[发明专利]基于改进遗传算法的天地一体化网络资源分配方法

摘要

本发明公开了一种基于改进遗传算法的天地一体化网络资源分配方法，包括以下步骤：定义参数及决策变量；建立多目标约束模型；基于改进遗传算法的资源分配。本发明考虑多种资源的分配，使天地一体化网络的资源利用率得到显著提高。本发明改进后的选择机制有效保留了精英个体，加快了改进遗传算法的收敛速度。本发明以完成所有任务的时间最短为目标函数，同时考虑了任务的优先级，有效提高了资源分配的合理性；并将精英保留策略与轮盘赌策略相结合改进选择机制、设计自适应的交叉、变异算子，改进了现有遗传算法，改进后的算法可以有效避免遗传算法局部优化能力差以及容易陷入局部最优等缺点，同时能够防止最优解的丢失，有效提高了算法的寻优速度。

主权项

1.基于改进遗传算法的天地一体化网络资源分配方法，其特征在于：包括以下步骤：A、定义参数及决策变量A1、天地一体化网络的资源被定位为所有能够影响端到端通信目标的、可感知的、可管理的、可操作的网络组成模块和设备的总和；根据网络实体的物理功能将天地一体化网络资源划分为传感器资源、计算资源、存储资源和通信资源四大类；假设天地一体化网络中共有s颗卫星，设卫星集为：sat＝{sat1,sat2,…,sats}，在s颗卫星组成的天地一体化网络中，共有r个资源，这些资源划分为m种；每个卫星上有若干个资源，完成相应的任务；A2、假设用户提交了n个任务，设任务集为：Task＝{Task₁,Task₂,…,Task_n}，其中Task_i是由Q_i个具有次序约束的不重叠子任务组成，即：每个任务的子任务保持有偏序关系“<”：A3、假设i为任务序号，j为任务的子任务序号，k为资源序号，则：T_ik表示第i个任务在第k个资源上的完成时间，T_ijk和t_ijk分别为第i个任务的第j个子任务在第k个资源上的完成时间和工作时间；能满足子任务Task_ij资源需求的卫星构成的卫星子集为R_ij为完成子任务Task_ij的卫星；A4、假设任务的优先级pi∈{1,2,…,pmax}，pmax为正整数，表示任务的最高优先级；对当前调度模型的所有任务按任务优先级进行排序，优先级越高排序越靠前，同优先级的多个任务按照任务所需时间越短优先级越高的原则进行排序，则得到基于优先级的最优任务执行序列；引入线性代数中逆序数的概念，定义任务执行序列的优先级逆序数PIN：对于调度模型中的n个任务，把基于优先级的最优任务执行序列定义为标准次序，对于一个任务执行序列，在这个排序中当某两个元素的先后次序与标准次序不同时，就说有1个逆序，则任务执行序列中所有逆序的总数叫做这个任务执行序列的优先级逆序数PIN；对于一个任务执行序列来说，它的优先级逆序数越小，则该任务执行序列基于优先级的角度来说越好，优先级越高的任务越早分配资源；B、建立多目标约束模型定义多目标约束模型符合以下假设条件：B1、任务的每一个子任务顺序已经预先约定；B2、每个子任务在可用卫星子集的任意卫星上处理；B3、当前任务来临的时候，前面的任务还没有完成，允许有等待时间；B4、任何任务只能在前一子任务完成之后才能进行下一任务；根据步骤A2对任务进行子任务分割，确定各个子任务所需的资源类型以及时间，并且满足各个子任务之间的相互依赖关系；需要解决的问题是如何将每个子任务合理的分配到各个卫星资源上面，使得在考虑任务优先级的情况下完成所有任务的时间尽可能的短；基于上述定义，建立的天地一体化网络资源调度系统多目标约束模型为：S.T.(a)Tijk‑Ti(j‑1)k≥tijk,i∈{1,2,…,n},j∈{1,2,…,Q},k∈{1,2,…,r}(b)Tegk‑Tijk≥tegk,i,e∈{1,2,…,n},j,g∈{1,2,…,Q},k∈{1,2,…,r}(c)(d)上述多目标约束模型中，目标函数f1代表调度的目标是保证各任务的最大完成时间最小化，即使得完成所有任务的时间尽可能的短；目标函数f2代表调度的目标是保证任务执行序列的优先级逆序数最小化，即使得优先级高的任务尽可能早的完成；约束a为顺序约束：第i个任务的第j个子任务必须在第j‑1个子任务完成后才能开始，也就是说必须保证各个任务的子任务的偏序顺序；约束b为资源约束：在第k个资源上，第e个任务的第g个子任务的完成时间比第i个任务的第j个子任务的完成时间至少大于第e个任务的第g个子任务的运行时间；即表示任一确定时刻，第k个资源不能同时处理任意两个不同任务或者子任务；约束c为时间约束：任意一个子任务的完成时间不能小于其工作时间；约束d为非负性约束：即每个子任务的完成时间不允许为负；在天地一体化网络资源调度问题中，任务完成时间、优先级逆序数是不同量纲的目标参数；为了得到优化的调度结果，首先对目标参数进行无量纲的标准化处理，再基于模糊偏好对优化目标分别确定权重，目标函数f1、f2的权重分别表示为ω1、ω2，最后利用线性加权法，在对各个目标函数进行分析的基础上，通过多个目标函数加权运算来构造单目标函数，将多目标问题转化为单目标的优化问题；具体表达为：Min(f＝ω1f1+ω2f2)                       (2)C、基于改进遗传算法的资源分配根据多目标约束模型生成调度方案并计算目标函数，采用人工智能算法对调度方案进行寻优，具体步骤如下：C1、参数初始化；设置种群规模M、最大迭代次数Max、初始交叉概率k1和初始变异概率k2；C2、确定染色体长度并对任务序列进行编码；采用整数形式编码任务序列，将任务根据标准次序即基于优先级的最优任务执行序列进行编码，形成任务与编码号的对应表即编码表，利用编码表将任务序列编码成一个长度为的染色体，作为编码过程；通过改进遗传算法找到较优的染色体之后，利用编码表将染色体解码为天地一体化网络资源分配问题的任务序列，作为解码过程；C3、生成初始种群；随机产生M个染色体，组成初始种群，令迭代次数计数器t＝0；C4、判断是否满足迭代终止条件；若不满足条件，迭代次数t＝t+1，转步骤C5；若满足条件，则转入步骤C8；C5、适应度值的计算；首先，染色体中不要求子任务满足偏序关系，因此在计算适应度值之前，需要对染色体进行偏序处理，使子任务满足偏序关系；随后，对染色体计算适应度值，适应度函数定义为：式中：f₁^s、分别为目标函数f₁、f₂的无量纲标准化指标值；ω₁、ω₂分别为目标函数f₁、f₂的权重；适应度函数取2个目标函数f₁、f₂的无量纲标准化指标值的线性加权和，说明染色体中所有任务的完成时间越短、染色体中优先级越高的任务越早完成，则适应度函数值越小，该染色体越优；最后，对种群中的染色体全部计算适应度值之后，对适应度值进行排序，将适应度值小的部分个体作为精英个体保留下来；C6、产生新种群；采用精英保留策略的思想改进遗传算法，将每代中最优秀的部分个体直接保留并遗传给下一代，剩下的个体通过轮盘赌法选择到子代中；迭代完成后，从所有保留个体中选出最优个体作为优化方案的结果；C7、对染色体进行自适应交叉、变异操作；设计一种混合的自适应交叉、变异算子，令Pc和Pm分别是交叉概率和变异概率；当种群中个体的适应度值趋于一致时，种群容易陷入局部最优，此时种群的多样性较差，如果选择较大的Pc和Pm增加新个体的产生概率，有利于种群跳出局部最优状态；在改进遗传算法的初始阶段或种群适应度值较分散时，选择较小的Pc和Pm有利于精英个体的保留，同时加快改进遗传算法的收敛速度；因此，采用下式具体计算自适应交叉概率和变异概率：式中：k1、k2为0～1之间的常数，分别为初始交叉率、初始变异率；f为种群的适应度值列表；E(*)为求随机变量数学期望的函数；Pc、Pm为最终求到的自适应交叉概率、变异概率；计算得到自适应交叉概率Pc和变异概率Pm后，对染色体进行自适应交叉、变异操作；为确保每条染色体中的基因码出现且仅出现一次，交叉算子采用循环交叉算子，变异算子采用基因对换变异算子；C8、从各迭代保留结果中选出最优个体作为改进遗传算法的最优解，改进遗传算法；结束。