基于云计算的物联网建筑设备智能调度系统设计

王欣 王川

摘  要： 物联网信息系统中建筑设备种类和数量繁多，传统的资源存储调度方式无法保证实时性和有效性，提出一种改进的蚁群算法克服了传统蚁群算法收敛速度慢和易陷入局部最优的缺陷。将改进的蚁群算法移植到云计算环境中，云计算的快速计算和高速存储优势能够实现建筑设备的实时资源调度。实验结果表明，改进的蚁群算法在云计算环境中能够较为明显地提升资源调度效率。

关键词： 智能调度系统; 资源调度; 云计算; 物联网; 蚁群算法; 路径优化

中图分类号： TN99?34; TP393                     文献标识码： A                     文章编号： 1004?373X（2020）03?0092?04

Design on IoT building equipments′ intelligent scheduling system

based on cloudy computing

WANG Xin1， WANG Chuan2

（1. School of Mechanical and Electrical Engineering， Sanjiang University， Nanjing 210012， China;

2. Nanjing Cigarette Factory， China Tobacco Jiangsu Industrial Co.， Ltd.， Nanjing 210019， China）

Abstract： As there is a wide variety of building equipments in the Internet of Things （IoT） information system and the traditional resource memory scheduling methods fails to guarantee the real?time performance and effectiveness， an improved ant colony optimization is proposed to overcome the defects of slow convergence and being prone to fall into local optimum in the traditional ant colony optimization. When the improved ant colony optimization is transplanted into cloud computing environment， the advantages of fast computing and high?speed memory of cloud computing can realize real?time resource scheduling for the building equipments. The experimental results show that the improved ant colony optimization can obviously improve the efficiency of resource scheduling in cloud computing environment.

Keywords： intelligent scheduling system; resource scheduling; cloud computing; Internet of Things; ant colony optimization; route optimization

0  引  言

物联网是在互联网的基础上提出来的一种新概念，可以理解为互联网的延伸和扩展，已被广泛应用于人类社会及物理系统的资源整合之中，智能建筑和智能家居领域中应用尤为显著[1]。当前建筑物内的用电设备数量和种类繁多，传统的物联网控制理论和方法已难以完成对建筑物内各种设备的整体优化[2?3]。云计算技术凭借高效的存储和计算能力将各种计算和存储资源转换为虚拟数据形态存储，按照实际需求和服务方式对资源进行增添和扩展[4?5]。节约成本、便捷实用、整合资源和节能环保，这些优势促使物联网运营发展中引入云计算技术是必然选择[6?7]。

云计算环境中拥有大量的存储和计算节点，能够在海量数据上实现快速计算，然而快速计算的核心在于资源的合理分配和调度，最优问题求解算法和调度算法的应用成为提高云服务响应时间的核心[8]。目前常见的算法有人工神经网络算法、遗传算法、模拟退火算法和蚁群算法等[9?12]。由于每一种算法自身存在一定的局限性，如人工神经网络算法在求解最优值问题上精度很难达到很高;遗传算法在搜索过程中存在盲目性，导致算法效率较低，模拟退火算法求解最优值时间过长;蚁群算法由于选择路径的随机性，易造成收敛速度慢和局部优化的现象产生。

本文提出一种改进的蚁群算法，克服了传统蚁群算法收敛速度慢和易陷入局部优化的缺点，将改进的蚁群算法应用于云计算环境中对物联网中建筑设备进行资源分配和调度。通过模拟仿真实验，改进的蚁群算法在云计算环境中能够较为明显地提升资源调度效率。

1  物联网简介

物联网技术是指通过网络将物与物进行连接的技术。本文论述的建筑设备物联网表示将建筑物内的各种建筑用电设备统一集中起来，形成一个“物与物”相连的互联网络。通过无线网络传感向建筑物内的各种建筑用电设备的拓展和延伸，物联网系统利用自身三层体系架构，通过传输层的无线传输网络搜集系统中智能设备的参数传递到应用层的云计算服务平台，实现数据实时处理和实时共享，从而实现对整个物联网系统的调度和控制，达到能源的合理有效利用，进而提高能源利用效率，避免浪费现象的出现[13]。从功能上分，建筑设备物联网系统的整体结构分为应用层、支撑层、网络层、接入层和感知层，如图1所示。

图1中，与用户直接互通的是应用层，该层包含各种Web浏览器或客户端的应用，用户可以通过应用层所提供的各项应用对建筑物内各种用电设备进行远程监控和智能管理;支撑层由数据服务、通信服务和应用服务三大部分组成，分别用于物联网中数据的存储、通信、处理和应用;网络层位于物联网的中间层，可以是常用的互联网、局域网、异构网或虚拟专用网络等，主要用于完成建筑设备物联网网络的互通互联，确保整个系统相互之间都可以互访;接入层主要是物联网节点，用于物联网中的数据传输;感知层位于整个物联网的最底层，该层通过无线网络传感技术、射频识别技术等对建筑物内各种用电设备的状态信息进行采集，并通过无线传感网络将采集的信息传输到应用层的云计算平台。

2  云计算服务模型架构

云计算平台将所有可配置的计算资源进行虚拟化，然后进行统一整合、配置，构成一个资源池向用户提供各种所需的服务，其具体的服务模型如图2所示。

云计算平台可以处理海量数据，实现较高的资源整合率，同时以分布式计算为基础，需要计算处理的数据也分布于不同的节点。为了提高云计算的效率，合理调度和分配计算节点和资源显得至关重要，最优问题求解算法和调度算法的应用成为提高云服务响应时间的核心。因此，结合一种改进的蚁群算法，将资源池中的各种信息资源集中整合，最终以简捷、高效的方式呈现给用户及管理者，可以有效支撑物联网的信息处理环节，改善传统物联网系统中所存在的不足。

3  改进的蚁群算法

蚁群算法是一种仿生算法，启发于自然界蟻群的觅食现象。在未知区域觅食的过程中，当个体蚂蚁寻觅到食物后，在其经过的路径上会释放信息素，其浓度表示路径的长短。这对于其他在觅食的蚂蚁而言，只要在一定范围内感知所释放信息素浓度的强弱，始终沿着信息素浓度较强的方向移动，总会在一定的时间内找出一条最短的路径到达目的地[14]。

3.1  经典蚁群算法

对上述现象进行数学建模，设将[m]只蚂蚁放入到[n]个随机选择节点，蚂蚁[k]根据信息素浓度的高低选择运动方向，总是向着浓度高的路径运动，可得在某一时刻[t]，蚂蚁[k]从节点[i]移动到节点[j]的转移概率为：

式中：[allowedk]作为一个集合，表示蚂蚁[k]由节点[i]移动到节点[j]可以选择的地点;[ηij（t）]为[t]时刻蚂蚁由节点[i]移动到节点[j]的启发信息;[τij（t）]为[t]时刻弧段[ij]的信息素浓度;[α]代表信息启发因子，其值越大代表当前路径越重要，蚂蚁就更倾向去选择该条路径;[β]为期望启发因子，代表蚂蚁根据启发信息去选择路径过程中受影响的程度，表示计算能力预测值的相对权重。

3.2  基于混沌化的改进蚁群算法

上述式（1）是传统蚁群算法的标准数学模型，显而易见，当蚁群数量[m]较大或节点数[n]较大时，该算法的计算时间就会出现缓慢甚至停滞现象，而且在求解最优路径时会出现局部优化的现象，从而造成算法效率低、响应慢和误差大等一系列问题。因此，对上述传统蚁群算法的数学模型进行改进，利用Logistic映射函数改善传统蚁群算法对选择路径随机性的依赖。在传统蚁群算法的标准数学模型中，蚂蚁等概率地选择每一条路径，利用Logistic映射函数可以产生与路径数相同的混沌变量，通过混沌运动的性质进行全局搜索与最优值求解。Logistic映射函数可以表达为：

式中[μ]为控制参数，当[μ=4]时，Logistic映射表现为典型的混沌状态，同时具有随机性、规律性和遍历性等特点。

在初始路径进行混沌化之后，为了避免出现响应慢和局部优化的现象，对信息素浓度也进行了混沌化，即：

式中：[xij]为式（2）中产生的混沌量;[q]为系数。

结合式（2）中的Logistic映射，对上述传统蚁群算法的初始路径进行混沌化（[μ=4]），假设[n=3]，由此可能出现的路径一共有6种，利用排列组合可得最终的每一条路径如表1所示。

表1中，[D]表示不同路径的序号;[V]表示运动方向;[C]表示在3个节点之间的运动轨迹。三者之间的逻辑转换关系可表达如下：

综上所述，归纳总结可得基于上述所提出的改进蚁群算法的求解最优值的流程，如图3所示。

3.3  基于改进蚁群算法的设备智能调度

蚁群算法能够进行最优路径发现，最优路径可定义为物联网智能调度系统中最佳调度方式。将物联网环境中众多设备建模为云计算环境中节点，节点形态分为存储节点和计算节点，存储节点映射为物联网中数据存储设备，计算节点映射为物联网中数据计算和数据处理设备。物联网系统中所有节点在某个时间点都会对应当前数据处理量和本身的最大处理能力，蚁群算法的目的是根据当前物联网系统的负载和各个节点的负载情况进行动态规划和流量分发，使整个系统的性能达到最大化。

定义每隔[t]时间，物联网系统中计算节点与存储节点会进行数据同步，数据同步包括各个节点当前的处理数据量和存储数据量，同步的目的是根据蚁群算法的最优调度方案进行流量分发，如图4所示。

4  仿真实验

在云计算环境下分别对比传统蚁群算法和改进蚁群算法在资源调度时的效率差异。算法中的相关参数设置如下：启发因子[α=1]，期望启发因子[β=]0.998，控制参数[μ=4]，同时，设定执行任务数为20～100，节点数为20。在相同实验参数情况下进行仿真实验，每个算法运行10 次取平均值，两种蚁群算法的统计记录结果如表2和表3所示。

当执行任务数从15～100依次增大时，每一种状态下，两种算法执行10 次，将10次计算时间的平均值作为记录值，分别记录在表2和表3中。对于记录结果，分别考察两种算法随着执行任务数的增加所需执行时间的变化曲线，如图5所示。

观察图5可知：当执行任务数较少（小于40）时，两种算法在云计算中求取最优值所需时间的差距非常小;但当执行任务数增加（大于70）时，二者之间的差异变得越来越明显;而当执行任务数达到100时，改进蚁群算法完成最优值求解所需时间小于25 s，而传统蚁群算法所需的求解时间却已接近30 s。

为更进一步地考察两种算法的最优值求解效果，对上述表2和表3中记录的数据结果进行了相对标准差的统计分析，结果如图6所示。

由图6可知，当任务数增加时，改进蚁群算法的偏差值越来越小并趋于线性，显然优于传统蚁群算法。

在实际的云计算环境下，需要处理的是海量数据，计算时间的长短直接决定着整个物联网信息系统的资源调度效率。通过上述对比分析，改进的蚁群算法相比于传统蚁群算法在云计算环境能够更大限度地提升调度效率。

5  结  语

本文针对建筑设备建设云计算环境下的物联网信息系统，为了能够对建筑设备进行快速地资源调度，基于Logistic映射提出一种改进的蚁群算法，大大地改善了传统蚁群算法对选择路径随机性的依赖，克服了传统蚁群算法收敛速度慢和易陷入局部优化的缺点，同时利用云计算快速资源存储和调度的优势集成改进的蚁群算法提升整个物联网系统执行效率。模拟仿真实验对比分析了传统蚁群算法和改进的蚁群算法在执行任务数增加时，最优求解所需时间的变化曲线，结果证明改进的蚁群算法更适用于云计算环境。

参考文献

[1] 苑敏.物联网与云计算的融合：物联网云的构建[J].中国新通信，2013（3）：10?11.

[2] 王昊，董杰.用云计算和物联网技术对建筑能源管理的思路[J].能源与节能，2012（8）：1?2.

[3] 张家渝.基于云计算的物联网运营平台的构建[J].中国新通信，2017，19（15）：52?53.

[4] 张世奇，张晓睿.基于云计算的校园物联网构建[J].中国新通信，2016，18（1）：20.

[5] 严杰.云计算的物联网运营管理平台研究[J].信息系统工程，2017（2）：68.

[6] 张元金.云计算环境下物联网系统构架結构研究[J].网络安全技术与应用，2016（6）：77?78.

[7] 王灵霞，赵宏.面向云计算环境任务调度的改进蚁群算法[J].工业仪表与自动化装置，2016（2）：3?6.

[8] 陈钦荣，刘顺来，林锡彬.一种混合优化的云计算资源调度算法[J].韩山师范学院学报，2016，37（6）：15?23.

[9] 王勃，徐静.基于云计算环境的蚁群优化算法研究[J].新技术新工艺，2014（8）：49?52.

[10] 原文林，黄强，万芳.基于免疫进化的蚁群算法在梯级水库优化调度中的应用研究[J].西安理工大学学报，2008，24（4）：395?400.

[11] 李柯.云计算下基于蚁群优化算法的资源分配研究[D].杭州：杭州电子科技大学，2016.

[12] 李雪，崔杜武，华洁，等.基于二维函数地貌的遗传算法控制参数优化研究[J].西安理工大学学报，2010，26（1）：26?30.

[13] 刘公明.云计算环境下建筑设备物联网信息系统的应用研究[D].济南：山东建筑大学，2015.

[14] 战非，张少茹.基于混沌蚁群算法的云计算应用优化研究[J].火力与指挥控制，2017，42（7）：25?28.