[发明专利]一种基于IAGA算法的高速列车车联网拓扑优化方法

说明书

本发明公开了一种基于IAGA算法的高速列车车联网拓扑优化方法，将网络拓扑结构优化转化为网络终端设备的分配规划过程，对车载网络的各参数进行定义；在车载网络连通可靠性约束条件下初步构建列车车联网的两层拓扑结构模型；在数据通信流量的计算基础上建立以网络流量负载和通信时延为优化指标的目标函数模型根据全双工交换节点物理条件的限制确定目标函数的约束条件，使用改进的自适应遗传算法对车载终端设备的分配方式进行规划；在改进的自适应遗传算法中进行优化求解，得到优化后网络拓扑中终端设备节点的分配结果。本发明能有效减小拓扑中各交换节点子网的通信负载，从而减小了终端设备间的端到端时延，改进了高速列车车联网的实时性能。

技术领域

本发明属列车通信网络技术领域，具体涉及一种基于IAGA算法的高速列车车联网拓扑优化方法。

背景技术

近些年来，我国轨道交通运营里程不断增加，高速列车的控制、监测技术的提高与乘客服务需求信息的完善，使得列车网络控制系统中的网络终端设备的种类和数量不断增加，高速列车车联网需要承载更多的信息交换，因此有更高的数据传输速率需求。高速列车上总线型网络的传输速率已经不能满足实时传输大量数据的要求，工业以太网因为更高的传输速率和良好的兼容性已经成为今后高速列车车联网发展的主要解决方案。实时性是高速列车车联网最显著的特点之一，因为在涉及车控、制动、故障诊断、监测等信息传输时必须严格控制传输时延上限，才能保证行车安全。从工业以太网的通信传输时延分析可知，拓扑结构优化是保证网络实时性的重要方式，因此对于应用在高速列车上的工业以太网的实时性能的研究有重要的意义。

在基于工业以太网的高速列车车联网拓扑优化方法研究中，有些研究从网络在经济性约束条件下的物理拓扑结构优化出发，大部分研究只考虑了单一的网络流量指标或者通信延迟指标，并没有充分考虑多个优化目标的关系；在不同的优化目标下研究得到的网络拓扑优化效果也不同。在求解高速列车车联网的优化模型时，可以采用各类启发式的搜索算法，每类搜索算法的收敛速度和求解精度都不相同，其中遗传算法作为一种随机的、不确定的搜索算法，可以很好地用来解决该问题。然而，传统的遗传算法在工程应用中往往存在收敛速度慢和早熟现象，对性能更好的改进遗传算法的研究也成为网络拓扑结构优化的研究重点，因此提出一种基于IAGA算法的高速列车车联网拓扑优化方法对于更加高效地改进网络的实时性能，具有重要的现实意义。

发明内容

本发明的目的在于提供一种基于IAGA算法的高速列车车联网拓扑优化方法，本发明针对基于工业以太网的高速列车车联网存在的实时性差的问题，通过优化高速列车车联网物理拓扑结构的车载终端设备的分配方式，减小了拓扑中各交换节点子网的通信负载，从而减小了高速列车车联网中车载终端设备间的端到端时延，达到了提高高速列车车联网实时性能的目的。为了实现上述目的，本发明采用的技术方案如下：

根据本发明的一个方面，提供了一种基于IAGA算法的高速列车车联网拓扑优化方法，其特征在于：将网络拓扑结构优化转化为网络终端设备的分配规划过程，对高速列车车联网通信数据进行优化分配处理，得到网络拓扑节点的分配结果；其优化过程包括以下步骤：

步骤S01：将网络拓扑结构优化转化为车载终端设备的分配规划过程，对车载网络的各参数进行定义，各参数定义包括对通信流量、通信时延、交换节点性能参数、终端节点和链路参数的定义，并根据车载网络连通可靠性确定基本的列车车联网的物理拓扑结构；

步骤S02：在车载网络连通可靠性约束条件下初步构建列车车联网的两层拓扑结构模型，对两层拓扑结构模型中车载终端设备节点间通信的过程数据和消息数据的通信流量进行计算，根据计算所得的通信流量值构造通信量权值矩阵和终端设备节点的邻接映射矩阵；

步骤S03：在数据通信流量的计算基础上建立以网络流量负载和通信时延为优化指标的目标函数模型，根据通信量权值矩阵和邻接映射矩阵建立以车联网络拓扑结构中所有车辆层子网中的通信流量负载量最小、负载均衡以及网络终端设备间传输时延最小为优化目标的函数；