[发明专利]车载自组网中基于车载雾计算的蚁群优化方法

权利要求书

1.一种车载自组网中基于车载雾计算的蚁群优化方法，其特征在于，步骤如下：

1)建立车载雾计算模型；车载雾计算模型共分为四层：用户层，车辆雾节点层，MEC服务器层，云层；当车辆进入车辆雾节点层覆盖范围内时，通过IEEE802.11p链路与车辆雾节点层进行链接并发送任务请求，车辆雾节点层收到这些任务请求后通过LTE链路与MEC服务器层进行链接，并且经过MEC服务器层将用户层的请求发送至云层进行处理，经云层处理后再将结果返回至车辆；

2)于上述模型中输入数据进行模糊化处理；根据设备的历史记录进行数据的采集，并对输入的采集数据进行模糊化处理，选取的模糊变量包括IEEE802.11p链路质量，LTE链路质量，邻居数；采用三角形函数来表示隶属度函数，并且三个迷糊变量的隶属度有优、良、差三个等级；规定LTE链路以及IEEE802.11p链路信号强度在-110dBm到-90dBm之间为差，-100dBm到-70dBm之间为良，-85dBm到-30dBm之间为优；邻居数量在0到10之间为差，5到15之间为良，10到60之间为优；针对每一个节点，IEEE802.11p链路质量，LTE链路质量，邻居数三个模糊变量的隶属度都可得出；

3)制定模糊规则得到模糊集合；

4)去模糊化处理后得到候选中继节点；

5)对候选中继节点进行优化，使得中继节点数量的最小化及覆盖节点数量的最大化；

采用蚁群优化算法对候选中继节点进行优化；中继节点的选择在于在一定的约束条件下，使有效中继节点的数量最小化和使与中继节点直接通信或通过两跳通信与中继节点进行通信的车辆的数量最大化；将问题表述为多目标优化问题；

目标是最大化覆盖节点的数量，并最小化中继节点的数量；因此，目标函数表述为：

其中，AG为候选中继节点的数量，AC为候选中继节点覆盖的车辆数量，AU为未被覆盖的车辆数量；X_ij表示将节点v_j附加到v_i的二进制变量，S_i表示该节点是否为候选中继节点的二进制变量：

式中，M₁表示AG×AC的矩阵，M₂表示AC×AU的矩阵，两者的矩阵元素分别表示为：

目标函数受到如下约束：

其中，公式(8)表示至少选择一个中继节点，公式(9)表示被覆盖的车辆仅连接到一个中继节点，公式(10)表示未覆盖的节点仅连接到一个被覆盖节点，公式(11)表示未被作中继节点的候选中继节点仅连接到一个被覆盖的节点，公式(12)、(13)分别表示连接到同一个中继节点的车辆数量及最终不能进行任务传输的车辆不能超过阈值；

在候选中继节点选择阶段，各车辆均存储有邻居列表信息，同时每个未被覆盖的节点存储着候选中继节点所覆盖的邻居数量以及位置信息；在蚁群优化算法的初始化步骤中，定义信息素轨迹矩阵τ和启发式信息矩阵γ；τ包含未覆盖和覆盖节点之间以及覆盖节点与中继节点之间积攒的信息素量；所有路径的初始信息素量均为0，在这种情况下，假设信息素取决于连接到中继节点或覆盖节点的节点数；为避免超过预定义的阈值Thr，初始值定义为τ₀＝1/E，E是车辆邻居的估计值；

启发式信息γ_ij表示将v_i附加到v_j的可取性，其取值根据以下定义：

其中，γ_1,ij＝1/d_ij，γ_2,ij＝1/s_ij，d_ij定义是v_i和v_j之间的标准化距离；s_ij是v_i和v_j之间的归一化速度；

其中，dc_ij是v_i和v_j之间的欧氏距离；d_min和d_max分别是两辆车之间的最小距离和最大距离；其中d_ij的值越小，γ_1,ij的值越容易得出；

其中，s_i和s_j分别是v_i和v_j的速度，θ_i和θ_j分别是v_i和v_j相对于x轴的倾角；s_min和s_max分别是车辆的最小速度和最大速度；是v_i和v_j之间的相对速度；其中，s_ij的值越小，γ_1,ij的值越容易得出；初始化之后，在v_i中生成的蚂蚁根据公式(17)表达的转换规则选择其目标v_j；

其中，q是0到1的随机值，q₀是概率的固定值；若q≤q₀，蚂蚁根据自身的能力判定车辆i和其邻居之间的最佳联系；

若q＞q₀，则根据以下概率公式随机选择车辆k：

其中，α和β为两个常数，分别代表信息素和启发式信息的加权值；V_i指未被覆盖节点周围的被覆盖的节点和被覆盖节点周围的候选中继节点；

在算法迭代结束时，使用公式(19)更新信息素：

τ_ij＝(1-ρ)τ_ij+Δτ_ij                         (19)

新信息素量是残留信息素与蚂蚁在返回过程中留下的信息素的总和；ρ表示信息素随时间挥发的程度因子，1-ρ为信息残留因子，0≤ρ≤1；

其中，Δτ_ij表示回程期间积攒的信息素量；

若Δτ_ij是中继节点和被覆盖的节点v_j之间沉积的信息素量，N_t是连接到中继节点的被覆盖车辆的数目；若Δτ_ij是被覆盖节点v_i和未被覆盖节点v_j之间沉积的信息素量，N_t是已经与被覆盖节点v_i连接但未被覆盖的节点数量；

将回溯技术结合蚁群算法成为BTACO算法，更新规则如下：

τ_ij(t+Δt)＝τ_ij(t)-(NQ/L_l)                      (21)

其中，Q是一个常数，L_l是当前最佳行程的长度；当最优值连续N次不变时，在每个回溯周期中，信息素将在最优路径上更新；

τ_ij(t+Δt)＝τ_ij(t)+(Q/L_k)                        (22)

L_k是走完全程的长度；当最优值在M时间内没有变化时，其会返回到回溯点，并重新初始化信息素值。