基于遗传算法的AGV通信网络分组投递率优化方法

基于遗传算法的AGV通信网络分组投递率优化方法

匡维

（武警四川省总队 参谋部通信大队修理所，成都，610015）

摘要：针对AGV通信网络覆盖资源不完全、调度效率低的问题，提出了一种高覆盖资源优化调度方法，建立了网络调度中单节点特征接入的控制模型，构建了网络高覆盖资源模型，建立了综合评估模型。将评估模型集成到高覆盖资源模型中，以获得网络节点条件，预测任务执行情况，并最终使用遗传算法实现模型的最优调度。对实验结果的分析表明，所设计的方法具有很好的实用性。

在通信和互联网技术快速发展的背景下，网络数据传输量和资源量呈现线性发展趋势，对网络资源优化和调度能力的需求也在增加[1-4]。因此，AVG通信环境下的网络资源传输问题越来越受到人们的关注[5-7]。现有技术方案建立了包含微运动目标成像任务的优化调度模型，并采用启发式算法进行求解[8]。通过跟踪脉冲和调度剩余空闲时间资源，动态构建感知矩阵。采用正交匹配追踪算法提取微动目标的特征，从而达到资源优化调度的目的。但是这种方法需要重复提取特征数据，这导致该方法的优化调度效率显著降低。本文提出一种高覆盖资源优化调度方法，建立了网络调度中单节点特征接入的控制模型，构建了网络高覆盖资源模型，建立了综合评估模型。将评估模型集成到高覆盖资源模型中，以获得网络节点条件，预测任务执行情况，并最终使用遗传算法实现模型的最优调度。

1 构建模型

AVG 通信的网络高覆盖资源调度中的单一节点 i 的特征访问控制模型如下式：

（1）

其中，K是AVG 通信的网络高覆盖资源在数据库中的节点数，Pk是单一精准访问的概率分布，AVG 通信网络信息资源库中的特征空间采样数据 X={ x1，x2，…，xn }，通过分布式网络资源库的数据储存机制体系分析，获得网络信息资源分布式调度配置的权值ωRLCMV如下式：

（2）

其中，a(θ0)是资源信息流的时间序列采样，C代表信息子空间。利用有向图代表大型网络信息资源出入库的传递模型，经过数据挖掘模型分析网络资源信息流的时间序列，构建网络资源系统调度模型如下式：

（3）

式中， ω1、ω2分别是AVG 通信的网络资源均匀配置的权重，Si是负载均匀值，Hi是资源中的重叠信息的滤波函数，Vi是特征压缩的维数。

在 AVG 通信环境下进行网络信息资源优化调度，首先对网络资源使用虚拟化技术，即使网络资源处于独立的状态，在此基础上将资源计算任务分配给一种最优调度机制的节点上。考虑到网络运行、带宽使用率和网络带宽等因素，在网络信息优化调度模型的构建过程中，融入测评模型，依据网络节点情况来预测任务执行的速度。首先，在 AVG 通信环境中服务器运行所有虚拟机的计算能力是通过多个角度来计算的，根据当前的实际网络约束条件，使用下式来建造网络节点的测评模型：

（4）

其中， EvaNdoek 是第 k种固定资源的测评值，EVaCPUk、EVaMENk、EVaSTOk、EVaBANk 分别是AVG 通信状态下硬盘储存、网络路径带宽、虚拟机 CPU 与内存之间的评测值，Pcpu是网络虚拟机的评测权重，pm、ps分别是网络 CPU 中网络虚拟机的内存和硬盘测评价值权重，pb是网络带宽测评值权重。

利用式(5)来构建模型，对网络节点速度进行估算：

（5）

利用式(6) 能够算出 AVG 通信环境中的网络负载程度度量模型

（6）

其中，τ是对应的网络虚拟机编号，μ是选择参考的网络基准虚拟机编号，N1τ、N2τ分别是第τ中网络虚拟机的CPU性能指数、内存参数，N3τ是第τ中的CPU硬盘参数，Cτ、Mτ分别是第 τ 中网络虚拟机的使用率和 CPU 内存的使用率，Dτ是第 τ中网络虚拟机中的率网络吞吐量。

通过遗传算法对网络资源的优化调度策略进行寻优，再将 AVG 通信环境中网络信息资源优化调度所有问题的特征看作是一种调度策略，该策略中拥有N个策划含量，相应的染色体具有N种基因，[xa，xb]是一种基因编码，xa与xb分别是网络任务的调度顺序和方法使用的资源，设定Pe与Pm分别表示变异与交叉几率，使用下列公式计算 AVG 通信环境下网络资源优化调度问题求解过程中，自适应交叉几率与变异几率如下式：

（7）

（8）

其中，k1、k2、k3、k4分别是区间[ 0，1]中的常数，favg是种群均衡适应值，fmax是种群的最大适应值，fm是将要变异的单独个体的适应值，fe是交叉个体的均匀适应值。因为种群的适应值函数能够反映所有个体的优势与劣势，那么使用式(9) 代表适应值函数，

（9）

其中，Ne是网络任务量，flagi·Pi是网络加权任务的完成量，Te是网络资源优化调度策略中最后一个任务的完成时间，TE是该阶段网络资源优化调度任务的最终时间，Te/TE为统一完成的时间。种群的适应函数利用flagi·Pi和Te/TE中的插值，来判断种群中最优质的个体，并且在 AVG 通信环境下网络高覆盖率的资源优化调度完成的最早。

2 模拟仿真

为了验证基于 AGV 通信的网络高覆盖率资源优化调度方法的性能，使用 GridSim仿真软件进行实验。设定 AVG 通信环境下网络节点总数量是 600 个，对比文献方法和本文设计方法在网络资源分组投递率方面的差异性，通过对比结果证明本文所提出方法的优势和性能。网络资源分组投递率如下：

（10）

其中，o是网络目标节点接收资源包数量，z是源发送的资源包数量。

表1 不同方法的网络资源分组投递率对比

通过表 1 能够看出，本文方法的网络信息资源分组投递率最高。是因在网络资源优化调度模型建造过程中加入了测评模型，并且针对各不相同的网络资源任务进行调度安排，依据遗传算法对优化调度寻优。使其很大程度上降低了AVG 通信环境下网络高覆盖率资源的时间延迟，提高了网络资源的分组投递能力。

3 结　语

综上所述，在信息技术迅速发展的背景下，目前存在调度能力的瓶颈问题。如何优化AVG通信环境下的网络资源传输问题越来越受到人们的关注。本文提出一种高覆盖资源优化调度方法，建立了网络调度中单节点特征接入的控制模型，构建了网络高覆盖资源模型，建立了综合评估模型。将评估模型集成到高覆盖资源模型中，以获得网络节点条件，预测任务执行情况，并最终使用遗传算法实现模型的最优调度，有效改善分组投递率。

参考文献

［1］ 鞠成恩，赵晓侠，王明兴，等． 改进遗传算法在云计算资源优化调度中的应用［J］． 软件导刊，2018，17( 4) : 45 － 46．

［2］ 丁丁，艾丽华，罗四维，等． 基于用户行为反馈的云资源调度机制［J］． 系统工程与电子技术，2018，40( 1) : 209 － 216．

［3］ 肖斐，艾芊． 基于模型预测控制的微电网多时间尺度需求响应资源优化调度［J］． 电力自动化设备，2018，38( 5) : 184 － 190．

［4］ 廖梦琛，孙鹏，张杰勇，等． 基于云遗传算法的不确定性环境下平台资源调度适应性优化方法［J］． 空军工程大学学报( 自然科学版) ，2017，18( 4) : 86 － 92．

［5］ 傅其晧，何坚，吕林． 考虑 DG 运行特性及负荷重要性的多微网应急综合资源优化调度［J］． 电测与仪表，2019，56( 02) : 39－46．

［6］ 陈黄科，祝江汉，马满好，等． 虚拟化云中随机任务与资源调度方法［J］． 系统工程与电子技术，2017，39( 2) : 348 － 354．

［7］ 汤兆平，秦进，孙剑萍，等． 不确定条件下铁路应急资源调度多目标优化方法研究［J］． 铁道学报，2018，40( 1) : 9 － 16．

［8］ 孟迪，张群，罗迎，等． 微动目标跟踪成像一体化的雷达资源优化调度算法［J］． 航空学报，2018，39( 2) : 214 － 224．