基于粒子群算法的城市道路车辆连通度优化方法
【专利摘要】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。
【专利说明】
基于粒子群算法的城市道路车辆连通度优化方法
技术领域
[0001 ]本发明属于交通技术领域，主要设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】
[0002] 随着移动自组织(Mobile Ad化C)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化C化tworks 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，运在很大程度 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 交通系统的效率。
[0003] 车载自组网（VA肥Ts)由道路上的节点自发形成，运些节点包括移动的车辆、行人 W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W及运动 特征等因素的影响而不稳定。
[0004] 化gel 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W 进行，仅能满足紧急预警场景的性能要求，难W在实际城市道路场景中应用。
【发明内容】
[0005] 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W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。
[0006] 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：
[0007] 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Η是由η条同向车道和η条反向车道组成，η含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W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;Rec?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η含2可W处理多条车道路段。 [000引步骤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。
[0009] 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。
[0010] 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。
[0011] 与现有技术相比，本发明的技术优势：
[0012] (1)VA肥Ts中，节点的连通瞄良容易受至喊态拓扑的影响，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。
[0013] (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W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W处理多条车道路段的实际场景，可W广泛应用于大中小城市；
[0014] (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，且捜索范围广、收敛速度快。
【附图说明】
[0015] 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；
[0016] 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；
[0017] 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】
[0018] 下面结合附图对本发明详细说明 [0019]实施例1
[0020] 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W 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。
[0021] 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：
[0022] 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Η是 由η条同向车道和η条反向车道组成，η含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W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;R。。》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η含2可W处理多条车道路段。
[0023] 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。
[0024] 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。
[0025] 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。
[0026] VA肥Ts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，捜索范围广，收敛速度 快，使得模型的求解结果更加快速、准确。
[0027] 实施例2
[0028] 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：
[0029] 步骤2.1定义Δ vij为相对速度，遵循高斯分布，Δ vij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Η上的车辆数目，服从泊松分布；
[0030] 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巧y ;
[0031]
[0032] 其中，f( Δ Vij)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，Rc?m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。
[0033] 步骤2.3考虑信道衰落对连通概率的影响，服从参数m的化kagami-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Vl和接收端车辆Vj 成功传输概率:
[0034]
[0035] 上式中Fd(rT;m，Ω )表示接收信号功率的累积分布函数。rT是信号的接受阔值，Ω 是给定的平均功率强度，表示如下：
[0036]
[0037] pt是发射功率，G是常量;衰减参数m是一个关于du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。
[0038] 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：
[0039]
[0040] 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- S，T]内的可用连通度，Ni(T)表示时间T内车辆i的邻居数目，ΤΕ{0，δ，2δ···}
[0041 ]设计目标函数使得可用连通度最大：
[0042]
[0043] 式中P(AC)表示车辆的连通度，Νι(Τ)表示时间Τ内车辆i的邻居数目，Ν是路段Η上 的车辆数目，服从泊松分布。
[0044] 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W处理多条车道路段 的实际场景，可W广泛应用于大中小城市；
[0045] 实施例3
[0046] 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：
[0047] 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。
[0048] 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：
[0049] Vmin < V < Vmax
[0050] 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。
[0051] 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：
[0化2] 3.3.1通信半径的期望值
式中Pt是节点的发射功率， Pth是阔值功率，Pd是接收功率，β是路径损耗指数；
[0053] 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：
[0化4] Rc〇?=E(R)
[0055]上式中Rc?m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；
[0056] 3.4确定约束条件其中的传输跳数；
[0化7] 3.4.1传输跳数表示为：
[0化引
[0化9] 式中，a = L/Rcc?
第i车道的车辆密度服从参数丫 1的均匀分布。
[0060] 3.4.2确定约束条件其中的传输跳数：
[0061 ] 0<H < Hth
[0062] 上式中Η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。
[0063] 无线信道质量由于受到周围建筑、道路状况W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。
[0064] 实施例4
[0065] 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：
[0066] 步骤4.1编写程序来定义所构建的多目标模型的函数；
[0067] 步骤4.2设置种群大小及迭代次数；
[0068] 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;
[0069] 步骤4.4更新内部每个粒子的速度和粒子的位置；
[0070] 步骤4.5计算每个粒子的适应度函数值；
[0071 ] 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
[0072] 行比较，如果适应度值优于Pbest,则用适应度值替换Pbest;
[0073] 步骤4.7更新全局极值机63*，对每个粒子，用它的适应度值和全局极值机63*进
[0074] 行比较，如果适应度值优于gbest，则用适应度值替换gbest;
[0075] 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，重新捜索。
[0076] 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W快速确定出目标方案。
[0077] 实施例5
[0078] 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。
[0079] 由于城市路网环境复杂多变，所W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。
[0080] 在一个现实的城市环境，长为L的路段Η是由η条同向车道和η条反向车道组成，n = 2,3···。本例中n = 3,表示路段Η有3条同向车道和3条反向车道。
[0081] 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Η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：
[0082]
[0083] 其中μL和〇1的值取决于车辆Vi的移动方向，μL是平均速度向量，〇1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。
[0084] 1、为了估计链路可用性，定义Δνυ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：
[0085]
[0086] 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：
[0087]
[008引其中，f ( Δ vij)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，Rc?m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。
[0089] 2、考虑信道衰落对连通概率的影响。服从参数m的化kagami-m分布是一个合适的 模型来描述无线电波传播的衰减。可W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；
[0090]
[0091] 运里，Fd(rT;m，Ω )表示接收信号功率的累积分布函数。η是信号的接受阔值，Ω是 给定的平均功率强度，表示如下：
[0092]
[0093] pt是发射功率;本例中G是常量，取值参见化kagami-m分布模型;衰减参数m是一个 关于du的函数，表示如下：
[0094]
[OOM] 3、在VA肥Τ中，由于车辆的高度移动性，拓扑结构w及车辆所对应的连通链路时刻 发生着变化，所W，一个精确的连通度定义应该能够反映运种瞬时状态。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[Τ-δ，Τ]内的 可用连通度，Νι(Τ)表示时间Τ内车辆i的邻居数目，ΤΕ{0，δ，2δ···}。
[0096] 自由连通状态的前提，根据一个路段Η上节点分布的统计特性，建立连通概率的模 型。
[0097] 3.1根据两车间链路连通概率if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：
[009引
[0099] 设计目标函数使得可用连通度最大：
[0100]
[0101] 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Η上 的车辆数目，服从泊松分布。
[0102] 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：
[0103] 确定约束条件其中的车辆速度：
[0104] Vmin < Vi < Vmax
[0105] 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。
[0106] 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：
[0107] 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Rc。?。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。
[0108] 通信半径的期望值
[0109] 式中pt是节点的发射功率，P化是阔值功率，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。
[0110] 表1通信半径各参数设置
[0111]
[0112] 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：
[0113] Rc〇?=E(R)
[0114] 上式中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。
[0115] 3.4确定约束条件其中的传输跳数；
[0116] 3.4.1传输跳数表示为：
[0117]
[0118] 式中
L表示路段Η的长度，第i车道的车辆密度服从参数 Ti的均匀分布。
[0119] 3.4.2确定约束条件其中的传输跳数：
[0120] 0<H < Hth
[0121] 上式中Η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。
[0122] 实施例6
[0123] 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；
[0124] 步骤4.1编写程序来定义所构建连通度模型的函数；
[0125] 步骤4.2设置种群大小及迭代次数；
[01%]本例中，种群大小为30个，迭代次数为50次。
[0127] 步骤4.3初始化每个粒子的位置兩=[々化…xj，xi的初始位置随机产生，速度为 Vi= [VI, V2, ···￥0]，：[为粒子的序号；
[0128] 步骤4.4更新内部每个粒子的速度和粒子的位置；
[0129] Vi = W X Vi+Cl X η (Pbest [ i ] -Xi ) +C2 X Γ2 (gbest [ ? ] "Xi )
[0130] xi = xi+vi
[0131] 上式常数Cl和C2控制个体极值和全局极值对粒子更新的影响程度，ci = 2，C2 = 2， 参数W称为惯性权重，W = 0.8，ri和Γ2是0~1之间的随机数。
[0132] 在迭代时，车辆的速度的取值范围为Vmin含Vi < Vmax，Vmin= 20km/h，Vmax= 80km/h ;
[0133] 步骤4.5计算每个粒子的适应度函数值；
[0134]
[0135] 式中，η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 束违有测度，pi ( AC)二min {〇 , Vmax-Vi } , P2 ( AC)二min { 0 , ν：?-Vmin} , P3 二 I Rconmi-E(R) I。
[0136] Φ (AC, 1)表示在粒子群算法执行的第1代对于非可行粒子的附加启发式值，
Worst-fit(t)的值初始化为1〇6，μ = 10。
[0137] 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;
[013引步骤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;
[0139] 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，重新进行捜索，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。
[0140] 本发明设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W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W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。
[0141] W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，但是运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。
【主权项】
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η条同向车道和η条反向车道组成，η 2 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;R。。?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1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1和接收端车辆L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Avy为车辆V1和车辆％之间相对速度，遵循高斯分布;定义du表示车辆1 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V1和车 辆Vj之间可连通链路的概率=其中，f ( Δ Vij)是车辆Vi和Vj相对速度的概率密度函数，dij表示车辆V i和Vj的几何距离， Rramm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V1和接收端车辆L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Y，设计目标 函数使得可用连通度最女·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，Vmx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通信半径的期望彳式中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： Rconmi = E(R) 上式中Rramm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S由的佑输跳撒. 3.4.1传输跳数表； 式中，α = Ιν??，w γ i表示第i车道的车辆密度服从γ i的均匀分布。 β - e ， 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Pbf3St，则用适应度值替换Pbf3St ; 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。
【文档编号】G06Q10/04GK105844370SQ201610322320
【公开日】2016年8月10日
【申请日】2016年5月16日
【发明人】陈晨, 张梦媛, 刘雷, 吕宁, 裴庆祺
【申请人】西安电子科技大学