CN105844370A - 基于粒子群算法的城市道路车辆连通度优化方法 - Google Patents
基于粒子群算法的城市道路车辆连通度优化方法 Download PDFInfo
- Publication number
- CN105844370A CN105844370A CN201610322320.8A CN201610322320A CN105844370A CN 105844370 A CN105844370 A CN 105844370A CN 201610322320 A CN201610322320 A CN 201610322320A CN 105844370 A CN105844370 A CN 105844370A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- communication
- degree
- urban road
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于粒子群算法的城市道路车辆连通度优化方法,主要解决现有技术中城市道路车辆连通度仅有表达式模型,难以工程化应用的问题。其实现有:自由流的状态下,构建城市道路车辆间连通度的应用场景;引入信道衰落构建目标函数;确定影响车辆连通度的约束条件;用粒子群算法对车辆间可用连通度模型进行求解、优化。本发明考虑节点高度动态性以及引入信道随机性描述通信半径的影响,又加入速度和跳数限制定性分析城市道路中车辆连通度模型。采用对数正态分布的阴影传播模型更好地刻画信道随机性对连通度的影响,更准确描述车辆连通度。本发明能处理多条车道路段的实际场景,广泛应用于大中小城市。
Description
技术领域
本发明属于交通技术领域,主要涉及城市道路车辆连通度问题,具体是一种基于粒子群算法的城市道路车辆连通度优化方法。可广泛应用于大中小城市路网中。
背景技术
随着移动自组织(Mobile Ad Hoc)网络技术的不断发展,车载通信已经成为国内外研究的一个崭新领域,车载自组网(Vehicular Ad Hoc Networks VANETs)也因此受到了广泛的关注。随着,现代交通不断发展,给人们的生活带来极大的便利,但各种交通问题也随之频繁发生。车辆在道路行驶中,交通拥挤、道路阻塞、交通事故频繁发生,这在很大程度上严重威胁到了人们的生命安全。而引入车间无线通信则有利于改善道路交通状态、增强交通***的效率。
车载自组网(VANETs)由道路上的节点自发形成,这些节点包括移动的车辆、行人以及路边固定的基础设施。由于车辆运动和衰落现象,导致网络拓扑结构不稳定。VANETs中,节点的连通度很容易受到动态拓扑的影响,整个网络的通信质量也随之下降。另一方面,信道随机性对连通度有影响,例如无线信道质量由于受到周围建筑、道路状况以及运动特征等因素的影响而不稳定。
Nagel R等人通过考虑节点的速度和行驶方向,分析了节点的连通度和连通时长的概率密度分布的确切表达式,由于较高的相对速度使得某些合作策略(如路由协议)难以进行,仅能满足紧急预警场景的性能要求,难以在实际城市道路场景中应用。
发明内容
本发明的目的在于克服现有技术中针对道路车辆连通度处于理论研究阶段,仅有连通度的表达式模型,难以工程化应用,提出一种道路车辆之间信息快速交互的基于粒子群算法的城市道路车辆连通度优化方法。
本发明是一种基于粒子群算法的城市道路车辆连通度优化方法,其特征在于,包括如下步骤:
步骤1、构建城市道路车辆间连通度的应用场景,在一个现实的城市环境,长为L的路段H是由n条同向车道和n条反向车道组成,n≥2,车载自组网(VANETs)由道路上的车辆自发形成,在连通范围内的车辆进行通信,无线通信信道质量受到周围建筑、道路状况以及运动特征的影响;道路中车辆数目服从泊松分布,车辆的速度用向量来表示,它只有两个方向,同方向车辆速度遵循相同的高斯分布;Rcomm是车辆的通信半径,由于信道衰落,发射功率等因素的影响,车辆的通信范围也是各不相同;本发明中n≥2可以处理多条车道路段。
步骤2、构建目标函数,根据车辆间相对速度预测通信链路的可用性,考虑两辆车的移动方向得到车辆Vi和车辆Vj之间可连通链路的概率;考虑信道衰落对连通概率的影响下发射端车辆Vi和接收端车辆Vj成功传输概率;得到目标函数。步骤3、确定约束条件,选取影响连通概率的因素,影响因素包括:车辆速度,通信半径,传输跳数;并给出约束条件,完成对车辆连通度的建模,即建立了城市道路车辆连通度模型。
步骤4、对车辆间可用连通度模型进行优化,在车辆自由流的状态下,利用粒子群算法对所述的模型进行求解,得到城市道路中车辆的最优连通度,输出城市道路车辆最优连通状态。
本发明的技术思路是:在道路处于自由连通状态的前提下,考虑节点的高度动态性和信道衰落对可用连通度的影响,根据多车道车辆连通概率分析,构建一个连通度优化模型并运用粒子群算法对该模型进行求解,得出当前路段最大的可用连通度。
与现有技术相比,本发明的技术优势:
(1)VANETs中,节点的连通度很容易受到动态拓扑的影响,整个网络的通信质量也随之下降,本发明考虑信道随机性对连通度的影响,更加准确的描述城市道路中车辆连通度特性。
(2)现有技术中针对道路车辆连通概率研究处于理论研究阶段,仅有连通度的表达式模型,难以工程化应用,本发明采用对数正态分布的阴影传播模型更好地刻画信道随机性对连通度的影响,可以处理多条车道路段的实际场景,可以广泛应用于大中小城市;
(3)本发明运用粒子群算法对城市道路车辆连通度求解,使得模型的求解结果更加准确,粒子群算法具有较强的求解复杂问题的能力,且搜索范围广、收敛速度快。
附图说明
图1为本发明基于粒子群算法的城市道路车辆连通度优化方法;
图2为本发明中利用粒子群算法计算车辆最大连通度的流程图;
图3为本发明城市道路车辆连通度模型示意图。
具体实施方式
下面结合附图对本发明详细说明
实施例1
本发明的具体实施环境是在城市路网中进行。由于城市路网环境复杂多变,所以本发明对于由天气原因和交通事故引起的交通拥堵的情况不做考虑。只考虑在自由流的状态下,获取车辆的最优连通性能。
本发明是一种基于粒子群算法的城市道路车辆连通度优化方法,参见图1,包括有如下步骤:
步骤1、构建城市道路车辆间连通度的应用场景,在一个现实的城市环境,路段H是由n条同向车道和n条反向车道组成,n≥2,车载自组网(VANETs)由道路上的车辆自发形成,在连通范围内的车辆进行通信,无线通信信道质量受到周围建筑、道路状况以及运动特征的影响;道路中车辆数目服从泊松分布,车辆的速度用向量来表示,它只有两个方向,同方向车辆速度遵循相同的高斯分布;Rcomm是车辆的通信半径,由于信道衰落,发射功率等因素的影响,车辆的通信范围也是各不相同;本发明中n≥2可以处理多条车道路段。
步骤2、构建目标函数,参见图3,根据车辆间相对速度预测通信链路的可用性,考虑两辆车的移动方向得到车辆Vi和车辆Vj之间可连通链路的概率;考虑信道衰落对连通概率的影响下发射端车辆Vi和接收端车辆Vj成功传输概率;得到目标函数。
步骤3、确定约束条件,选取影响连通概率的因素,影响因素包括:车辆速度,通信半径,传输跳数;并给出约束条件,完成对车辆连通度的建模,即建立了城市道路车辆连通度模型。
步骤4、对车辆间可用连通度模型进行优化,在车辆自由流的状态下,利用粒子群算法对所述的模型进行求解,得到城市道路中车辆的最优连通度,输出城市道路车辆最优连通状态。
VANETs中,节点的连通度很容易受到动态拓扑的影响,整个网络的通信质量也随之下降,本发明在信道衰落对连通度的影响和设定通信范围方面,考虑信道随机性的影响,更加准确的描述城市道路中车辆连通度特性。并且运用粒子群算法对城市道路车辆连通度求解,粒子群算法具有分布式计算和较强的求解复杂问题的能力,搜索范围广,收敛速度快,使得模型的求解结果更加快速、准确。
实施例2
基于粒子群算法的城市道路车辆连通度优化方法,同实施例1,步骤2中所述的构建目标函数包括如下步骤:
步骤2.1定义Δvij为相对速度,遵循高斯分布,Δvij为车辆Vi和车辆Vj之间的相对速度;定义dij表示车辆Vi和车辆Vj的几何距离;Tij表示车辆Vi和车辆Vj基于车载自组网的连通时间,p(AC)表示车辆的可用连通度,N是路段H上的车辆数目,服从泊松分布;
步骤2.2根据相对速度预测通信链路的可用性,考虑两辆车的移动方向得到车辆Vi和车辆Vj之间可连通链路的概率
其中,f(Δvij)是车辆Vi和Vj相对速度的概率密度函数,dij表示车辆Vi和Vj的几何距离,Rcomm是车辆的通信半径,由于信道衰落,发射功率等因素的影响,车辆的通信范围也是各不相同。
步骤2.3考虑信道衰落对连通概率的影响,服从参数m的Nakagami-m分布是一个合适的模型来描述无线电波传播的衰减,得到信道衰落影响下发射端车辆Vi和接收端车辆Vj成功传输概率
上式中Fd(rT;m,Ω)表示接收信号功率的累积分布函数。rT是信号的接受阈值,Ω是给定的平均功率强度,表示如下:
pt是发射功率,G是常量;衰减参数m是一个关于dij的函数。pt设置参见实施例5,G的取值参见Nakagami-m分布模型,衰减参数m参见实施例5。
步骤2.4根据两车间链路连通概率和信道衰落影响下成功传输概率车辆i在时间T内的可用连通度为:
假定δ是分析的时间间隔,即我们计算节点每δ单位时间的连通度。AC(T)表示[T-δ,T]内的可用连通度,Ni(T)表示时间T内车辆i的邻居数目,T∈{0,δ,2δ…}
设计目标函数使得可用连通度最大:
式中P(AC)表示车辆的连通度,Ni(T)表示时间T内车辆i的邻居数目,N是路段H上的车辆数目,服从泊松分布。
本发明设计的目标函数包含信道衰落影响下,发射端车辆Vi和接收端车辆Vj成功传输概率因素,在原有的连通度模型的基础上,考虑信道衰落对连通概率的影响,采用对数正态分布的阴影传播模型更好地刻画信道随机性对连通度的影响,可以处理多条车道路段的实际场景,可以广泛应用于大中小城市;
实施例3
基于粒子群算法的城市道路车辆连通度优化方法,同实施例1-2,步骤3中所述的约束条件包括如下因素:
3.1选取影响连通概率的影响因素,并给出相应的约束条件;影响因素分别为:车辆速度,通信半径,传输跳数。
3.2根据上述车辆速度,通信半径,传输跳数的影响因素,得到约束条件;确定约束条件其中的车辆速度:
vmin≤v≤vmax
上式是在自由流下,车辆的速度是不相关的,也就是说它们是相互独立的随机变量,车辆的速度服从正态分布,引入了两个参数,vmax和vmin表示车辆速度的上下限。
3.3根据通信半径的期望值确定约束条件其中的通信半径:
3.3.1通信半径的期望值式中pt是节点的发射功率,pth是阈值功率,pd是接收功率,β是路径损耗指数;
3.3.2根据通信半径的期望值确定约束条件其中的通信半径:
Rcomm=E(R)
上式中Rcomm表示车辆的通信半径,通信半径受到信道衰落,发射功率,接收功率因素的影响;
3.4确定约束条件其中的传输跳数;
3.4.1传输跳数表示为:
式中,α=L/Rcomm,第i车道的车辆密度服从参数γi的均匀分布。
3.4.2确定约束条件其中的传输跳数:
0<H≤Hth
上式中H表示数据传输的跳数,跳数增多的同时,通信质量也会随之下降,Hth是跳数的临界值,当跳数大于临界值时,通信质量会大大下降。
无线信道质量由于受到周围建筑、道路状况以及运动特征等因素的影响而不稳定,本发明考虑信道随机性对连通度的影响,引入信道随机性描述对通信半径的影响,同时加入速度和跳数限制定性分析城市道路中车辆连通度模型,更加准确描述车辆连通度。
实施例4
基于粒子群算法的城市道路车辆连通度优化方法,同实施例1-3,步骤4中所述的利用粒子群算法求得城市道路中车辆的最优连通度包括如下步骤:
步骤4.1编写程序来定义所构建的多目标模型的函数;
步骤4.2设置种群大小及迭代次数;
步骤4.3初始化每个粒子的位置xi,xi的初始位置随机产生,速度为vi;
步骤4.4更新内部每个粒子的速度和粒子的位置;
步骤4.5计算每个粒子的适应度函数值;
步骤4.6更新个体极值pbest,对每个粒子,用它的适应度值和个体极值pbest进
行比较,如果适应度值优于pbest,则用适应度值替换pbest;
步骤4.7更新全局极值gbest,对每个粒子,用它的适应度值和全局极值gbest进
行比较,如果适应度值优于gbest,则用适应度值替换gbest;
步骤4.8当迭代次数达到最大值,粒子群算法结束,输出最优解,得到城市道路中车辆的最优连通度,输出城市道路车辆最优连通状态;否则,迭代次数未达到最大值,转向步骤4.4,更新每个粒子的速度和粒子的位置,重新搜索。
粒子群算法规则简单,容易实现,在工程中应用比较广泛,粒子群算法具有较强的求解复杂问题的能力,收敛速度快,求解结果更加准确,本发明也采用粒子群算法对车辆间连通度模型进行求解,可以快速确定出目标方案。
实施例5
基于粒子群算法的城市道路车辆连通度优化方法,同实施例1-4,本例给出一个完整实现城市道路车辆连通度优化方案。
由于城市路网环境复杂多变,所以本发明对于由天气原因和交通事故引起的交通拥堵的情况不做考虑。只考虑在自由流的状态下,获取车辆的最优连通性能。
在一个现实的城市环境,长为L的路段H是由n条同向车道和n条反向车道组成,n=2,3…。本例中n=3,表示路段H有3条同向车道和3条反向车道。
因为车辆所收集的信息分为历史信息和即时信息,建立一个动态模型估计链路的可用连通概率,来反映车辆在城市场景的移动性。自由流下路段H车辆的速度服从高斯分布。车辆的速度用向量来表示,它只有两个方向,同一个方向的车辆速度遵循相同的高斯分布。因此,得到的车辆Vi平均速度分布如下:
其中μi和σi的值取决于车辆Vi的移动方向,μi是平均速度向量,σi是速度的标准偏差,车辆Vi平均速度从车辆所收集的历史信息和即时信息中得到。
1、为了估计链路可用性,定义Δvij为相对速度,它也遵循高斯分布,即相向而行意味着车辆在同一方向移动,相背而行意味着车辆在相反的方向移动:
根据相对速度预测链路的可用性,考虑两辆车的移动方向,车辆Vi和Vj之间可连通链路的概率表示如下:
其中,f(Δvij)是车辆Vi和Vj相对速度的概率密度函数,dij表示车辆Vi和Vj的几何距离,Rcomm是车辆的通信半径,由于信道衰落,发射功率等因素的影响,车辆的通信范围也是各不相同。
2、考虑信道衰落对连通概率的影响。服从参数m的Nakagami-m分布是一个合适的模型来描述无线电波传播的衰减。可以得到信道衰落影响下发射端Vi和接收端Vj成功传输概率如下:
这里,Fd(rT;m,Ω)表示接收信号功率的累积分布函数。rT是信号的接受阈值,Ω是给定的平均功率强度,表示如下:
pt是发射功率;本例中G是常量,取值参见Nakagami-m分布模型;衰减参数m是一个关于dij的函数,表示如下:
3、在VANET中,由于车辆的高度移动性,拓扑结构以及车辆所对应的连通链路时刻发生着变化,所以,一个精确的连通度定义应该能够反映这种瞬时状态。然而,瞬时连通度受到时间限制,对设计没什么实际作用。为此,将连通度概念进一步扩展为一定时间内的连通度。假定δ是分析的时间间隔,即计算节点每δ单位时间的连通度。AC(T)表示[T-δ,T]内的可用连通度,Ni(T)表示时间T内车辆i的邻居数目,T∈{0,δ,2δ…}。
自由连通状态的前提,根据一个路段H上节点分布的统计特性,建立连通概率的模型。
3.1根据两车间链路连通概率和信道衰落影响下成功传输概率车辆i在时间T内的可用连通度为:
设计目标函数使得可用连通度最大:
式中P(AC)表示车辆的连通度,Ni(T)表示时间T内车辆i的邻居数目,N是路段H上的车辆数目,服从泊松分布。
3.2选取影响连通概率的影响因素,并给出相应的约束条件如下:
确定约束条件其中的车辆速度:
vmin≤vi≤vmax
在自由流下,车辆的速度是不相关的,也就是说它们是相互独立的随机变量。车辆的速度服从正态分布。引入两个参数,vmax和vmin表示车辆速度的上下限,vmin=20km/h,vmax=80km/h。
3.3根据通信范围的期望值确定约束条件其中的通信范围:
3.3.1在VANET中,阴影衰落严重影响网络的连通度。已知的在VANET方面的研究仍依赖确定性模型来进行信道传输,假设两个节点能够正常通信,当且仅当两点的距离不超过通信半径Rcomm。在现实环境中,确定性模型在信息传输时很容易失败。本发明采用对数正态分布的阴影传播模型能更好地刻画信道随机性对连通度的影响。
通信半径的期望值
式中pt是节点的发射功率,pth是阈值功率,pd是接收功率,β是路径损耗指数。表1给出上述参数的设置。
表1通信半径各参数设置
3.3.2根据通信半径的期望值确定约束条件其中的通信半径:
Rcomm=E(R)
上式中Rcomm表示车辆的通信半径,通信半径受到信道衰落,发射功率,接收功率因素的影响。
3.4确定约束条件其中的传输跳数;
3.4.1传输跳数表示为:
式中,α=L/Rcomm,L表示路段H的长度,第i车道的车辆密度服从参数γi的均匀分布。
3.4.2确定约束条件其中的传输跳数:
0<H≤Hth
上式中H表示数据传输的跳数,跳数增多的同时,通信质量也会随之下降,Hth是跳数的临界值,当跳数大于临界值时,通信质量会大大下降,本例中设置Hth=20。
实施例6
基于粒子群算法的城市道路车辆连通度优化方法,同实施例1-5,参见图2,利用粒子群算法计算车辆最大连通度,对连通度模型进行优化;
步骤4.1编写程序来定义所构建连通度模型的函数;
步骤4.2设置种群大小及迭代次数;
本例中,种群大小为30个,迭代次数为50次。
步骤4.3初始化每个粒子的位置xi的初始位置随机产生,速度为vi=[v1,v2,…vn],i为粒子的序号;
步骤4.4更新内部每个粒子的速度和粒子的位置;
vi=w×vi+c1×r1(pbest[i]-xi)+c2×r2(gbest[i]-xi)
xi=xi+vi
上式常数c1和c2控制个体极值和全局极值对粒子更新的影响程度,c1=2,c2=2,参数w称为惯性权重,w=0.8,r1和r2是0~1之间的随机数。
在迭代时,车辆的速度的取值范围为vmin≤vi≤vmax,vmin=20km/h,vmax=80km/h;
步骤4.5计算每个粒子的适应度函数值;
式中,n表示约束条件的数目,μ是惩罚因子,pi(AC)为非可行粒子对第i约束的约束违背测度,p1(AC)=min{0,vmax-vi},p2(AC)=min{0,vi-vmin},p3=|Rcomm-E(R)|。
φ(AC,l)表示在粒子群算法执行的第l代对于非可行粒子的附加启发式值,Worst-fit(t)的值初始化为106,μ=10。
步骤4.6更新个体极值pbest,对每个粒子,用它的适应度值和个体极值pbest进行比较,如果适应度值优于pbest,则用适应度值替换pbest;
步骤4.7更新全局极值gbest,对每个粒子,用它的适应度值和全局极值gbest进行比较,如果适应度值优于gbest,则用适应度值替换gbest;
步骤4.8当迭代次数达到最大值,迭代次数为50次,粒子群算法结束,输出最优解,得到城市道路中车辆的最优连通度,输出城市道路车辆最优连通状态;否则,迭代次数未达到最大值,转向步骤4.4,更新每个粒子的速度和粒子的位置,重新进行搜索,直到满足最大迭代次数,得到城市道路中车辆的最优连通度。
本发明涉及城市道路处于自由连通状态的前提下,一种城市道路车辆连通度建模及优化方法。主要解决现有技术中道路车辆连通度仅有表达式模型,难以工程化应用的问题,本发明在信道衰落对连通度的影响和设定通信范围方面,考虑信道随机性的影响定性分析城市道路中车辆连通度模型。其技术方案是:首先在一个现实的城市环境,自由流的状态下,构建城市道路车辆间连通度的应用场景;其次引入信道衰落构建目标函数;选取影响连通概率的因素确定影响车辆连通度的约束条件;最后利用粒子群算法对所述的模型进行求解,得到城市道路中车辆的最优连通度。本发明考虑节点高度动态性以及信道衰落对车辆连通度的影响,构建一个连通度优化模型,并用粒子群算法求最大的连通度,构造一个最优连通状态。本发明更准确描述车辆连通度,能处理多条车道路段的实际场景,广泛应用于大中小城市。
以上描述仅是本发明的具体实例,显然对于本领域的专业人员来说,在了解了本发明的内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于粒子群算法的城市道路车辆连通度优化方法,其特征在于,包括如下步骤:
步骤1、构建城市道路车辆间连通度的应用场景,在一个现实的城市环境,长为L的路段H是由n条同向车道和n条反向车道组成,n≥2,车载自组网由道路上的车辆自发形成,在连通范围内的车辆进行通信,无线通信信道质量受到周围建筑、道路状况以及运动特征的影响;道路中车辆数目服从泊松分布,车辆的速度用向量来表示,它只有两个方向,同方向车辆速度遵循相同的高斯分布;Rcomm是车辆的通信范围;
步骤2、构建目标函数,根据车辆间相对速度预测通信链路的可用性,考虑两辆车的移动方向得到车辆Vi和车辆Vj之间可连通链路的概率;考虑信道衰落对连通概率的影响下发射端车辆Vi和接收端车辆Vj成功传输概率;得到目标函数;
步骤3、确定约束条件,选取影响连通概率的因素,影响因素包括:车辆速度,通信半径,传输跳数;并给出约束条件,完成对车辆连通度的建模;
步骤4、对车辆间可用连通度模型进行优化,在车辆自由流的状态下,利用粒子群算法对所述的模型进行求解,得到城市道路中车辆的最优连通度,输出城市道路车辆最优连通状态。
2.根据权利要求1所述的基于粒子群算法的城市道路车辆连通度优化方法,其特征在于,步骤2中所述的构建目标函数包括如下步骤:
步骤2.1定义Δvij为车辆Vi和车辆Vj之间相对速度,遵循高斯分布;定义dij表示车辆Vi和车辆Vj的几何距离;Tij表示车辆Vi和车辆Vj的连通时间;p(AC)表示车辆的可用连通度,N是路段H上的车辆数目,服从泊松分布;
步骤2.2根据相对速度预测通信链路的可用性,考虑两辆车的移动方向得到车辆Vi和车辆Vj之间可连通链路的概率
其中,f(Δvij)是车辆Vi和Vj相对速度的概率密度函数,dij表示车辆Vi和Vj的几何距离,Rcomm是车辆的通信范围,由于信道衰落,发射功率等因素的影响,车辆的通信范围也是各不相同;
步骤2.3用Nakagami-m分布模型描述无线电波传播的衰减,得到信道衰落影响下发射端车辆Vi和接收端车辆Vj成功传输概率
上式中Fd(rT;m,Ω)表示接收信号功率的累积分布函数,rT信号的接收阈值,Ω是给定的平均功率强度,衰减参数m是一个关于dij的函数;
步骤2.4根据两车间链路连通概率和信道衰落影响下成功传输概率设计目标函数使得可用连通度最大:
式中P(AC)表示车辆的连通度,Ni(T)表示时间T内车辆i的邻居数目,N是路段H上的车辆数目,服从泊松分布。
3.根据权利要求1所述的基于粒子群算法的城市道路车辆连通度优化方法,其特征在于,步骤3中所述的约束条件包括如下因素:
3.1选取影响连通概率的影响因素,并给出相应的约束条件;影响因素分别为:车辆速度,通信半径,传输跳数;
3.2根据上述影响因素,得到约束条件;确定约束条件其中的车辆速度:
vmin≤v≤vmax
上式是在自由流下,车辆的速度是不相关的,也就是说它们是相互独立的随机变量,车辆的速度服从正态分布,引入了两个参数,vmax和vmin表示车辆速度的上下限;
3.3根据通信半径的期望值确定约束条件其中的通信半径:
3.3.1通信半径的期望值式中pt是节点的发射功率,pth是阈值功率,pd是接收功率,β是路径损耗指数;
3.3.2根据通信半径的期望值确定约束条件其中的通信:
Rcomm=E(R)
上式中Rcomm表示车辆的通信半径,通信半径受到信道衰落,发射功率,接收功率因素的影响;
3.4确定约束条件其中的传输跳数:
3.4.1传输跳数表示为:
式中,α=L/Rcomm,γi表示第i车道的车辆密度服从γi的均匀分布。
3.4.2确定约束条件其中的传输跳数:
0<H≤Hth
上式中H表示数据传输的跳数,跳数增多的同时,通信质量也会随之下降,Hth是跳数的临界值,当跳数大于临界值时,通信质量会大大下降。
4.根据权利要求1所述的基于粒子群算法的城市道路车辆连通度优化方法,其特征在于,步骤4中所述的利用粒子群算法求得城市道路中车辆的最优连通度包括如下步骤:
步骤4.1编写程序来定义所构建的多目标模型的函数;
步骤4.2设置种群大小和迭代次数;
步骤4.3初始化每个粒子的位置xi,xi的初始位置随机产生,速度为vi;
步骤4.4更新内部每个粒子的速度和粒子的位置;
步骤4.5计算每个粒子的适应度函数值;
步骤4.6更新个体极值pbest,对每个粒子,用它的适应度值和个体极值pbest进行比较,如果适应度值优于pbest,则用适应度值替换pbest;
步骤4.7更新全局极值gbest,对每个粒子,用它的适应度值和全局极值gbest进行比较,如果适应度值优于gbest,则用适应度值替换gbest;
步骤4.8当迭代次数达到最大值,粒子群算法结束,输出最优解,得到城市道路中车辆的最优连通度,输出城市道路车辆最优连通状态;否则,迭代次数未达到最大值,转向步骤4.4,更新每个粒子的速度和粒子的位置,重新进行搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610322320.8A CN105844370B (zh) | 2016-05-16 | 2016-05-16 | 基于粒子群算法的城市道路车辆连通度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610322320.8A CN105844370B (zh) | 2016-05-16 | 2016-05-16 | 基于粒子群算法的城市道路车辆连通度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844370A true CN105844370A (zh) | 2016-08-10 |
CN105844370B CN105844370B (zh) | 2019-08-13 |
Family
ID=56592527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610322320.8A Active CN105844370B (zh) | 2016-05-16 | 2016-05-16 | 基于粒子群算法的城市道路车辆连通度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844370B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361725A (zh) * | 2018-08-14 | 2019-02-19 | 西安电子科技大学 | 基于多目标遗传算法的车联网云***资源分配方法 |
CN109829237A (zh) * | 2019-02-01 | 2019-05-31 | 哈尔滨工程大学 | 基于量子海鞘群的无线信道衰减模型拟合方法 |
CN109974689A (zh) * | 2019-03-12 | 2019-07-05 | 蔚复来(浙江)科技股份有限公司 | 基于物联网的全维度定位*** |
CN111601237A (zh) * | 2019-02-20 | 2020-08-28 | 大众汽车有限公司 | 支持第一移动站以预测分散式无线通信的信道质量的方法 |
CN111683351A (zh) * | 2020-06-09 | 2020-09-18 | 重庆邮电大学 | 基于分组接收概率的三维车载自组织网络路由选择方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840635A (zh) * | 2010-05-06 | 2010-09-22 | 招商局重庆交通科研设计院有限公司 | 基于人工免疫粒子群算法的可变限速控制方法 |
CN104080056A (zh) * | 2014-07-09 | 2014-10-01 | 南京邮电大学 | 基于连通度概率感知的车载自组织网络的消息分发方法 |
CN105046990A (zh) * | 2015-08-25 | 2015-11-11 | 银江股份有限公司 | 一种基于粒子群算法的相邻路口间人行道信号灯控制方法 |
CN105136469A (zh) * | 2015-07-23 | 2015-12-09 | 江苏大学 | 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 |
CN105306157A (zh) * | 2015-11-13 | 2016-02-03 | 南京邮电大学 | 一种基于网络连通的车载通信建模方法 |
CN105528498A (zh) * | 2016-01-13 | 2016-04-27 | 河南理工大学 | 网联智能电动车辆一体化建模与集成控制方法 |
-
2016
- 2016-05-16 CN CN201610322320.8A patent/CN105844370B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840635A (zh) * | 2010-05-06 | 2010-09-22 | 招商局重庆交通科研设计院有限公司 | 基于人工免疫粒子群算法的可变限速控制方法 |
CN104080056A (zh) * | 2014-07-09 | 2014-10-01 | 南京邮电大学 | 基于连通度概率感知的车载自组织网络的消息分发方法 |
CN105136469A (zh) * | 2015-07-23 | 2015-12-09 | 江苏大学 | 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 |
CN105046990A (zh) * | 2015-08-25 | 2015-11-11 | 银江股份有限公司 | 一种基于粒子群算法的相邻路口间人行道信号灯控制方法 |
CN105306157A (zh) * | 2015-11-13 | 2016-02-03 | 南京邮电大学 | 一种基于网络连通的车载通信建模方法 |
CN105528498A (zh) * | 2016-01-13 | 2016-04-27 | 河南理工大学 | 网联智能电动车辆一体化建模与集成控制方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109361725A (zh) * | 2018-08-14 | 2019-02-19 | 西安电子科技大学 | 基于多目标遗传算法的车联网云***资源分配方法 |
CN109361725B (zh) * | 2018-08-14 | 2020-12-08 | 西安电子科技大学 | 基于多目标遗传算法的车联网云***资源分配方法 |
CN109829237A (zh) * | 2019-02-01 | 2019-05-31 | 哈尔滨工程大学 | 基于量子海鞘群的无线信道衰减模型拟合方法 |
CN109829237B (zh) * | 2019-02-01 | 2022-04-05 | 哈尔滨工程大学 | 基于量子海鞘群的无线信道衰减模型拟合方法 |
CN111601237A (zh) * | 2019-02-20 | 2020-08-28 | 大众汽车有限公司 | 支持第一移动站以预测分散式无线通信的信道质量的方法 |
CN111601237B (zh) * | 2019-02-20 | 2022-08-16 | 大众汽车有限公司 | 支持第一移动站以预测分散式无线通信的信道质量的方法 |
CN109974689A (zh) * | 2019-03-12 | 2019-07-05 | 蔚复来(浙江)科技股份有限公司 | 基于物联网的全维度定位*** |
CN111683351A (zh) * | 2020-06-09 | 2020-09-18 | 重庆邮电大学 | 基于分组接收概率的三维车载自组织网络路由选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105844370B (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | V2VR: reliable hybrid-network-oriented V2V data transmission and routing considering RSUs and connectivity probability | |
Liu et al. | Distributed cooperative reinforcement learning-based traffic signal control that integrates V2X networks’ dynamic clustering | |
CN105844370B (zh) | 基于粒子群算法的城市道路车辆连通度优化方法 | |
Kwatirayo et al. | Adaptive traffic light control using VANET: A case study | |
CN105245563A (zh) | 一种基于车辆节点连通稳定度的动态分簇方法 | |
Bi et al. | A new affinity propagation clustering algorithm for V2V-supported VANETs | |
CN109005524A (zh) | 基于吞吐量比较的车联网rsu切换方法 | |
Xu et al. | Fuzzy Q-learning based vertical handoff control for vehicular heterogeneous wireless network | |
CN102883402A (zh) | 一种基于位置和拓扑特性的车辆自组网数据传输方法 | |
CN103095593B (zh) | 车辆自组网络的路由***及方法 | |
Rapelli et al. | A distributed V2V-based virtual traffic light system | |
Rezgui et al. | Smart traffic light scheduling algorithms | |
CN104539643A (zh) | 基于交通流特征和网络编码的vanet文件传输方法 | |
CN113891422B (zh) | 一种自组织车联网的数据感知路由方法、***、存储介质及设备 | |
Tong et al. | Adaptive on-ramp merging strategy under imperfect communication performance | |
CN106851765A (zh) | 一种车载网络紧急安全消息的传输中继节点的优选方法 | |
Wu et al. | An adaptive TDMA scheduling strategy based on beacon messages for vehicular ad-hoc network | |
CN103079249A (zh) | 一种基于车流密度的物联网组播数据传输方法 | |
Hu et al. | Network-wide traffic signal optimization under connected vehicles environment | |
CN103095592B (zh) | 车辆自组织网络的区域多播路由***及方法 | |
Wu et al. | A novel routing protocol based on mobile social networks and internet of vehicles | |
Maglaras et al. | Clustering in urban environments: Virtual forces applied to vehicles | |
Soleimani et al. | A Hybrid Traffic Management Method Based on Combination of IOV and VANET Network in Urban Routing for Emergency Vehicles | |
CN105306157A (zh) | 一种基于网络连通的车载通信建模方法 | |
Hu et al. | Graph neural network-based clustering enhancement in VANET for cooperative driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |