on signal processing and communication systems(icspcs),2014,pp.1-6,doi:10.1109/icspcs.2014.7021077.)。提出了一种基于适应度函数的分布式资源分配方法。
8.qiang wang等人于2017年在cis上发表了利用粒子群算法实现资源分配的方法。(q.wang,t.chen and h.-l.liu,"resource allocation for d2d underlay communication systems using pso,"2017 13th international conference on computational intelligence and security(cis),2017,pp.202-206,doi:10.1109/cis.2017.00051.)。该方法采用粒子群算法设计了频谱共享方法，以优化系统速率为目标，提高了频谱利用率。
9.传统优化算法解决复杂的通信资源分配问题的过程复杂，有时甚至无法得到相应的解。在实际应用中由于复杂的时空场景，其最终效果往往达不到指标要求。此外，当通信场景变化时，由于系统模型的变化，已设计的优化算法一般无法应用到新的系统中，需要重新建模提取优化问题然后求解，不利于大规模应用。因此，采用基于粒子群的资源调度设计的方法，可以极大的节省人工成本和减少设计工时。利用本发明中的资源调度设计方法，设计者只需要输入获取的车辆以及道路信道信息，即可实现卸载目标和资源调度的自动生成。随着智能优化算法的不断发展，借助优化算法与仿真软件之间的相互结合可以更加方便的设计出符合要求的资源调度方案，这也成为资源调度系统设计的一种有效途径。
技术实现要素：10.为了解决上述车辆辅助计算卸载和资源调度设计中的问题，本发明提供了一种基于粒子群算法的车联网合作计算资源调度设计方法，为达到上述目标，本发明设计了基于粒子群算法的车辆辅助计算卸载和资源调度设计步骤，卸载和资源调度设计步骤为：步骤一：将实际道路按照距离划分成偶数个子区域，间隔区域间采用频率复用，每个子区域可以存在一个车辆辅助计算；选取计算资源最高的空闲车辆作为辅助车辆，其余车辆作为潜在请求卸载车辆。
11.步骤二：根据具体的车辆网络环境以及任务类型，建立系统数学模型，计算产生优化目标。优化目标为所有车辆完成任务的总时延，包括本地计算时延和辅助计算的时延(传输时延和辅助计算时延)。优化变量包括卸载车辆选择，以及卸载车辆的发射功率分配。根据环境参数确定约束条件。
12.步骤三：将优化变量可选卸载车辆以及对应的发射功率针对粒子群算法进行编码，根据约束条件设置粒子变量边界，选择合适的粒子种群数量，迭代次数以及内部参数。
13.步骤四：根据信道条件，采用赌轮盘方法选取初始粒子的卸载车辆编号，采用给定函数选取对应的发送功率，该步骤对应于粒子群算法中的初始种群建立。
14.步骤五：将计算结果导入到粒子群算法学习机制中，通过粒子群算法的生成机制和移动机制，来实现数据的优化。根据多目标优化策略，通过一系列优化机制，使各个粒子在迭代中向最优解方向移动。通过各粒子中的部分随机移动使得在优化过程中可以探索新的解空间，并考虑多个因素的共同作用。
15.步骤六：判断新产生的粒子是否超出约束条件，对超出的部分进行修正，使其满足约束条件。
16.步骤七：根据计算结果收敛情况，进行迭代计算判定：根据预先设定的最大迭代步
数，或者预先设置的收敛条件，判定是否满足收敛条件。若满足收敛条件，则停止计算，导出卸载目标以及对应的传输功率分配参数结果；否则返回步骤五继续进行计算。
17.步骤八：将计算出的卸载目标以及发送功率参数结果导入总时延计算模型，产生所以车辆的卸载目标，得到车联网合作计算资源调度结果。
18.进一步具体的，针对于发明内容的步骤一，将道路根据距离划分成m个子区域，每n个子区域采用相同的频率进行辅助计算传输。假设道路上共有k个车辆，记为vuk,k∈k，k＝{1,2,
…
,k}。每个子区域中的拥有最大计算资源的空闲车辆作为辅助车辆，记为aui,i∈{1,2,
…
,m}，每个子区域中其它车辆作为可选请求卸载车辆，按照所处子区域将编号集合记为rum,m∈{1,2,
…
,m}。
19.针对于发明内容的步骤二，每个子区域可以有一个车辆卸载到辅助车辆计算，所有k个车辆的卸载决策可描述为：a＝{a1,a2,
…
,ak},k∈k，当ak＝1时表明选取车辆vuk作为请求卸载车辆将任务卸载到aum进行辅助计算，反之表示vuk进行本地计算。进而得到vuk的任务时延：其中为本地计算时延，为泄载到辅助车辆计算的时延，包括车辆vuk到辅助车辆aui的传输时延和辅助车辆的计算时延将各个车辆的发送功率记为p＝{p1,p2,
…
,pk}，则存在约束条件0≤pk≤p
kmax
，p
kmax
为最大发送功率。进而得到所有车辆的任务最小化时延优化目标：
20.针对于发明内容的步骤三，将用车辆编号代表每个子区域中的请求卸载车辆，外加对应的发送功率，生成维度为2m的粒子编码：x＝[r1,r2,
…
,rm,p1,p2,
…
,pm]＝[xr,x
p
]，其中rm＝k代表选择车辆vuk作为请求卸载车辆，pm为其对应的发送功率。
[0021]
针对于发明内容的步骤四，根据各个车辆的初始信道条件采用赌轮盘法选取初始种群，车辆间的初始信道条件越好，选择此车辆作为初始种群的概率越高：其中p
k,i
为选取车辆vuk作为请求卸载车辆的概率，g
k,i
为vuk和辅助车辆aum之间的信道信息。
[0022]
初始发送功率选择为最大功率和二分之一最大功率中的任意值：p
k,i
＝rand(p
max
)其中rand是在0.5到1之间的随机函数。
[0023]
针对于发明内容的步骤五，根据粒子群演化机制，针对于所述的粒子群编码，优化过程中，调整第l维粒子的权重值位置x
l
和速度v
l
，来实现对各粒子参数的改变，以得到新的解。
[0024]
具体的，用pbest
l
表示当前迭代次数该粒子得到最优时延的最佳位置，用gbest表示到当前迭代次数为止从所有粒子中获得的全局最佳位置。通过结合速度向量和位置向量，粒子群优化算法向最优位置靠近，并一步一步地搜索新的解空间。以下方程式描述了每个粒子的更新计划详情如下：vl
[t+1]＝w[t]v
l
[t]+c
cog
·
rand1(pbest
l
[t]-x
l
[t])+c
soc
·
rand2(gbest[t]-x
l
[t])x
l
[t+1]＝x
l
[t]+v
l
[t+1]；其中，t为迭代次数，c
cog
和c
soc
分别是预先给出的认知参数和社会参数，rand1和rand2是随机函数，用于生成介于0和1之间的参数，以提供新的探索方向。采用加权系数w[t]来计算控制粒子速度的步长，当迭代次数t增大时，w[t]减小。正常地权重因子可以如下所示：w[t]＝w
max-(w
max-w
min
)
·
t/t
pso
；其中t
pso
为粒子群的最大迭代步数，w
max
和w
min
为给定加权系数。
[0025]
针对于发明内容的步骤六，由于请求卸载车辆编号是实数，将得到的新粒子的前m维进行取整，并根据约束条件将超出部分进行如下修正，对于在超出子区域中的车辆编号采取与之最近的在原子区域中的车辆编号，对超出功率范围的发射功率取给定的边界值，如步骤七中所述，当计算结果到达最大迭代步数时，结束粒子群计算。此时导出最后一步的gbest结果作为最终的优化解。
[0026]
如步骤八所述，将计算出的卸载目标以及发送功率参数结果导入总时延计算模型，得到所有车辆的任务时延。其中进行辅助卸载的车辆采用对应的发送功率将任务传输到辅助车辆进行计算，未进行辅助卸载的车辆发送功率为0，进行本地计算，最终得到车联网合作计算资源调度结果。
附图说明
[0027]
图1为基于粒子群算法的资源分配设计流程图；图2为道路车联网合作计算资源调度示意图；图3为子区域划分和频率复用示意图；图4为粒子群算法初始种群选择赌轮盘示意图；图5为基于粒子群算法的资源分配与穷举法等方法时延对比图；图6为基于粒子群算法的资源分配与穷举法等方法平均发送功率对比图。
具体实施方式
[0028]
为进一步阐述本发明所采取的技术手段和功效，以下说明中结合实施例，对本发明中的具体实施方式，性能进行说明。
[0029]
本实例中公布了一种基于粒子群算法的车联网合作计算资源调度设计方法。附图中展示了本发明说明的实施例，通过本参照附图，来实现本发明的各个方面。以下的构思和实施方式可以采用任意的一种方式来实现，而不仅仅局限于以下所描述的实施方式。
[0030]
根据道路环境，设定子区域大小，本实例中采用长度为200米的单行道路，等距划分为4个子区域(m＝4，sub-area1-sub-area4)，频率相间隔的子区域采用相同频带(n＝2，freq1-freq2)，如图2中所展示，图中箭头分别表示车辆的本地计算，卸载辅助计算以及产生的传输干扰。每个子区域存在车辆数目为3到8个，位置随机分布。每个车辆的任务大小为[5-20]mbit，随机生成。空闲车辆生成概率为0.3。信道带宽bv为2mhz，最大传输功率p
max
为30dbm，噪声功率σ2为-114dbm。可以得到频率复用时辅助卸载的传输速率r
k,i
，用于计算传输时延输时延其中k∈rum，j为间隔子区域中的请求卸载车辆编号，j∈ru
m+2
。信道信息采用模型|g
k,i
|2＝α
k,i
|h
k,i
|2，其中α
k,i
＝63.3+17.7log
10
(d
k,i
)是大尺度衰落，d
k,i
是两车之间的距离，是小尺度衰落。
[0031]
利用赌轮盘算法生成相应的初始粒子种群前m维，图4表示选取的进行卸载辅助计算的车辆编号的概率。在图4中r1-r6表示为粒子种群中的前m维向量xr对应的进行卸载辅助计算的车辆编号。后m维发送功率向量x
p
由步骤四中的rand函数生成。
[0032]
如步骤五所述，采取粒子群算法进行迭代计算，具体权重系数分别设置为种群数取256，迭代次数取128,c
cog
和c
soc
分别取2.03，w
max
和w
min
分别取0.9和0.5。
[0033]
将得到结果与原最优化问题结合，计算出总体时延性能，根据第二步随机生成车辆环境信息，进行1000次计算求解，取平均，得到基于方法的粒子群算法的车联网合作计算资源调度设计的平均性能结果，记为v2v-pso。
[0034]
采用穷举法得到最优解，其中车辆的可选发送功率组合个数设置为5，在图5中做出与本方法的对比，记为v2v-optimal-exhausted。此外将采用最大发送功率的随机选取请求卸载车辆，采用最大发送功率的最优请求卸载车辆方法，只采用本地计算的方法与本方法进行对比，分别记为v2v-random-fixed，v2v-optimal-fixed和local-fixed。从图5中可以看出，随着每个子区域中车辆的增加，总时延增加，而本方法可以达到与最优解相近的性能，并且优于本地计算和其它卸载方法，减小了任务时延。在图6中，分别用p-pso，p-optimal和p-fixed表示采取本方法以及采用穷举法得到最优解和固定的最大发送功率方法的平均发送功率。可以发现，本方法在可以达到近似最优解的同时可以降低平均发送功率，节约能量。
[0035]
通过分析可以发现，当每个小区存在的车辆个数为8时，本方法的搜索复杂度为256
×
128，而穷举法得到最优解的搜索复杂度为84×
54。为可以看出本方法可以大大降低算法复杂度，提高应用效率。特别是随着车辆数的增加，为了更好的提高辅助计算效率，子区域数m也应增加，而穷举法的搜索复杂度则会成指数倍增长，不再适用于优化问题的求解。
技术特征：1.一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于合作计算资源调度的自动化设计步骤：步骤一：将实际道路按照距离划分成数个子区域，每个区域选取计算资源最高的空闲车辆作为辅助计算车辆，多个子区域中可以同时进行车联网辅助计算，其余车辆进行本地计算；步骤二：根据具体的车辆网络环境以及任务类型，建立系统数学模型，优化所有车辆完成任务的总时延；根据实际情况对算法的参数进行设置，包括变量的个数以及变量的变化范围、种群的大小的设置；步骤三：将优化变量可选卸载车辆以及对应的发射功率针对粒子群算法进行编码：即建立粒子群算法中的初始种群，采用赌轮盘方法选取初始粒子的卸载车辆编号，采用给定函数选取对应的发射功率，根据约束条件设置粒子变量边界；步骤四：将计算结果导入到粒子群算法学习机制中，通过粒子群算法的生成机制和移动机制，来实现数据的优化；根据多目标优化策略，通过一系列优化机制，使各个粒子在迭代中向最优解方向移动；通过各粒子中的部分随机移动使得在优化过程中可以探索新的解空间，根据约束调整新的变量；步骤五：将计算出的卸载目标以及发送功率参数结果导入总时延计算模型，产生所以车辆的卸载目标，得到车联网合作计算资源调度结果。2.根据权利要求1所述的一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于，步骤一中将道路等距划分为偶数个子区域，采取频率复用技术，非相邻区域复用相同频谱。3.根据权利要求1所述的一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于，步骤二中将系统数学模型中所要优化的参数转化为数学模型中的变量，具体包括进行卸载辅助计算的车辆选择以及对应的发送功率；实际工程优化过程中，设定所有车辆的总计算时延为优化目标，通过计算和传输时延与优化的参数建立联系。4.根据权利要求1所述的一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于，步骤三中，每个影响优化目标的因素都可以表示为一个变量参数，变量个数以及变量的类型由实际问题中对优化目标具有影响的因素决定，用集合x＝[r1,r2,
…
,r
m
,p1,p2,
…
,p
m
]＝[x
r
,x
p
]对种群进行编码，其中为x
r
整数变量，表示选取的卸载车辆编号，x
p
为连续变量，表示对应的发送功率，m表示子区域数量；分别采用步骤三所述的方法产生对应变量，并根据步骤二设定的种群参数生成初始种群。5.根据权利要求4所述的一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于，步骤五中，将计算结果导入到粒子群算法学习机制中，通过粒子群算法的生成机制和移动机制，来实现数据的优化；将超出约束条件的粒子变量进行调整：对新变量x
r
取整并保证处于同一子区域，对超出发送功率边界的x
p
取边界值。6.根据权利要求5所述的一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于，根据系统数学模型中各个节点的时延情况，分别对进行辅助卸载和非辅助卸载车辆进行辅助计算和本地计算，实现最优化的车联网合作计算资源调度结果。7.根据权利要求6所述的一种基于粒子群算法的车联网合作计算资源调度设计方法，其特征在于，步骤五中，将每步优化的种群导入总时延计算模型，产生所以车辆的卸载目
标，依据最终优化的计算结果得到所以优化参数变量的值，得到最终的车联网合作计算资源调度方法。
技术总结本发明提供了一种基于粒子群算法的车联网合作计算资源调度设计方法，其通过引入车辆合作计算辅助车载应用，降低了总体延迟。本发明将实际问题转化成一个最优化函数求解问题，应用并设计启发式算法，将复杂的混合整数非线性规划问题等效成为粒子群演化机制中的变量；利用该方法，可以减小设计者对数学理论知识的依赖，且更容易应用于其它资源调度系统，可以设计出结构更加复杂，性能更加优异的资源调度方法；同时与传统遍历方法相比，极大的降低了搜索复杂度，减小了平均发送功率，节约了能量消耗。消耗。消耗。
技术研发人员：张艺伦 王江舟 陈方园 陈小忠 李文博
受保护的技术使用者：浙江金乙昌科技股份有限公司
技术研发日：2022.04.08
技术公布日：2022/7/5
