、第2节点、第4节点、第2节点、第1节点和第2节点。
进一步的,如图5所示,基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,包括:
步骤1:令所有粒子构建初始化种群,并计算初始化种群中各粒子的适应度;
步骤2:基于各粒子的适应度,利用粒子优劣比较规则,确定初始化种群中各粒子的自身历史最优粒子,并根据初始化种群中各粒子的自身历史最优粒子更新全局最优粒子;
步骤3:利用各粒子的自身历史最优粒子构建新种群;
步骤4:基于惯性权重因子和认知因子参数,对新种群中的各粒子进行变异和交叉运算,得到更新后的新种群,并计算更新后的新种群中各粒子的适应度;
步骤5:根据更新后的新种群中各粒子的适应度,利用粒子优劣比较规则,更新新种群中各粒子的自身历史最优粒子,并根据新种群中各粒子的自身历史最优粒子更新全局最优粒子;
步骤6:判断是否达到最大迭代次数,若达到最大迭代次数,则更新的全局最优粒子为最终的全局最优粒子;若未达到最大迭代次数,则执行步骤7;
步骤7:更新惯性权重因子和认知因子参数,并返回步骤3。
进一步的,各粒子的适应度的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;f∈[1,F],F为粒子的总数量;Qf为第f个粒子的适应度;di为第i个标识数据,cj为第j个数联网节点,为粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销;/>为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则/>若第i个标识数据未放置在第j个数联网节点中,则/>
其中,粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销的计算式为:
上式中,b1为数据解析过程中递归节点访问根节点所需要的时间,pj为第j个数联网节点带宽的倒数,zi为第i个标识数据的大小,lj为第j个数联网节点的层级,为数据解析过程中递归节点访问第j个数联网节点的上一层级节点所需要的时间,/>为递归节点访问第j个数联网节点所需要的时间。
传统的PSO算法用于解决连续问题,而本发明中的标识放置问题是离散的,为使该算法适应本模型,本发明提供一种新的粒子更新操作。进一步的,对新种群中的各粒子进行变异和交叉运算的计算式,包括:
上式中,t∈[1,T′],T′为最大迭代次数;f∈[1,F],F为粒子的总数量;为第t次迭代中的第f个粒子,/>为第t-1次迭代中的第f个粒子,c1为自身认知因子,c2为种群认知因子,ω为惯性权重因子,/>为变异操作的运算符,/>为交叉操作的运算符,/>为第t-1次迭代中第f个粒子对应的自身历史最优粒子,gt-1为第t-1次迭代中的全局最优粒子,为变异后的/>与其对应的自身历史最优粒子/>的交叉过程,为经过变异后并与其自身历史最优粒子/>交叉后的与全局最优粒子的交叉过程,/>为/>的变异操作;
其中,变异操作和交叉操作的计算式包括:
上式中,r0、r1和r2均为随机因子;r0,r1,r2∈(0,1)。
需要说明的是,M()遗传算法的变异操作符,Cp()和Cg()均为遗传算法的交叉操作符。即本发明提供的交叉变异运算,结合了遗传算法,提高了更新后的粒子的可靠性,为确定标识数据最优放置的数联网节点奠定了基础,进而使得确定的标识数据最优放置的数联网节点更加可靠。
例如,方便起见,令 为第t次迭代时第f个粒子对应的/>为第t次迭代时第f个粒子对应的/>为第t次迭代时第f个粒子对应的/>对新种群中的各粒子进行变异和交叉运算包括如下内容:
如图6所示,粒子为第2个粒子在第6次迭代时标识数据的放置节点,随机选取f1位置进行变异(即/>),得到变异后的粒子/>f1位置的数据的所在节点由编号2变异为编号4;
如图7所示,假设第9次迭代中第3个粒子进行变异(即/>),得到/>那么/>与粒子的自身历史最优粒子/>进行交叉操作,包括:将粒子/>的第3至第6分位与自身历史最优粒子/>交叉(即/>),得到粒子/>
粒子与全局最优粒子g9进行交叉操作,包括:将粒子/>的第7至第9分位与全局最优粒子g9交叉,得到粒子/>
进一步的,粒子优劣比较规则,包括:
将当前迭代的各个粒子和与其对应的上一次迭代的粒子进行比较,若两个粒子皆为可行解粒子或不可行解粒子,则选择适应度值最小的粒子为粒子的自身历史最优粒子;若一个粒子为可行解粒子且另一个粒子为不可行解粒子,则选择可行解粒子为粒子的自身历史最优粒子。
具体的,可行解粒子和不可行解粒子的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;vj为粒子中第j个数联网节点的存储容量上限,zi为粒子中第i个标识数据的大小,di为第i个标识数据,cj为第j个数联网节点;为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则若第i个标识数据未放置在第j个数联网节点中,则/>
可以理解的是,可行解粒子和不可行解粒子的计算式表示:对节点进行遍历,计算每个节点中的数据容量总和,若总和超过该节点的存储容量上限,则粒子为可行解粒子;反之,为不可行解粒子。
进一步的,根据新种群中各粒子的自身历史最优粒子更新全局最优粒子,包括:
基于粒子的自身历史最优粒子,利用模拟退火算法计算得到各粒子的自身历史最优粒子的模拟退火概率;
基于各粒子的自身历史最优粒子的模拟退火概率,利用轮盘赌的方法确定全局最优粒子。
进一步的,粒子的自身历史最优粒子的模拟退火适应度值的计算式,包括:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T′],T′为最大迭代次数;为第t次迭代中第f个粒子的自身历史最优粒子的模拟退火概率;T为当前模拟退火温度,T0为初始温度,/>为第t次迭代中第f个粒子的自身历史最优粒子,/>为第t次迭代中第f个粒子的自身历史最优粒子的适应度值,gt为第t次迭代的全局最优粒子,L(gt)为第t次迭代的全局最优粒子的适应度值。
进一步的,惯性权重因子的更新计算式,包括:
上式中,ω为惯性权重因子,ωmax为预设的惯性权重最大值,ωmin为预设的惯性权重最小值,Xt-1为经过t-1次迭代后的种群中所有的粒子,gt-1为经过t-1次迭代后的全局最优粒子,|D|为标识数据d的个数,exp()为以自然常数e为底的指数函数;d(Xt-1,gt-1)为Xt-1与gt-1在相同分位上取值不同的个数;
自身认知因子c1和种群认知因子c2的更新计算式,包括:
上式中,c1为自身认知因子,c2为种群认知因子,为自身认知因子c1的预设初始值,/>为自身认知因子c1的预设最终值,/>为种群认知因子c2的预设初始值,/>为种群认知因子c2的预设最终值,ic为当前已迭代的次数,im为最大迭代次数。
需要说明的是,惯性权重ω表示粒子对当前自身运动状态的信任程度,其直接影响了PSO算法的搜索能力和收敛性。为了使算法在初期和后期都能够高效地收敛,提出ω自适应调整策略,根据全局最优粒子和当前粒子之间的差异程度来调整ω。
对惯性权重因子的更新中,d(Xt-1,gt-1)表示Xt-1与gt-1在相同分位上取值不同的个数。当d(Xt-1,gt-1)较大时,表明当前粒子与全局最优粒子的差异较大,此时需要扩大搜索范围以避免过早陷入局部最优解,因此需要增大ω的数值。相反地,当d(Xt-1,gt-1)较小时,说明粒子已经接近全局最优解,这时应该减小ω的数值,缩小搜索范围,以便加速收敛,更快地找到最优解。
为进一步说明上述提供的面向能源数联网的标识解析方法,本发明还提供一具体的例子,如图8所示,能源大数据系统包括:能源大数据服务器1、能源大数据服务器2、能源大数据服务器3和数据中心4;能源数联网标识解析系统包括:数据布局器5和数联网节点,数联网节点包括:根节点6、顶级节点7、二级节点8和递归节点9。数据布局器通过本发明提供的一种面向能源数联网的标识解析方法实现。数据中心通过网络等方式与能源数联网标识解析系统交互,用户端10通过网络等方式与能源数联网标识解析系统的递归节点9交互。
能源大数据系统中的各能源大数据服务器将来自不同地区和企业的能源数据统一传输至数据中心4,数据中心将数据进行一一标识,进而得到标识数据,然后,再由数据中心将标识数据转发至数据布局器5;数据布局器5求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将标识数据放置于其对应的最优放置的数联网节点。此时,需注意的是,对数据进行标识后,数联网节点中放置的是标识数据及其对应的标识,所以用户端只需发送标识,能源数联网标识解析系统便能根据标识找到标识对应的节点,从而将标识对应的节点中的标识数据反馈至用户端。
当用户端向能源数联网标识解析系统发送查询标识请求时,能源数联网标识解析系统通过以下步骤进行标识解析:
步骤201:接收查询标识请求;
步骤202:查询递归节点9缓存信息,若递归节点9缓存中保存有查询标识请求中携带的标识对应的标识数据,则执行步骤210;否则,执行步骤203;
步骤203:发送标识解析请求至根节点6;
步骤204:查询根节点6是否存在标识数据,若存在,则执行步骤210;否则,执行205;
步骤205:返回从根节点6返回的下一节点服务地址;
步骤206:发送标识解析请求至顶级节点7;
步骤207:查询顶级节点7是否存在标识数据,若存在,则执行步骤210;否则,执行208;
步骤208:返回从顶级节点7返回的下一节点服务地址;
步骤209:发送标识解析请求至二级节点,执行步骤210;
步骤210:向用户端10返回查询标识请求中携带的标识对应的标识数据。
本发明提供的一种面向能源数联网的标识解析方法,包括:当接收到用户端发送的查询标识请求时,根据查询标识请求中携带的目标标识,进行标识数据解析,得到与目标标识对应的预先放置标识数据的数联网节点;将目标标识对应的数联网节点中放置的标识数据反馈至用户端;预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。本发明提供的技术方案,能够有效减少节点之间交互的传输时间,提高了标识解析的解析速率和响应速度,降低了访问时延。
实施例二
本发明提供一种面向能源数联网的标识解析装置,如图9所示,该装置包括:
解析单元,用于当接收到用户端发送的查询标识请求时,根据查询标识请求中携带的目标标识,进行标识数据解析,得到与目标标识对应的预先放置标识数据的数联网节点;
反馈单元,将目标标识对应的数联网节点中放置的标识数据反馈至用户端;
预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。
进一步的,解析单元,包括:放置子单元,用于放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据;
放置子单元,具体用于基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将标识数据放置于其对应的最优放置的数联网节点;
其中,数据放置模型是以放置在数联网节点中的所有标识数据被解析时产生的时间总开销最小为目标,利用标识数据、各数联网节点的层级和各数联网节点的存储容量构建的。
进一步的,数据放置模型,包括:
N=(D,C,M,Q)
上式中,N为数据放置模型的目标函数;D={d1,d2,…,di,…,dn},D为标识数据的集合,di为第i个标识数据;i∈[1,n],n为标识数据的总数量;C={c1,c2,…,cj,…,cm},C为数联网节点的集合,cj为第j个数联网节点;j∈[1,m],m为数联网节点的总数量;cj=<vj,lj,pj>,vj为第j个数联网节点的存储容量,lj为第j个数联网节点的层级,pj为比例系数;M为标识数据D到数联网节点C的映射关系,<di,cj>为标识数据D放置在数联网节点C中;Q为粒子中放置在数联网节点中的各标识数据被解析时产生的时间总开销。
进一步的,放置子单元,包括:
初始化模块,用于以放置在数联网节点中的各标识数据被解析时产生的时间总开销为粒子群算法的适应度,令每种数据解析过程中标识数据的放置方案为一个粒子,并初始化粒子群算法的输入参数,输入参数包括:种群大小、最大迭代次数、惯性权重因子和认知因子参数;
求解模块,用于基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,全局最优粒子为数据放置模型的最优解,即标识数据对应的最优放置的数联网节点。
进一步的,求解模块,包括:
第一构建子模块,用于令所有粒子构建初始化种群,并计算初始化种群中各粒子的适应度;
确定子模块,用于基于各粒子的适应度,利用粒子优劣比较规则,确定初始化种群中各粒子的自身历史最优粒子,并根据初始化种群中各粒子的自身历史最优粒子更新全局最优粒子;
第二构建子模块,用于利用各粒子的自身历史最优粒子构建新种群;
第一更新子模块,用于基于惯性权重因子和认知因子参数,对新种群中的各粒子进行变异和交叉运算,得到更新后的新种群,并计算更新后的新种群中各粒子的适应度;
第二更新子模块,用于根据更新后的新种群中各粒子的适应度,利用粒子优劣比较规则,更新新种群中各粒子的自身历史最优粒子,并根据新种群中各粒子的自身历史最优粒子更新全局最优粒子;
判断子模块,用于判断是否达到最大迭代次数,若达到最大迭代次数,则更新的全局最优粒子为最终的全局最优粒子;若未达到最大迭代次数,则执行第三更新子模块;
第三更新子模块,用于更新惯性权重因子和认知因子参数,并返回第二构建子模块。
进一步的,粒子的表达式为:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T],T为最大迭代次数;i∈[1,n],n为标识数据的总数量为第t次迭代中的第f个粒子;/>为第t次迭代中第f个粒子中的第i个标识数据放置的数联网节点。
进一步的,各粒子的适应度的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;f∈[1,F],F为粒子的总数量;Qf为第f个粒子的适应度;di为第i个标识数据,cj为第j个数联网节点,为粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销;/>为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则/>若第i个标识数据未放置在第j个数联网节点中,则/>
其中,粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销的计算式为:
上式中,b1为数据解析过程中递归节点访问根节点所需要的时间,pj为第j个数联网节点带宽的倒数,zi为第i个标识数据的大小,lj为第j个数联网节点的层级,为数据解析过程中递归节点访问第j个数联网节点的上一层级节点所需要的时间,/>为递归节点访问第j个数联网节点所需要的时间。
进一步的,对新种群中的各粒子进行变异和交叉运算的计算式,包括:
/>
上式中,t∈[1,T′],T′为最大迭代次数;f∈[1,F],F为粒子的总数量;为第t次迭代中的第f个粒子,/>为第t-1次迭代中的第f个粒子,c1为自身认知因子,c2为种群认知因子,ω为惯性权重因子,/>为变异操作的运算符,/>为交叉操作的运算符,/>为第t-1次迭代中第f个粒子对应的自身历史最优粒子,gt-1为第t-1次迭代中的全局最优粒子,为变异后的/>与其对应的自身历史最优粒子/>的交叉过程,为经过变异后并与其自身历史最优粒子/>交叉后的与全局最优粒子的交叉过程,/>为/>的变异操作;
其中,变异操作和交叉操作的计算式包括:
上式中,r0、r1和r2均为随机因子;r0,r1,r2∈(0,1)。
进一步的,粒子优劣比较规则,包括:
将当前迭代的各个粒子和与其对应的上一次迭代的粒子进行比较,若两个粒子皆为可行解粒子或不可行解粒子,则选择适应度值最小的粒子为粒子的自身历史最优粒子;若一个粒子为可行解粒子且另一个粒子为不可行解粒子,则选择可行解粒子为粒子的自身历史最优粒子。
进一步的,可行解粒子和不可行解粒子的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;vj为粒子中第j个数联网节点的存储容量上限,zi为粒子中第i个标识数据的大小,di为第i个标识数据,cj为第j个数联网节点;为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则若第i个标识数据未放置在第j个数联网节点中,则/>
进一步的,根据新种群中各粒子的自身历史最优粒子更新全局最优粒子,包括:
基于粒子的自身历史最优粒子,利用模拟退火算法计算得到各粒子的自身历史最优粒子的模拟退火概率;
基于各粒子的自身历史最优粒子的模拟退火概率,利用轮盘赌的方法确定全局最优粒子。
进一步的,粒子的自身历史最优粒子的模拟退火适应度值的计算式,包括:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T′],T′为最大迭代次数;为第t次迭代中第f个粒子的自身历史最优粒子的模拟退火概率;T为当前模拟退火温度,T0为初始温度,/>为第t次迭代中第f个粒子的自身历史最优粒子,/>为第t次迭代中第f个粒子的自身历史最优粒子的适应度值,gt为第t次迭代的全局最优粒子,L(gt)为第t次迭代的全局最优粒子的适应度值。
进一步的,惯性权重因子的更新计算式,包括:
上式中,ω为惯性权重因子,ωmax为预设的惯性权重最大值,ωmin为预设的惯性权重最小值,Xt-1为经过t-1次迭代后的种群中所有的粒子,gt-1为经过t-1次迭代后的全局最优粒子,|D|为标识数据d的个数,exp()为以自然常数e为底的指数函数;d(Xt-1,gt-1)为Xt-1与gt-1在相同分位上取值不同的个数;
自身认知因子c1和种群认知因子c2的更新计算式,包括:
上式中,c1为自身认知因子,c2为种群认知因子,为自身认知因子c1的预设初始值,/>为自身认知因子c1的预设最终值,/>为种群认知因子c2的预设初始值,/>为种群认知因子c2的预设最终值,ic为当前已迭代的次数,im为最大迭代次数。
本发明提供的一种面向能源数联网的标识解析装置,包括:解析单元,用于当接收到用户端发送的查询标识请求时,根据查询标识请求中携带的目标标识,进行标识数据解析,得到与目标标识对应的预先放置标识数据的数联网节点;反馈单元,将目标标识对应的数联网节点中放置的标识数据反馈至用户端;预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。本发明提供的技术方案,能够有效减少节点之间交互的传输时间,提高了标识解析的解析速率和响应速度,降低了访问时延。
可以理解的是,上述提供的装置实施例与上述的方法实施例对应,相应的具体内容可以相互参考,在此不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
实施例三
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种面向能源数联网的标识解析方法的步骤。
实施例四
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种面向能源数联网的标识解析方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (20)
1.一种面向能源数联网的标识解析方法,其特征在于,所述方法包括:
当接收到用户端发送的查询标识请求时,根据所述查询标识请求中携带的目标标识,进行标识数据解析,得到与所述目标标识对应的预先放置标识数据的数联网节点;
将所述目标标识对应的数联网节点中放置的标识数据反馈至用户端;
所述预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。
2.根据权利要求1所述的方法,其特征在于,所述放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据,包括:
基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将所述标识数据放置于其对应的最优放置的数联网节点;
其中,所述数据放置模型是以放置在数联网节点中的所有标识数据被解析时产生的时间总开销最小为目标,利用标识数据、各数联网节点的层级和各数联网节点的存储容量构建的。
3.根据权利要求2所述的方法,其特征在于,所述数据放置模型,包括:
N=(D,C,M,Q)
上式中,N为数据放置模型的目标函数;D={d1,d2,…,di,…,dn},D为标识数据的集合,di为第i个标识数据;i∈[1,n],n为标识数据的总数量;C={c1,c2,…,cj,…,cm},C为数联网节点的集合,cj为第j个数联网节点;j∈[1,m],m为数联网节点的总数量;cj=<vj,lj,pj>,vj为第j个数联网节点的存储容量,lj为第j个数联网节点的层级,pj为比例系数;M=Ui∈[1,n],j∈[1,m]{<di,cj>},M为标识数据D到数联网节点C的映射关系,<di,cj>为标识数据D放置在数联网节点C中;Q为粒子中放置在数联网节点中的各标识数据被解析时产生的时间总开销。
4.根据权利要求2所述的方法,其特征在于,所述基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,包括:
以放置在数联网节点中的各标识数据被解析时产生的时间总开销为粒子群算法的适应度,令每种数据解析过程中标识数据的放置方案为一个粒子,并初始化粒子群算法的输入参数,所述输入参数包括:种群大小、最大迭代次数、惯性权重因子和认知因子参数;
基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,所述全局最优粒子为所述数据放置模型的最优解,即标识数据对应的最优放置的数联网节点。
5.根据权利要求4所述的方法,其特征在于,所述基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,包括:
步骤1:令所有粒子构建初始化种群,并计算所述初始化种群中各粒子的适应度;
步骤2:基于所述各粒子的适应度,利用粒子优劣比较规则,确定初始化种群中各粒子的自身历史最优粒子,并根据初始化种群中各粒子的自身历史最优粒子更新全局最优粒子;
步骤3:利用各粒子的自身历史最优粒子构建新种群;
步骤4:基于所述惯性权重因子和所述认知因子参数,对所述新种群中的各粒子进行变异和交叉运算,得到更新后的新种群,并计算更新后的新种群中各粒子的适应度;
步骤5:根据更新后的新种群中各粒子的适应度,利用粒子优劣比较规则,更新新种群中各粒子的自身历史最优粒子,并根据新种群中各粒子的自身历史最优粒子更新全局最优粒子;
步骤6:判断是否达到最大迭代次数,若达到最大迭代次数,则更新的全局最优粒子为最终的全局最优粒子;若未达到最大迭代次数,则执行步骤7;
步骤7:更新所述惯性权重因子和所述认知因子参数,并返回步骤3。
6.根据权利要求5所述的方法,其特征在于,所述粒子的表达式为:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T],T为最大迭代次数;i∈[1,n],n为标识数据的总数量为第t次迭代中的第f个粒子;/>为第t次迭代中第f个粒子中的第i个标识数据放置的数联网节点。
7.根据权利要求5所述的方法,其特征在于,所述各粒子的适应度的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;f∈[1,F],F为粒子的总数量;Qf为第f个粒子的适应度;di为第i个标识数据,cj为第j个数联网节点,为粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销;/>为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则/>若第i个标识数据未放置在第j个数联网节点中,则/>
其中,粒子中放置在第j个数联网节点中的第i个标识数据被解析时产生的时间开销的计算式为:
上式中,b1为数据解析过程中递归节点访问根节点所需要的时间,pj为第j个数联网节点带宽的倒数,zi为第i个标识数据的大小,lj为第j个数联网节点的层级,为数据解析过程中递归节点访问第j个数联网节点的上一层级节点所需要的时间,/>为递归节点访问第j个数联网节点所需要的时间。
8.根据权利要求5所述的方法,其特征在于,所述对所述新种群中的各粒子进行变异和交叉运算的计算式,包括:
上式中,t∈[1,T′],T′为最大迭代次数;f∈[1,F],F为粒子的总数量;为第t次迭代中的第f个粒子,/>为第t-1次迭代中的第f个粒子,c1为自身认知因子,c2为种群认知因子,ω为惯性权重因子,/>为变异操作的运算符,/>为交叉操作的运算符,/>为第t-1次迭代中第f个粒子对应的自身历史最优粒子,gt-1为第t-1次迭代中的全局最优粒子,为变异后的/>与其对应的自身历史最优粒子/>的交叉过程,为经过变异后并与其自身历史最优粒子/>交叉后的与全局最优粒子的交叉过程,/>为/>的变异操作;
其中,变异操作和交叉操作的计算式包括:
上式中,r0、r1和r2均为随机因子;r0,r1,r2∈(0,1)。
9.据权利要求5所述的方法,其特征在于,所述粒子优劣比较规则,包括:
将当前迭代的各个粒子和与其对应的上一次迭代的粒子进行比较,若两个粒子皆为可行解粒子或不可行解粒子,则选择适应度值最小的粒子为粒子的自身历史最优粒子;若一个粒子为可行解粒子且另一个粒子为不可行解粒子,则选择可行解粒子为粒子的自身历史最优粒子。
10.据权利要求9所述的方法,其特征在于,所述可行解粒子和不可行解粒子的计算式,包括:
上式中,i∈[1,n],n为粒子中标识数据的总数量;j∈[1,m],m为粒子中数联网节点的总数量;vj为粒子中第j个数联网节点的存储容量上限,zi为粒子中第i个标识数据的大小,di为第i个标识数据,cj为第j个数联网节点;为数据解析过程中粒子中的第i个标识数据是否放置在第j个数联网节点中,若第i个标识数据放置在第j个数联网节点中,则若第i个标识数据未放置在第j个数联网节点中,则/>
11.据权利要求5所述的方法,其特征在于,所述根据新种群中各粒子的自身历史最优粒子更新全局最优粒子,包括:
基于所述粒子的自身历史最优粒子,利用模拟退火算法计算得到所述各粒子的自身历史最优粒子的模拟退火概率;
基于所述各粒子的自身历史最优粒子的模拟退火概率,利用轮盘赌的方法确定全局最优粒子。
12.据权利要求11所述的方法,其特征在于,所述粒子的自身历史最优粒子的模拟退火适应度值的计算式,包括:
上式中,f∈[1,F],F为粒子的总数量;t∈[1,T′],T′为最大迭代次数;为第t次迭代中第f个粒子的自身历史最优粒子的模拟退火概率;T为当前模拟退火温度,T0为初始温度,/>为第t次迭代中第f个粒子的自身历史最优粒子,/>为第t次迭代中第f个粒子的自身历史最优粒子的适应度值,gt为第t次迭代的全局最优粒子,L(gt)为第t次迭代的全局最优粒子的适应度值。
13.据权利要求5所述的方法,其特征在于,所述惯性权重因子的更新计算式,包括:
上式中,ω为惯性权重因子,ωmax为预设的惯性权重最大值,ωmin为预设的惯性权重最小值,Xt-1为经过t-1次迭代后的种群中所有的粒子,gt-1为经过t-1次迭代后的全局最优粒子,|D|为标识数据d的个数,exp()为以自然常数e为底的指数函数;d(Xt-1,gt-1)为Xt-1与gt -1在相同分位上取值不同的个数;
所述自身认知因子c1和种群认知因子c2的更新计算式,包括:
上式中,c1为自身认知因子,c2为种群认知因子,为自身认知因子c1的预设初始值,/>为自身认知因子c1的预设最终值,/>为种群认知因子c2的预设初始值,/>为种群认知因子c2的预设最终值,ic为当前已迭代的次数,im为最大迭代次数。
14.一种面向能源数联网的标识解析装置,其特征在于,所述装置包括:
解析单元,用于当接收到用户端发送的查询标识请求时,根据所述查询标识请求中携带的目标标识,进行标识数据解析,得到与所述目标标识对应的预先放置标识数据的数联网节点;
反馈单元,将所述目标标识对应的数联网节点中放置的标识数据反馈至用户端;
所述预先放置标识数据的数联网节点,放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据。
15.根据权利要求14所述的装置,其特征在于,所述解析单元,包括:放置子单元,用于放置以放置在数联网节点中的各标识数据被解析时产生的时间总开销最小为最优考虑确定的标识数据;
所述放置子单元,具体用于基于标识数据和各数联网节点,利用粒子群算法求解预设的数据放置模型,得到标识数据对应的最优放置的数联网节点,并将所述标识数据放置于其对应的最优放置的数联网节点;
其中,所述数据放置模型是以放置在数联网节点中的所有标识数据被解析时产生的时间总开销最小为目标,利用标识数据、各数联网节点的层级和各数联网节点的存储容量构建的。
16.根据权利要求15所述的装置,其特征在于,所述数据放置模型,包括:
N=(D,C,M,Q)
上式中,N为数据放置模型的目标函数;D={d1,d2,…,di,…,dn},D为标识数据的集合,di为第i个标识数据;i∈[1,n],n为标识数据的总数量;C={c1,c2,…,cj,…,cm},C为数联网节点的集合,cj为第j个数联网节点;j∈[1,m],m为数联网节点的总数量;cj=<vj,lj,pj>,vj为第j个数联网节点的存储容量,lj为第j个数联网节点的层级,pj为比例系数;M=Ui∈[1,n],j∈[1,m]{<di,cj>},M为标识数据D到数联网节点C的映射关系,<di,cj>为标识数据D放置在数联网节点C中;Q为粒子中放置在数联网节点中的各标识数据被解析时产生的时间总开销。
17.根据权利要求15所述的装置,其特征在于,所述放置子单元,包括:
初始化模块,用于以放置在数联网节点中的各标识数据被解析时产生的时间总开销为粒子群算法的适应度,令每种数据解析过程中标识数据的放置方案为一个粒子,并初始化粒子群算法的输入参数,所述输入参数包括:种群大小、最大迭代次数、惯性权重因子和认知因子参数;
求解模块,用于基于所有粒子,利用粒子群算法对所有粒子进行迭代求解,确定最终的全局最优粒子,所述全局最优粒子为所述数据放置模型的最优解,即标识数据对应的最优放置的数联网节点。
18.根据权利要求17所述的装置,其特征在于,所述求解模块,包括:
第一构建子模块,用于令所有粒子构建初始化种群,并计算所述初始化种群中各粒子的适应度;
确定子模块,用于基于所述各粒子的适应度,利用粒子优劣比较规则,确定初始化种群中各粒子的自身历史最优粒子,并根据初始化种群中各粒子的自身历史最优粒子更新全局最优粒子;
第二构建子模块,用于利用各粒子的自身历史最优粒子构建新种群;
第一更新子模块,用于基于所述惯性权重因子和所述认知因子参数,对所述新种群中的各粒子进行变异和交叉运算,得到更新后的新种群,并计算更新后的新种群中各粒子的适应度;
第二更新子模块,用于根据更新后的新种群中各粒子的适应度,利用粒子优劣比较规则,更新新种群中各粒子的自身历史最优粒子,并根据新种群中各粒子的自身历史最优粒子更新全局最优粒子;
判断子模块,用于判断是否达到最大迭代次数,若达到最大迭代次数,则更新的全局最优粒子为最终的全局最优粒子;若未达到最大迭代次数,则执行第三更新子模块;
第三更新子模块,用于更新所述惯性权重因子和所述认知因子参数,并返回第二构建子模块。
19.一种计算机设备,其特征在于,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至13中任意一项所述的面向能源数联网的标识解析方法。
20.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至13中任意一项所述的面向能源数联网的标识解析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793668.5A CN116955354A (zh) | 2023-06-30 | 2023-06-30 | 一种面向能源数联网的标识解析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793668.5A CN116955354A (zh) | 2023-06-30 | 2023-06-30 | 一种面向能源数联网的标识解析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116955354A true CN116955354A (zh) | 2023-10-27 |
Family
ID=88452110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793668.5A Pending CN116955354A (zh) | 2023-06-30 | 2023-06-30 | 一种面向能源数联网的标识解析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955354A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108989098A (zh) * | 2018-08-24 | 2018-12-11 | 福建师范大学 | 一种混合云环境面向时延优化的科学工作流数据布局方法 |
CN111221854A (zh) * | 2019-12-31 | 2020-06-02 | 网络通信与安全紫金山实验室 | 一种面向Handle标识解析的智能选路方法 |
CN113220364A (zh) * | 2021-05-06 | 2021-08-06 | 北京大学 | 一种基于车联网移动边缘计算系统模型的任务卸载方法 |
CN116050235A (zh) * | 2023-02-28 | 2023-05-02 | 福建贞仕信息科技有限公司 | 一种云边环境下工作流数据布局的方法及存储介质 |
-
2023
- 2023-06-30 CN CN202310793668.5A patent/CN116955354A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108989098A (zh) * | 2018-08-24 | 2018-12-11 | 福建师范大学 | 一种混合云环境面向时延优化的科学工作流数据布局方法 |
CN111221854A (zh) * | 2019-12-31 | 2020-06-02 | 网络通信与安全紫金山实验室 | 一种面向Handle标识解析的智能选路方法 |
CN113220364A (zh) * | 2021-05-06 | 2021-08-06 | 北京大学 | 一种基于车联网移动边缘计算系统模型的任务卸载方法 |
CN116050235A (zh) * | 2023-02-28 | 2023-05-02 | 福建贞仕信息科技有限公司 | 一种云边环境下工作流数据布局的方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A task scheduling algorithm based on classification mining in fog computing environment | |
Xue et al. | A self-adaptive artificial bee colony algorithm based on global best for global optimization | |
Li et al. | Short-term wind speed forecasting based on improved ant colony algorithm for LSSVM | |
CN109146447A (zh) | 区块链透明分片方法、装置及系统 | |
Falih et al. | Hybrid constrained permutation algorithm and genetic algorithm for process planning problem | |
Liu et al. | A hybrid genetic-ant colony optimization algorithm for the optimal path selection | |
CN116668450A (zh) | 一种基于区块链的边缘计算多维信任评估方法和系统 | |
Sun et al. | An artificial bee colony algorithm with random location updating | |
Wu et al. | QoS-driven Global Optimization Approach for Large-scale Web Services Composition. | |
Wakil et al. | Method for replica selection in the Internet of Things using a hybrid optimisation algorithm | |
Zhang et al. | A Novel Ant Colony Optimization Algorithm for Large Scale QoS‐Based Service Selection Problem | |
Kumar et al. | Hybrid NSGA-II based decision-making in fuzzy multi-objective reliability optimization problem | |
Ahmadabadi et al. | Star-quake: A new operator in multi-objective gravitational search algorithm for task scheduling in IoT based cloud-fog computing system | |
Du et al. | Multi-group discrete symbiotic organisms search applied in traveling salesman problems | |
Irfan et al. | Optimization of information retrieval using evolutionary computation: A survey | |
CN116955354A (zh) | 一种面向能源数联网的标识解析方法及装置 | |
CN112288154A (zh) | 一种基于改进神经协同过滤的区块链服务可靠性预测方法 | |
Karray et al. | A heuristic approach for web-service discovery and selection | |
CN108683599B (zh) | 一种基于预处理的流通网络最大流确定方法及系统 | |
Yang et al. | Trusted cloud service selection algorithm based on lightweight intuitionistic fuzzy numbers | |
Yuan et al. | OPTIMIZED TRUST-AWARE RECOMMENDER SYSTEM USING GENETIC ALGORITHM. | |
Nikbazm et al. | Agent-based resource discovery in cloud computing using bloom filters | |
Yi et al. | PPDRL: A Pretraining‐and‐Policy‐Based Deep Reinforcement Learning Approach for QoS‐Aware Service Composition | |
Liu et al. | Credible Web service composition based on improved multi-objective particle swarm optimization | |
Chen et al. | IoT-enabled product development method to support rapid manufacturing using a nature-inspired algorithm |
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 |