一種車聯網專用短程通信系統路側通信單元布局優化方法與流程

本發明涉及車輛自組織網絡和復雜網絡理論交叉領域中的車聯網路側單元網絡優化方法，特別是涉及一種車聯網專用短程通信系統路側通信單元布局優化方法。

背景技術：

復雜網絡理論的研究方法主要是將復雜系統，如互聯網絡、自然網絡、社會網絡，表示為網絡中點與邊的集合，點代表基本單元，邊代表基本單元之間的相互關系，定義權的概念來說明點和邊所包含的固有的性質。這種表示方式比較合理的說明復雜系統的基本的結構和性質，有利于對于復雜系統的基本的結構和性質的研究。基于復雜網絡理論對于復雜系統的相關研究主要集中于網絡動力學的研究領域。

對于復雜網絡理論的研究將促進相關領域的理論和應用的迅速發展。

級聯失效問題可以定義為對于復雜系統(復雜網絡)進行蓄意的或者隨機的攻擊，導致一個或者若干個節點的損壞或者缺失，一個或者若干個節點的損壞或者缺失又進一步的蔓延，進一步的導致復雜系統在一定范圍內甚至在全局范圍內的崩潰。因此，如何有效的處理級聯失效問題是現如今亟需研究的一個應用方面的問題。相關的研究主要集中于級聯失效模型的構建，提出一系列提高網絡魯棒性的方案，以及級聯失效問題與人工智能算法的結合。

車聯網路側單元網絡是智能交通系統中移動自組織網絡的重要組成部分之一，車聯網路側單元網絡的構建對于提高移動自組織網絡的安全性和可靠性，保證人、車、路之間互聯互通有十分重要的意義。因此，在車聯網路側單元網絡的實際應用場景下，一個關鍵的問題是如何構建車聯網路側單元網絡，以實現在消耗資源最小化的前提之下提高可靠性的最大化。

技術實現要素：

本發明的目的是為了解決上述問題，提出一種車聯網專用短程通信系統路側通信單元布局優化方法。

一種車聯網專用短程通信系統路側通信單元布局優化方法，包括以下幾個步驟：

步驟一：提取實際應用場景下的車聯網路側單元網絡，將其抽象為復雜網絡；

步驟二：基于所建立的復雜網絡的鄰接矩陣，設定邊的權重，構建目標函數以及效率和成本的函數；

步驟三：引入初始的擾動，根據級聯實效模型，模擬網絡的級聯實效過程，并且調整目標函數中的兩個參數；

步驟四：采用CRO算法，確定CRO算法中的參數，生成初始的可行解，并且以CRO算法的流程，對初始的可行解進行迭代優化，直到局部最優解趨于全局最優解；

步驟五：記錄總體迭代過程中對應的四個理論指標值的變化趨勢，并且存入信息庫中，為類似的網絡優化提供定性和定量的評價以及參考。

本發明的優點在于：

(1)本發明車聯網專用短程通信系統路側通信單元布局優化方法，采取復雜網絡的研究方法，將實際情況下的車聯網路側單元網絡抽象為理論情況下的車聯網路側單元網絡，基于此，從復雜網絡的角度定義網絡失效過程、網絡演化過程、網絡分析過程的基本流程，著眼于實際應用場景下車聯網路側單元網絡的級聯失效問題，實現車聯網路側單元網絡結構的優化。充分的考慮到影響車聯網路側單元網絡性能的各方面因素，以保證其具有良好的綜合性能，與此同時，參考復雜網絡的一系列性質，建立一系列指標，以便于對網絡的性質進行定性和定量的評價，為了之后的優化過程提供經驗；

(2)本發明車聯網專用短程通信系統路側通信單元布局優化方法，將人工智能算法應用于級聯失效問題的研究之中，利用一個啟發式的人工智能算法，CRO算法，替換傳統的進化算法，模擬車聯網路側單元網絡結構的演化過程，與此同時，充分考慮到車聯網路側單元網絡中級聯失效問題的理論上和實際上的限制，進行了一定程度上的改進。與傳統的算法對比，對于多目標優化問題，CRO算法有良好的運算效率和效果，其中，選擇在算法的起始位置和終止位置，以及每一次迭代循環過程的起始位置，增加一個可行解的限制條件檢驗機制，可以在一定程度上提高運算效率和效果。

附圖說明

圖1為本發明車聯網專用短程通信系統路側通信單元布局優化方法流程圖；

圖2為級聯失效仿真過程流程圖；

具體實施方式

下面將結合附圖和實施例對本發明作進一步的詳細說明。

本發明是一種車聯網專用短程通信系統路側通信單元布局優化方法，流程如圖1所示，包括以下幾個步驟：

步驟一，提取實際應用場景下的車聯網路側單元網絡，將其抽象為復雜網絡，定義為R網絡，其中，點定義為車聯網路側單元設備，點和點之間的邊定義為設備之間建立通訊，并且生成其鄰接矩陣G，G為一個N*N矩陣，N為點的個數，矩陣G中的元素表示兩個點之間是否有邊相連，元素為1則有邊相連，元素為0則沒有邊相連。

步驟二，設k_ij表示矩陣中邊的權重，i和j表示網絡中任意兩個點，則初始的時候，若i和j之間有邊連接，則k_ij＝1，若i和j之間沒有邊連接，則k_ij＝0，此時，將目標函數定義為：

Val＝aA(G)-bB(G) (1)

其中，A(G)表示網絡的總體效率，B(G)表示網絡的總體成本，a、b為參數，表示目標函數Val中，總體效率A(G)和總體成本B(G)所分別占有的比重，取值范圍為[0.5,1.5]，取值跨度為0.1，因此，要分別確定A(G)和B(G)，

$A\left(G\right)=\frac{1}{N(N-1)}{\mathrm{\Σ}}_{i\≠j\∈G}{\mathrm{\λ}}_{ij}---\left(2\right)$

$B\left(G\right)=\frac{1}{{\mathrm{\Σ}}_{i=1}^N\frac{1}{{\mathrm{\μ}}_i}}---\left(3\right)$

其中，N為網絡中點的個數，表示所確定的A(G)和B(G)是一個平均值，λ_ij為點i和點j之間的傳輸效率，也就是車聯網路側單元網絡兩個設備間的通訊效率，μ_i為點i之中所需要的傳輸容量，也就是車聯網路側單元網絡單個設備中的通訊成本，

對于λ_ij的計算，根據網絡的定義，尋找任意兩個點i和點j之間的最短路徑，例如，點i和點j之間的最短路徑為(x₁,x₂，……x_k)，(x₁，x₂，……x_k)為兩個點之間的點，對于任意的點i和點j，計算為兩點之間的最短路徑，f₁為x₁和x₂之間的邊的權重，f₂為x₂和x₃之間的邊的權重，……等，以此類推,r表示最短路徑的編號。

對于μ_i的計算，對于任意一點i，計算μ_i＝d·H_i(0)，H_i(0)表示初始狀態下，點i的負載，定義為時間步長為t＝0時刻經過點i的最短路徑的個數，d為參數,d表示點i的容量和負載之間的相對關系，若d的取值大于1，則點i的容量大于負載，處于較寬松的狀態，若d的取值小于1，則點i的容量小于負載，處于較緊張的狀態，d的取值范圍為[0,2]，其中，對于所有的點，μ是固定不變的，H不是固定不變的，可能隨時間步長，也就是級聯失效過程中每一次迭代的變化而變化的，例如，H_i(0),H_i(1),H_i(2),……，可以將每一個時間步長的所有的點的H的值視為一個一維矩陣。

步驟三，引入初始的擾動，網絡中某個點的容量減少為初始的一定的百分比，此時，可能會出現該節點的負載大于該節點的容量的情況，根據級聯失效模型模擬網絡的級聯失效過程，一個時間步長完成一次迭代過程，更新一次網絡的權重矩陣和負載矩陣，并且計算一次目標函數值Val，持續到Val趨于穩定，其中級聯失效模型為：

其中，k_ij表示矩陣中邊的權重。

與此同時，對于目標函數中的兩個參數a和b，進行調整，分別取值為，

a∈[1.5,1.4,1.3,1.2,1.1,1.0,0.9,0.8,0.7,0.6,0.5]

b∈[0.5,0.6,0.7,0.8,0.9,1.0,1.1,1.2,1.3,1.4,1.5]

兩兩一組，{a＝1.5,b＝0.5}、{a＝1.4,b＝0.6}、{a＝1.3,b＝0.7}、{a＝1.2,b＝0.8}、{a＝1.1,b＝0.9}、{a＝1.0,b＝1.0}、{a＝0.9,b＝1.1}、{a＝0.8,b＝1.2}、{a＝0.7,b＝1.3}、{a＝0.6,b＝1.4}、{a＝0.5,b＝1.5}，代入目標函數中，執行上述級聯失效過程，比較趨于穩定的Val，選擇其中可以令結果相對比較好的參數組合為之后的目標函數的參數(這里提到的相對比較好的結果，指的是在級聯失效過程之后，趨于穩定的Val值越大，認為結果越好，趨于穩定的Val值越小，認為結果越不好)。

步驟四，確定目標函數為Val＝aA(G)-bB(G)，根據所選擇的CRO算法的規則，確定其他一系列參數，包括

PopSize(初始可行解個數)，定義為初始生成的可行解集中可行解的個數；

MoleCollision(處理方式選擇判斷標準)，定義為判斷從可行解集中選擇的可行解的個數的標準；

DCriterion(D判斷標準)，判斷是On---wall ineffective collision(分子與墻壁無效碰撞過程)或是Decomposition(分解過程)；

SCriterion(S判斷標準)，判斷是Intermolecular ineffective collision(分子間無效碰撞過程)或是Synthesis(合成過程)；

可行解可以定義為實現對于網絡的初始的鄰接矩陣的結構優化的N*N矩陣，矩陣中的每一個元素，隨機的選擇為1，2，3，4，所表示的意義分別定義為，

1表示兩點之間增加一條邊，若兩點之間本來就有邊則不變；

2表示兩點之間減少一條邊，若兩點之間本來就沒有邊則不變；

3表示更改兩點之間邊的連接方式，也就是將A和B相連改為B和C相連，A、B、C表示網絡中的三個點，若兩點之間本來就沒有邊則不變；

4表示無變化；

可行解的限制條件檢驗，其中的限制條件包括，

1)根據可行解修正后的鄰接矩陣所表示的網絡是否是一個整體連接的網絡；

2)根據可行解修正后的鄰接矩陣所表示的網絡的邊的個數是否不大于閾值；

對于不符合限制條件檢驗的可行解要重新生成，

定義PE和KE，PE對應的是化學反應中的勢能，這里指的是某個可行解所對應的目標函數的函數值；定義KE，KE對應的是化學反應中的動能，這里指的是某個可行解在某一個迭代步驟中完成所選擇的處理方式的一種趨勢程度；

生成一定個數的可行解，可行解的個數為PopSize，并且執行限制條件檢驗，計算各個可行解對應的PE，并且給各個可行解賦予一個KE，定義為InitialKE，生成一個隨機數value，隨機數value的取值范圍為[0,1]，執行以下四個過程，

(1)若value大于Molecollision，則隨機的選擇一個可行解，并且執行R網絡的級聯失效仿真過程，獲得Val值，再判斷DCriterion條件是否成立，

DCriterion條件指的是PE(w)+KE(w)+buffer>PE(w*1)+PE(w*2)；

w指的是所選擇的可行解，w*指的是若執行Decomposion處理方式之后生成的可行解，buffer指的是能量存儲器之中的可以利用的動能，能量存儲器定義為將與反應容器之間發生碰撞反應可是沒有流失到環境中的動能儲存起來并且用于其他反應的機制，KELossRate指的是流失到環境中的動能的百分比，

A.若DC條件成立，執行On-wall ineffective collision處理方式，

該處理方式定義為隨機的選擇可行解矩陣中的一個元素，并且隨機的賦予其一個更新的取值，并且更新PE和KE，以及buffer，

PE更新為PE(w*)；

KE更新為(PE(w)+KE(w)+buffer-PE(w*))*(1-KELossRate)；

buffer更新為(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*KELossRate；

B.若DC條件不成立，則執行Decomposition處理方式

該處理方式定義為隨機的選擇可行解矩陣中的一個元素，根據該元素所在的行和列進行分割，以左上角為一部分，以右下角為一部分，并且分別隨機的補全兩個部分所缺失的部分，并且更新PE和KE，

PE更新為PE(w*1),

PE(w*2)；

KE更新為[(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*(1-KELossRate)]*k,[(PE(w)+KE(w)+buffer-PE(w*1)-PE(w*2))*(1-KELossRate)]*(1-k),K的取值范圍為[0,1]；

(2)若value小于Molecollision，則隨機的選擇兩個可行解，并且執行R網絡的級聯失效仿真過程，獲得Val值，再判斷SCriterion條件是否成立，

SCriterion條件指的是PE(w1)+PE(w2)+KE(w1)+KE(w2)>PE(w*)；

w1，w2指的是所選擇的可行解，w*指的是若執行Synthesis處理方式之后生成的可行解，

A.若SC條件成立，執行Intermolecular ineffective collision處理方式，

該處理方式定義為隨機的選擇兩個可行解矩陣中的各一個元素，并且隨機的賦予其各一個更新的取值，并且更新PE和KE，

PE更新為PE(w*1),

PE(w*2)；

KE更新為[PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*1)-PE(w*2)]*k,[PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*1)-PE(w*2)]*(1-k),K的取值范圍為[0,1]；

B.若SC條件不成立，執行Synthesis處理方式，

該處理方式定義為隨機的選擇兩個可行解矩陣中的各一個相同位置的元素，分別根據該元素所在的行和列進行分割，以左上角為一部分，以右下角為一部分，并且將前者的左上角部分和后者的右下角部分組合在一起，并且更新PE和KE，

PE更新為PE(w*)；

KE更新為PE(w1)+PE(w2)+KE(w1)+KE(w2)-PE(w*)；

對于上述四個過程，完成之后均需要對于更新的可行解執行限制條件檢驗，并且執行R網絡的級聯失效仿真過程，計算更新的可行解對應的PE，四個過程分別可以表示為，

(1)A.PE(new)值，B.PE1(new)和PE2(new)值，

(2)A.PE1(new)和PE2(new)值，B.PE(new)值，

分別對應的比較，

(1)A.PE與PE(new)，B.PE與PE1(new)和PE2(new)，

(2)A.PE1和PE2與PE1(new)和PE2(new)，B.PE1和PE2與PE(new)，

選擇其中的最優PE值與截止到上一次迭代過程的局部最優PE值相互比較，選擇二者之中較優的為這一次迭代過程的局部最優PE值且保存其對應的可行解，判斷局部最優PE值是否趨于穩定，可以取近五次迭代過程的局部最優PE值的標準差為判斷標準，檢驗標準差是否不大于某一個給定的閾值，

若局部最優PE值趨于平穩，可以將局部最優PE值提取為全局最優PE值，并且保存其對應的可行解，就可以基于此可行解獲得優化后的網絡的鄰接矩陣，也就是優化后的網絡的結構組成，

若局部最優PE值沒有趨于平穩，則返回迭代過程的起始重新開始迭代過程。

步驟五，參考復雜網絡的基本性質，建立四個理論指標，反映網絡的狀態，分別是最短路徑長度，聚類系數，模塊化系數，同配異配系數，

A.最短路徑長度:S_min是點i和點j之間的最短路徑長度；

B.聚類系數:t_i是點i的相鄰節點的個數，T_i是t_i個相鄰節點之間的邊的個數；

C.模塊化系數:G_ij是點i和點j所共有的與點i和點j所有的相鄰節點的個數之商；

D.同配異配系數:m_i和n_i分別是第i條邊的兩個端點的相鄰節點的個數，l是邊的個數的倒數；

記錄總體迭代過程中對應的四個理論指標值的變化趨勢，并且存入信息庫中，為類似的網絡優化提供定性和定量的評價以及參考。

提取現實場景中的道路網絡信息以及車聯網專用短程通信系統路側單元的擬布設位置，應用上述算法流程，就可以得到最優的路側單元布局方案。