一种基于遗传蚁群混合算法的车联网路侧单元部署方法
技术领域
本发明属于车联网路侧技术领域,尤其涉及一种基于遗传蚁群混合算法的车联网路侧单元部署方法。
背景技术
目前:随着科技的飞速发展与社会的不断进步,汽车的数量正在爆炸性地增长,其增幅速度已远远高于交通基础设施建设的速度,导致传统的交通基础设施面临着许多问题。因此,人们提出了车联网并利用车车通信与车路通信等信息交互方式来减轻传统交通设施的压力。路侧单元(Road-Side Unit,RSU)是车联网通信中的核心部分之一,它作为连接车辆和外部网络的桥梁,其重要性不言而喻。然而,RSU的部署成本较高,因此设计合理的RSU部署方案用以充分发挥其单元效益在车联网中十分重要。
通过上述分析,现有技术存在的问题及缺陷为:现有RSU部署成本高,且部署效益没有最大化,车辆覆盖率不高。
发明内容
针对现有技术存在的问题,本发明提供了一种基于遗传蚁群混合算法的车联网路侧单元部署方法。
本发明是这样实现的,一种基于遗传蚁群混合算法的车联网路侧单元部署方法,所述基于遗传蚁群混合算法的车联网路侧单元部署方法包括:
步骤一,数据获取模块获取车辆的轨迹数据以及地图数据;模型构建模块基于获取的地图数据生成网格图,并建立路网模型;
步骤二,参数设定模块设定部署参数;
步骤三,数据计算模块利用遗传蚁群混合算法基于设定的部署参数计算达到参数要求的条件下最少部署数量和最佳部署位置的部署方案;
步骤四,存储模块利用数据库进行相应数据的存储;显示模块显示车辆轨迹数据、生成的网格图以及最终部署方案。
进一步,步骤一中,所述路网模型建立方法包括:
(1)获取车辆的轨迹数据、地图数据以及网格图;
(2)以距离路网模型中交叉口位置的中心点为圆心,以不小于交叉口位置的总宽度为半径做圆,分别与当前交叉口中心连接的各个路段相交,该交点位置即为新节点,新节点的数量与相应交叉口所连接的路段数量相等;
(3)分别用曲线连接相邻两个路段上的新节点,若两个相邻路段之间不通,则删去距离路网模型中已有的交叉口直线,保留新节点连接后的曲线,按照顺序依次为距离路网模型中的所有交叉口进行编号;按照顺序依次为距离路网模型中的所有路段进行编号;即可得到相应的路网模型。
进一步,步骤(2)中,所述圆的直径为当前交叉口的总宽度。
进一步,所述步骤(3)还包括:若两个相邻路段之间相同,则保留距离路网模型中已有的交叉口直线。
进一步,步骤一中,数据获取模块获取车辆的轨迹数据以及地图数据时,通过采用圆盘通信模型的通信网络进行通信,以i和j为端点的路段e(i,j)的数据时延t(i,j)表示为
其中,thop为数据的一跳传输时延,thop=psize/s,psize为数据包大小,s为数据传输带宽。
进一步,步骤二中,参数设定模块设定部署参数时,对参数进行自动优化,所述自动优化方法具体为:
a、读取参数均衡器中的控制参数;
b、设置其中一个控制参数的调整范围及调整步长,以确定出该控制参数的最大调整次数;
c、计算调整范围中各控制参数值的滤波器性能参数及其频率响应;
d、选择一最优控制参数值,使其频率响应值与预设参数最接近。
进一步,步骤三中,所述数据计算模块利用遗传蚁群混合算法基于设定的部署参数计算达到参数要求的条件下最少部署数量和最佳部署位置的部署方案包括:
1)进行参数初始化;
2)进行种群个体编码;
3)使用贪心算法产生初始种群P,随机产生多个初始部署方案;
4)更新此代的累积信息素;
5)计算每个路段的适应适应值;
6)按交叉概率选择古代,依据信息素大小进行交叉,根据子代更新累积信息素;
7)进行变异操作以及局部优化,进行最优解搜索,确定最少部署数量和最佳部署位置的部署方案。
进一步,步骤1)中,所述参数包括:
遗传算法种群大小,变异算子参数pm,交叉算子参数pc,信息素启发因子α,期望启发因子β,信息素挥发因子ρ,寻找下一个节点的阀值概率p0;初始化遗传算法迭代次数n和蚁群算法的迭代次数m。
本发明的另一目的在于提供一种实施所述基于遗传蚁群混合算法的车联网路侧单元部署方法的基于遗传蚁群混合算法的车联网路侧单元部署系统,所述基于遗传蚁群混合算法的车联网路侧单元部署系统包括:
数据获取模块,用于获取车辆的轨迹数据以及地图数据;
模型构建模块,用于基于获取的地图数据生成网格图,并建立路网模型;
参数设定模块,用于设定部署参数;
数据计算模块,用于利用遗传蚁群混合算法基于设定的部署参数计算达到参数要求的条件下最少部署数量和最佳部署位置的部署方案;
存储模块,用于利用数据库进行相应数据的存储;
显示模块,用于显示车辆轨迹数据、生成的网格图以及最终部署方案。
进一步,所述部署参数包括:车辆通行时间占比参数以及达到指标车辆数占比参数;
所述车辆通行时间占比参数即车辆与路侧单元连接时间占车辆总行驶时间的百分比;
所述达到指标车辆数占比参数即达到所述车辆通行时间占比参数的车辆数占全部车辆数的百分比。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述基于遗传蚁群混合算法的车联网路侧单元部署方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述基于遗传蚁群混合算法的车联网路侧单元部署方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过构建路网模型,利用基于遗传蚁群混合算法的车联网路侧单元部署方法确定部署方案,能够提高车辆覆盖率,降低RSU的部署数量,降低部署成本。
本发明能够提高收敛速度和解的稳定性、多样性,成功避免早熟、停滞现象;另外由于遗传算法的局部搜索能力较差,导致单纯的遗传算法在局部搜索比较费时,在进化后期搜索效率较低,而蚁群算法对于小范围局部搜索就具有很大的优势,可以得到比单纯遗传算法更加优秀的结果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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基于遗传蚁群混合算法的车联网路侧单元部署方法流程图。
图2是本发明实施例提供的路网模型建立方法流程图。
图3是本发明实施例提供的基于遗传蚁群混合算法的部署方案确定方法流程图。
图4是本发明实施例提供的自动优化方法流程图。
图5是本发明实施例提供的城市路网下RSU部署示意简图。
图6是本发明实施例提供的基于遗传蚁群混合算法的车联网路侧单元部署系统结构示意图;
图中:1、数据获取模块;2、模型构建模块;3、参数设定模块;4、数据计算模块;5、存储模块;6、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于遗传蚁群混合算法的车联网路侧单元部署方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于遗传蚁群混合算法的车联网路侧单元部署方法包括:
S101,数据获取模块获取车辆的轨迹数据以及地图数据;模型构建模块基于获取的地图数据生成网格图,并建立路网模型;
S102,参数设定模块设定部署参数;
S103,数据计算模块利用遗传蚁群混合算法基于设定的部署参数计算达到参数要求的条件下最少部署数量和最佳部署位置的部署方案;
S104,存储模块利用数据库进行相应数据的存储;显示模块显示车辆轨迹数据、生成的网格图以及最终部署方案。
如图2所示,步骤S101中,本发明实施例提供的路网模型建立方法包括:
S201,获取车辆的轨迹数据、地图数据以及网格图;
S202,以距离路网模型中交叉口位置的中心点为圆心,以不小于交叉口位置的总宽度为半径做圆,分别与当前交叉口中心连接的各个路段相交,该交点位置即为新节点,新节点的数量与相应交叉口所连接的路段数量相等;
S203,分别用曲线连接相邻两个路段上的新节点,若两个相邻路段之间不通,则删去距离路网模型中已有的交叉口直线,保留新节点连接后的曲线,按照顺序依次为距离路网模型中的所有交叉口进行编号;按照顺序依次为距离路网模型中的所有路段进行编号;即可得到相应的路网模型。
步骤S202中,本发明实施例提供的圆的直径为当前交叉口的总宽度。
本发明实施例提供的步骤S203还包括:若两个相邻路段之间相同,则保留距离路网模型中已有的交叉口直线。
步骤S101中,数据获取模块获取车辆的轨迹数据以及地图数据时,通过采用圆盘通信模型的通信网络进行通信,以i和j为端点的路段e(i,j)的数据时延t(i,j)表示为
其中,thop为数据的一跳传输时延,thop=psize/s,psize为数据包大小,s为数据传输带宽。
如图3所示,步骤S103中,本发明实施例提供的数据计算模块利用遗传蚁群混合算法基于设定的部署参数计算达到参数要求的条件下最少部署数量和最佳部署位置的部署方案包括:
S301,进行遗传算法种群大小,变异算子参数pm,交叉算子参数pc,信息素启发因子α,期望启发因子β,信息素挥发因子ρ,寻找下一个节点的阀值概率p0;初始化遗传算法迭代次数n和蚁群算法的迭代次数m参数初始化;进行种群个体编码;
S302,使用贪心算法产生初始种群P,随机产生多个初始部署方案;
S303,更新此代的累积信息素;计算每个路段的适应适应值;
S304,按交叉概率选择古代,依据信息素大小进行交叉,根据子代更新累积信息素;
S305,进行变异操作以及局部优化,进行最优解搜索,确定最少部署数量和最佳部署位置的部署方案。
如图4所示,步骤S102中,参数设定模块设定部署参数时,对参数进行自动优化,所述自动优化方法具体为:
S401,读取参数均衡器中的控制参数;
S402,设置其中一个控制参数的调整范围及调整步长,以确定出该控制参数的最大调整次数;
S403,计算调整范围中各控制参数值的滤波器性能参数及其频率响应;
S404,选择一最优控制参数值,使其频率响应值与预设参数最接近。
如图6所示,本发明实施例提供的基于遗传蚁群混合算法的车联网路侧单元部署系统包括:
数据获取模块1,用于获取车辆的轨迹数据以及地图数据;
模型构建模块2,用于基于获取的地图数据生成网格图,并建立路网模型;
参数设定模块3,用于设定部署参数;
数据计算模块4,用于利用遗传蚁群混合算法基于设定的部署参数计算达到参数要求的条件下最少部署数量和最佳部署位置的部署方案;
存储模块5,用于利用数据库进行相应数据的存储;
显示模块6,用于显示车辆轨迹数据、生成的网格图以及最终部署方案。
本发明实施例提供的部署参数包括:车辆通行时间占比参数以及达到指标车辆数占比参数;
所述车辆通行时间占比参数即车辆与路侧单元连接时间占车辆总行驶时间的百分比;
所述达到指标车辆数占比参数即达到所述车辆通行时间占比参数的车辆数占全部车辆数的百分比。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。