一种面向有毒气体监测的移动边缘计算资源分配方法

摘要

本发明提供一种面向有毒气体监测的移动边缘计算资源分配方法，所述分配方法包括如下步骤：S100、分析气体贮存装置危险系数和贮存气体危险系数，搭建面向有毒气体监测的移动边缘计算系统结构；S200、根据所述移动边缘计算系统结构，对真实环境的问题场景进行数学建模；S210、确定问题模型，设定问题的目标函数；S220、确定问题模型需要考虑的约束；S300、根据所述问题模型，设计移动边缘计算资源分配方法；S310、提出基于优先级的混合编码方式；S320、根据所述混合编码方式，以有向无环图进行解码；S330、构建贝叶斯网络。本发明方法部署了无人机收集有毒气体监测数据，并作为监测传感器的同时作为移动边缘计算中的边缘节点，对于需要低时延处理的任务予以及时响应。

说明书

技术领域

本发明涉及无线通信技术领域，尤其涉及一种面向有毒气体监测的移动边缘计算资源分配方法。

背景技术

工业生产过程中的有毒气体排放与泄露，不仅会危及到工人及居民的人身财产安全，还会对环境造成不可逆的污染，尤其是在一些设备老化、技术落伍的工厂，有毒气体的泄漏问题更加突出，严重的中毒事件时有发生。因此，有毒气体监测在环境保护、安全生产及保护人民财产安全方面变得尤为重要。基于无线通信的工业物联网监测平台应运而生。工业物联网的监测传感器可以产生海量数据，而这些数据与传统大数据存在着显著区别，其原因为：工业物联网的收集过程涉及多种传感器，所收集的工业物联网数据包括：异质性、噪声、多样性和快速增长等特性。为了有效处理工业物联网产生的数据，及时分析有毒气体监测结果，移动边缘计算被广泛使用，其原因在于移动边缘计算将计算资源下沉到用户附近，与云计算相比大大降低了通信传输时延，从而提高了有毒气体监测的实时性。然而，化工厂等经常建立在相对偏远地区，传统的移动边缘计算常常因为无线通信部署问题而无法完全发挥作用。无人机作为一种部署方便、成本低廉的飞行器，既可以作为移动通信平台，为边远地区提供有效的通信覆盖，也可以搭载小型处理设备，直接作为边缘节点处理需要保证时效的小体量数据，因此，基于无人机的移动边缘计算系统扩展了边缘计算的服务覆盖范围且节省了基站部署成本。然而，现有的基于无人机的移动边缘计算方式却存在着一定的问题，基于无人机的移动边缘计算虽然靠近用户，但往往受到有限的通信、计算和能量资源的限制，现存无人系统进行有毒气体监测时并未充分考虑资源的合理分配，进而无法对有毒气体进行实时监测，也无法在保证有效监测有毒气体的同时控制无人系统成本。综上所述，有待发明一种能够实时检测有毒气体的，低成本的有毒气体监测方法。

发明内容

本发明提供一种面向有毒气体监测的移动边缘计算资源分配方法，解决了现有有毒气体监测方法无法实时监测有毒气体的问题。

为达到以上目的，本发明采取的技术方案是：

一种面向有毒气体监测的移动边缘计算资源分配方法，所述分配方法包括如下步骤：

S100、分析气体贮存装置危险系数和贮存气体危险系数，搭建面向有毒气体监测的移动边缘计算系统结构；

S200、根据所述移动边缘计算系统结构，对真实环境的问题场景进行数学建模；

S210、确定问题模型，设定所述问题的目标函数；

S220、确定问题模型需要考虑的约束；

S300、根据所述问题模型，设计移动边缘计算资源分配方法；

S310、提出基于优先级的混合编码策略；

S320、根据所述混合编码策略，以有向无环图进行解码；

S330、构建贝叶斯网络；

S331、获取候选贝叶斯网络；

S332、对所述候选贝叶斯网络进行评估，得到评分最佳的贝叶斯网络；

S340、引入邻域最优值，强化最优资源分配策略的搜索能力。

优选地，S332中评估候选贝叶斯网络的公式为：

其中，π

优选地，S340考虑邻域最优值的更新公式为：

y

其中，N(0,1)表示正态分布，p

本发明的有益效果在于：

本发明方法部署了无人机收集有毒气体监测数据，并作为监测传感器的同时作为移动边缘计算中的边缘节点，对于需要低时延处理的任务予以及时响应；

本发明方法在协同演化算法中引入基于贝叶斯网络的分组策略，更充分的考虑决策变量之间的依赖关系，使分组的依据更清晰，分组后协同演化算法的性能更好；

本发明方法在解码过程中引入有向无环图的解码方法，充分考虑同一个区域内监测任务之中的优先级约束，保证所得到的资源分配方案均为可行解，大幅度提升了算法搜索效率；

本发明方法在领域中选择最优的个体，通过邻域最优个体改写传统的协同粒子群算法的更新策略，有效防止算法过早收敛于局部最优，增加算法的寻优能力。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明移动边缘计算系统示意图。

图2为本发明方法流程图。

图3为本发明表示贝叶斯网络结构的严格上三角矩阵图表。

图4为本发明DBe评分时所需包含决策变量关系的数据集图表。

图5为本发明最优贝叶斯网络结构对应的决策变量分组图表。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

本发明提供一种技术方案，一种面向有毒气体监测的移动边缘计算资源分配方法，分配方法包括如下步骤：

S100、通过对生产过程需要贮存气体工厂的工业模式进行分析，搭建出面向有毒气体监测的无人机辅助的移动边缘计算系统结构。经过对工业气体贮存习惯的研究和分析，以及对气体贮存装置和贮存气体的危险系数分析，本发明对隶属于同一工业物联网区域内的气体监测传感器的顺序赋予了优先级，同时对工业物联网上的传感器位置、无人机路线进行预处理，得到了系统的基本结构框架，示意图如图1所示。

S200、根据移动边缘计算系统结构，对真实环境的问题场景进行数学建模；

S210、确定问题模型，设定问题模型的目标函数；基于无人机的移动边缘计算资源分配可建模为一个离散优化问题，具体可建模为一个0-1混合整型规划问题，包括任务序列和无人机分配两个子问题。该系统的任务是将传感器采集到的数据由多架无人机进行处理，任务序列是根据任务的优先级对所有任务进行排序，无人机分配则为已排序的任务选择合适的候选无人机资源，本问题的目标函数设定为最小化所有任务的最大响应时间。

S220、确定问题模型需要考虑的约束；首先，每个任务都有一个候选无人机资源集合，每个任务都仅可以由给定无人机资源集合中的任意一个可用无人机进行处理。然后，属于同一工业物联网的任务之间存在优先级约束，属于不同工业物联网的任务之间没有明确的优先级约束。其次，利用无人机完成每一项任务的过程不可中断。最后，每台无人机一次只能处理一个任务且每个任务不重复处理。

S300、根据问题模型，设计移动边缘计算资源分配算法；为了保证有毒气体监测任务的实时性，需合理地分配无人机资源，本发明针对问题特征，提出了一种嵌入贝叶斯网络协同演化的移动边缘计算资源分配方法(BNEA)，在种群的初始化、评估策略、分组策略以及更新策略等方面进行设计和优化，算法流程图如图2所示。

S310、提出基于优先级的混合编码策略；种群初始化策略：本方法首次提出基于优先级的混合编码方式，以此来降低不可行解的数目。混合编码方式包含两部分：任务排序部分和资源分配部分，混合编码采用实数编码的表示形式，每个实数编码由整数部分和小数部分组成。整数部分为从[0,m]中的随机选出的整数，其中m表示当前任务可用无人机资源个数。小数部分为从[0,1]中随机生成的两位小数，小数部分用来表示每个任务的优先级权重，权重越大优先权级数越高，意味着任务需要尽早执行。

S320、根据混合编码方式，以有向无环图进行解码；适应值评估：首先，根据S310中介绍的编码方式，以有向无环图进行解码以便过滤掉大量不可行解，提高资源分配方法效率，具体步骤如下：设置两个集合W

S330、构建贝叶斯网络；为了有效配合协同演化算法中很重要的一步：决策变量分组，本发明提出了一种基于贝叶斯网络的决策变量分组策略，在构建贝叶斯网络的过程中充分的考虑了决策变量之间的依赖关系，因此，根据贝叶斯网络结构划分决策变量有助于提升协同演化算法搜索基于无人机的移动边缘计算资源分配最优策略的效率。传统贝叶斯网络结构学习方法复杂度高、时间成本高，不适用于对实时性要求较高的有毒气体监测场景，因此，本发明提出了一种低复杂度的贝叶斯网络构建方法，贝叶斯网络构建过程包括：贝叶斯候选网络结构生成及贝叶斯网络结构评估。

S331、获取候选贝叶斯网络；本发明通过使用两阶段编码的遗传算法获取候选贝叶斯网络，其中两阶段编码分别代表了节点顺序及有向边方向，编码均由[0,1]中随机产生的实数构成。节点顺序部分实数值的大小决定节点顺序，有向边方向部分的实数值决定两个节点之间指向关系。本发明使用严格上三角矩阵(Strictly Upper Triangular Matrix,SUTM)表示贝叶斯网络，如图3所示，其中第一行及第一列分别为通过节点顺序编码获得的节点顺序，通过比较两两节点之间的有向边方向编码的实数值，实数值大的即为父节点，反之则为子节点，在父节点所在行对应的SUTM中的位置填入1。这里需要注意，如果SUTM中父节点所在行中已经存在1，那么该父节点不可再作为其他节点的父节点。通过上述过程，获得一组候选的贝叶斯网络结构。

S332、对候选贝叶斯网络进行评估，得到贝叶斯网络；为了评估候选的贝叶斯网络结构，本发明使用传统方法中广泛使用的DBe评分函数，DBe评分函数在进行贝叶斯网络结构评估时需要一组数据，为了在构建贝叶斯网络的过程中充分考虑了决策变量之间的依赖关系，本发明记录遗传算法在不同世代之间迭代时对应基因位编码值的变化量作为DBe评分函数所需的数据，所获数据如图4所示，其中DBe评分函数评分最高的网络结构即被选为决策变量分组时所依赖的贝叶斯网络结构。如图5所示，根据获得的最优贝叶斯网络结构将决策变量分组(决策变量即为贝叶斯网络中节点)。

DBe评分函数如下所示，其中π

S340、引入邻域最优值，强化最优资源分配策略的搜索方向。更新策略：BNEA用协同粒子群算法作为基础协同演化算法，为了避免资源分配策略搜索过程陷入局部最优值，本发明改写了传统粒子群算法的粒子更新策略，引入了邻域最优值强化了最优资源分配策略的搜索方向，考虑邻域最优值的更新公式如下所示：

y

其中，N(0,1)表示正态分布，其目的为防止算法过早收敛。p

本发明针对现有有毒气体监测系统的不足之处，提出使用无人机代替人进行有毒气体监测的方法，通过无人机获得的数据信息经过工业物联网系统进行传递或者进一步处理，对信息的紧急程度进行分析，再由工业物联网系统决定是否要发出警告，为了保证监测结果的实时性，无人机在作为监测传感器的同时作为移动边缘计算中的边缘节点，对于需要低时延处理的任务予以及时响应。在监测时尽快找出最佳的无人机及移动边缘计算中资源分配方案，能够达到对有毒气体进行快速反应的目的，从而保障工人的生命财产安全，提高工作效率。

实施例

本实施例分别在两种不同规模的数据集上对发明方法进行了实测，数据集规模分别为常规规模：无人机部署数量涵盖6-15个、任务数量涵盖55-225个及大规模：无人机部署数量涵盖20-30个任务数量涵盖240-320。通过设计实验，将BNEA与现存主流算法进行对比，分别从与单个代理算法(HGA、HPSO、HDE)对比、与多个代理算法(CCGP、CCGA、MAPSO)对比以及与不同分组策略(Fixed、Random、DG)对比三个方面分析，并在常规数据集和大规模数据集上进行仿真实验，验证本发明方法的性能与优势，以及优势体现的原因。表1-表6分别展示了上述三类实测的结果，表中的*表示得到了较好解，可以看出本发明方法在两种数据集上均优于或与对比方法性能持平，在分组策略性能比较的实验中，可以看出本发明方法中的基于贝叶斯网络的分组策略显著优于对比分组策略，这是因为本方法提出的分组策略在构建贝叶斯网络的过程中充分的考虑了决策变量之间的依赖关系，使得在有毒气体监测过程中资源分配策略的寻优能力更强，效率更高，进而可以保证有毒气体监测结果的反馈更加及时。

表1：常规数据集上与单个代理算法对比有效性验证

表2：常规数据集上与多个代理算法对比有效性验证

表3：常规数据集上与现存分组算法对比有效性验证

表4：大规模数据集上与单个代理算法对比有效性验证

表5：大规模数据集上与多个代理算法对比有效性验证

表6：大规模数据集上与现存分组算法对比有效性验证

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。