基于AGV通信的网络高覆盖率资源优化调度仿真

牛秦玉，杨 荣，田海波

(西安科技大学机械工程学院，陕西 西安 710054)

1 引言

在通信技术与互联网技术飞速发展的背景下，网络数据传输量和资源量呈现出线性发展的趋势，对网络资源优化调度能力的要求也越来越高。因此AVG通信环境下网络资源传输问题受到了更多关注，相关国内外学者提出了以下几种方法。

文献[1]首先构建含有微动目标成像任务的优化调度模型，使用启发式算法求解，通过跟踪脉冲和调度剩余的空闲时间资源、动态地建造感知矩阵。使用正交匹配追踪算法对微动目标进行特征提取，从而达到资源优化调度的目的。但该方法需要反复提取特征数据，这就导致了该方法的优化调度效率大幅度降低。文献[2]把模拟退火计算方法与遗传性算法相融合，以此扩大遗传性算法的搜索区域，解决其过早收敛的现象，使得AVG通信环境下的网络资源更加合理化，最终通过改进后的遗传算法对网络资源进行优化调度。但是该方法作为一种融合改进算法，会出现融合误差，导致对网络资源进行调度时出现优化调度不完整的问题。文献[3]首先使用UBRSM-FC对AVG通信用户进行交互行为，把用户的信息资源引入到优化调度的过程中，再结合相关反馈机制，构建能够主动发现网络资源反馈的微调优化模型，最后通过模型优化调度网络资源。该方法需要及时对用户情况进行监测，导致浪费大量的人力和物力资源。

针对上述问题，提出基于AGV通信的网络高覆盖率资源优化调度方法。通过构建单一节点特征访问控制模型，大幅度的节省后续的网络资源调度时间，并采用遗传算法对网络资源的优化调度策略进行寻优，从而解决了传统方法由于需要对用户情况进行实时监测导致的调度效率慢的问题。实验结果表明该方法能够在资源完整度较高的情况下，优化调度AVG通信环境下的网络资源。

2 AGV通信的网络高覆盖率资源优化调度

2.1 AVG通信的网络信息资源优化调度原理

网络信息资源优化调度原理具体是指对信息储存节点进行自动控制筛选，在储存区域Dn按信息的语义特征分割模型，把储存特征|dn-max-dn-max|·(1/K)分割成若干个数据子集，Ak是网络信息资源的语义特征并查集，满足A1∪A2∪，…，∪Ak=A，引入特征满足Ai∩Aj=Ω，其中i，j=1，…，m，且i≠j。

2.2 构建网络高覆盖率资源模型

以上述原理为基础，得到AVG通信的网络高覆盖资源调度中的单一节点i的特征访问控制模型为

(1)

式中，K代表AVG通信的网络高覆盖资源在数据库中的节点数，Pk代表单一精准访问的概率分布，AVG通信网络信息资源库中的特征空间采样数据X={x1，x2，…，xn}，通过分布式网络资源库的数据储存机制体系分析，获得网络信息资源分布式调度配置的权值ωRLCMV为

(2)

式中ai(θ0)代表资源信息流的时间序列采样，y代表瑞利分布特征，C代表信息子空间。使用分布式环境下散乱点空间重构获得资源融合的子空间模型是C=[c1，c2，…，cg]，g代表G种约束矢量。拟定满足待匹配本体关系模型的AVG通信下网络资源信息库分布的特征点〈x，y〉代表AB的一双锚点，利用有向图G=(V，E)代表大型网络信息资源出入库的传递模型，经过数据挖掘模型分析网络资源信息流的时间序列，构建网络资源系统调度模型

(3)

式中ω1、ω2分别代表AVG通信的网络资源均匀配置的权重，Si代表负载均匀值，Hi代表资源中的重叠信息的滤波函数，Vi代表特征压缩的维数。

使用AVG的网络资源系统调度模型进行资源调度时，发现资源规模的扩大与相似资源会受到信息干扰[4]，因此应该提取网络有效资源特征信息，然后构建综合评测模型。综合考虑AVG通信网络性能指标、服务质量和服务能力，把数据资源和网络任务进行结合从而构建混合矩阵[5]，对其使用资源数据进行统一化处理，并在相似度矩阵中进行聚类。综上，AVG通信环境中的网络信息资源优化调度过程如下：

设定，R表示网络资源信息的集合，rij代表网络信息ri的第j种特征属性，m代表网络信息的特征属性总数量，利用模糊聚类方法，对网络信息进行调度，应该先将网络信息向量R={r1，…，rp}与网络任务向量T={t1，…tq}根据特征属性进行组合建造混合矩阵。

(4)

其中，当满足1≤i≤q时，Rij表示网络任务特征属性值，p、q表示网络信息资源列、行元素。当满足q≤i≤p+q时，tqm表示第m种网络信息资源特征属性值，i表示某种特征分量。把AVG通信环境下网络数据资源混合矩阵的中心向量设定成混合矩阵的中心位置[6]，就可以使式(5)代表混合矩阵的所有维度分量。

(5)

其中，n表示AVG通信环境中网络资源向量和任务向量数目，然而网络信息的所有特征属性量纲都不同，因此，要对网络信息进行标准化的处理

(6)

其中，σj表示AVG通信环境下网络信息系标准差，即

(7)

(8)

(9)

通过以上条件，可以看出F值越大，则证明网络信息的聚类性能越好，在获取聚类结果后，对某种网络任务进行聚类归属时，选择聚类里性能较为优质的网络信息进行调度，且将其分配至AVG通信环境中进行网络任务的执行[7]。

2.3 基于遗传算法的网络高覆盖率资源优化调度

在AVG通信环境下进行网络信息资源优化调度，首先对网络资源使用虚拟化技术，即使网络资源处于独立的状态，在此基础上将资源计算任务分配给一种最优调度机制的节点上。考虑到网络运行、带宽使用率和网络带宽等因素，在网络信息优化调度模型的构建过程中，融入测评模型，依据网络节点情况来预测任务执行的速度，其过程如下：

在AVG通信环境中服务器运行所有虚拟机的计算能力是通过多个角度来计算的，根据当前的实际网络约束条件，使用式(10)来建造网络节点的测评模型

EvaNdoe=pcpuEVaCPUk+pmEVaMENk

+psEVaSTOk+pdEVaMENk

(10)

其中，EvaNdoek表示第k种固定资源的测评值，EVaCPUk、EVaMENk、EVaSTOk、EVaBANk分别表示AVG通信状态下硬盘储存、网络路径带宽、虚拟机CPU与内存之间的评测值，pcpu为网络虚拟机的评测权重，pm、ps分别为网络CPU中网络虚拟机的内存和硬盘测评价值权重，pb代表网络带宽测评值权重。

在AVG通信状态下的网络节点，其负载量可以经过查询得到，在以往的查询中，上次任务完成后的负载度也可以经过查询得到[8]，依据以上两种数据，可以使用式(11)来构建模型，对网络节点速度进行估算

(11)

Bτ=μ⊗N1τ×Cτ+N2τ×Mτ+N3τ×Dτ

(12)

其中，τ表示对应的网络虚拟机编号，μ表示选择参考的网络基准虚拟机编号，N1τ、N2τ分别表示第τ中网络虚拟机的CPU性能指数、内存参数，N3τ表示第τ中的CPU硬盘参数，Cτ、Mτ分别是第τ中网络虚拟机的使用率和CPU内存的使用率，Dτ为第τ中网络虚拟机中的率网络吞吐量。

在AVG通信状态下进行网络资源计算任务时，为查询适合的资源节点，凭借节点的执行速度和测评模型，建造在AVG通信状态下网络节点的评测模型

(13)

其中，λ表示该测评模型的调节系统，对测评模型内的资源计算效率与节点相应资源的计算速度进行调整优化。

通过遗传算法对网络资源的优化调度策略进行寻优，再将AVG通信环境中网络信息资源优化调度所有问题的特征看作是一种调度策略，该策略中拥有N个策划含量，相应的染色体具有N种基因，[xa，xb]是一种基因编码，xa与xb分别是网络任务的调度顺序和方法使用的资源，设定Pe与Pm分别表示变异与交叉几率，使用下列公式计算AVG通信环境下网络资源优化调度问题求解过程中，自适应交叉几率与变异几率为

(14)

(15)

其中，k1、k2、k3、k4表示区间[0，1]中的常数，favg为种群均衡适应值，fmax表示种群的最大适应值，fm表示将要变异的单独个体的适应值，fe表示交叉个体的均匀适应值。因为种群的适应值函数能够反映所有个体的优势与劣势[9，10]，那么使用式(16)代表适应值函数。

(16)

其中，Ne表示网络任务量，flagi·Pi代表网络加权任务的完成量，Te为网络资源优化调度策略中最后一个任务的完成时间，TE表示该阶段网络资源优化调度任务的最终时间，TE/Te为统一完成的时间。种群的适应函数利用flag·Pi和Te/TE中的插值，来判断种群中最优质的个体，并且在AVG通信环境下网络高覆盖率的资源优化调度完成的最早。

3 实验与结果分析

为了验证基于AGV通信的网络高覆盖率资源优化调度方法的性能，进行实验。实验环境为Intel Celeron Tulatin1GHz CPU和384MB SD内存的硬件环境和MATLAB6.1的软件环境。使用GridSim仿真软件，设定AVG通信环境下网络节点总数量是600个，实验指标主要为网络信息拥塞率(%)、吞吐带宽(G/s)、分组投递率(%)，对比文献[1]方法、文献[2]方法和本文设计方法在上述实验指标方面的差异性，通过对比结果证明本文所提出方法的优势和性能。

图1为在AVG通信环境下使用本文方法、文献[1]方法和文献[2]方法相应的网络资源吞吐带宽(G/s)对比状况，下面给出网络资源吞吐带宽(G/s)计算公式

图1 不同方法的网络信息资源吞吐性能对比

(17)

式中，L表示网络带宽，S表示网络额定速率，T表示单位时间。

通过图1可以看出，使用本文方法的网络资源吞吐率要远远高出其它方法。因为本文方法能够对网络的资源任务实时调度，然后经过计算获取资源调度任务的权值，并且在这个基础上，通过遗传算法对其进行优化调度寻优，从而提升了网络信息资源的吞吐性能。

图2为不同网络处理节点总数下，文献[1]方法、文献[2]方法和本文方法的网络资源优化调度拥塞率(%)对比状况，下面给出网络资源拥塞率(%)的计算公式。

图2 不同方法的网络资源拥塞率比对

(18)

式中，S表示网络吞吐量，Y表示占用请求次数。

通过图2能够看出，在AVG通信环境下，

文献[1]方法和文献[2]方法的网络资源拥塞率最高分别可达50%和64%，而本文方法的网络资源拥塞率最高仅为16%，并且文献[1]方法和文献[2]方法在网络资源拥塞率一直都高于本文方法，其原因是本文方法具有很好的稳定性，可将网络资源拥堵发生的概率降低，同时对剩余网络节点的资源进行动态调节处理，因此本文方法能够很大程度的降低网络资源拥堵情况的发生，并且也能够很好的缓解拥堵状况。

表1为使用不同的网络资源传输率下，本文方法与文献[1]方法、文献[2]方法的分组投递率(%)对比情况，下面给出网络资源分组投递率(%)计算公式。

表1 不同方法的分组投递率对比

(19)

式中，o表示网络目标节点接收资源包数量，z表示源发送的资源包数量。

通过表1能够看出，本文方法的网络信息资源分组投递率最高。是因在网络资源优化调度模型建造过程中加入了测评模型，并且针对各不相同的网络资源任务进行调度安排，依据遗传算法对优化调度寻优。使其很大程度上降低了AVG通信环境下网络高覆盖率资源的时间延迟，提高了网络资源的分组投递能力。

4 结论

为了提升资源调度效果，解决传统方法存在的网络覆盖率资源不完善和资源调度效率慢的不足，本文提出了一种基于AGV通信的网络高覆盖率资源优化调度方法。通过实验结果可以得出如下结论：

1)本文方法下网络资源拥塞率最高仅为16%，远低于传统方法，低拥塞率有助于提高资源调度的效率，进而说明本文方法具有较高的调度效率。

2)运用本文方法调度后的网络资源较为完整，分组投递能力也较为优秀，鲁棒性强，网络资源吞吐率较高，充分验证了该方法的有效性。

虽然本文方法有效改善了传统方法的不足，但是存在针对性不够的缺点，接下来将会以不同类型网络资源为具体实施对象，进行进一步的完善。