工业物联网中基于演化博弈构建数字孪生模型的方法

1.本发明涉及计算机通信技术领域，具体为工业物联网中基于演化博弈构建数字孪生模型的方法。


背景技术：

2.数字孪生的概念是2003年，是由美国密歇根大学的grieves m w教授在的产品全生命周期管理(product lifecycle management，plm)课程上提出，当时被称作“镜像空间模型，在这之后随着研究的深入，最终被定义为数字孪生，数字孪生指在信息化平台内建立、模拟一个物理实体、流程或者系统，借助于数字孪生，可以在信息化平台上了解物理实体的状态，并对物理实体里面预定义的接口元件进行控制；所以若想构建数字孪生模型便需要物理实体相应的数据，而数字孪生数据收集主要依据各种各样的传感器，这些传感器会将目标的各方面的数据进行收集，之后这些数据会经过进一步处理分析，反馈给信息平台，但传感器收集数据并不是其数据来源的唯一源头，数据源也可以为历史数据或者是集成网络的数据，这些海量的数据会被传送到信息平台，然后数字孪生会借助这些数据进行学习和精确的模拟，最终在信息平台上构建出可以准确的反应物理世界对应实体的模型，即数字孪生体模型。
3.数字孪生最开始被nasa来用映射对应飞机的物理状态，数字孪生技术被视作可以颠覆传统航空制造方法的顶级的技术，随着数字孪生技术的不断发展，它的市场也迅速扩大，德国的相关组织预测，在2025年，它的在制造业的市场价值将超过750亿欧元，制造业作为实体经济的主要支柱，各国都企图在未来占据制造业的最高点；在工业物联网智能制造等场景中，部分业务对孪生体准确度和实时性要求高，而现实场景中部署的终端算力、小基站边缘服务器的带宽和计算资源都是受限的，所以我们应该研究如何在资源有限的情况下，合理的构建数字孪生模型，进而完成后续的业务，本方法还适用于部分基础通信设施部署不足或部分损毁的应急场景。
4.在信息领域对于数字孪生的很多关于数字孪生体技术的研究文献更多的把其作为一种技术概念而引入文章，未考虑数字孪生体的构建过程，以及构建出的数字孪生模型如何处理不同的业务；针对此类问题，我们给出了一种数字孪生体的构建规则，引入资源补偿机制来提高适用性来参加不同的业务。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述存在的问题，提出了本发明。
7.因此，本发明解决的技术问题是在资源有限的多终端多基站参与构建数字孪生体模型的情况下的资源分配问题，借助演化博弈论，在基站计算资源有限，通信资源受限的情
况下，寻求一种公平和合理的资源分配的决策，来构建数字孪生模型。
8.为解决上述技术问题，本发明提供如下技术方案：工业物联网中基于演化博弈构建数字孪生模型的方法，包括：将参与的终端按照数据量的大小构建族群，基站为簇头，利用族群获取的计算资源建立资源分配模型；通过所述资源分配模型和通信损耗公式构建期望效益模型，根据所述期望效益模型提出复制动态方程并进行演化博弈，完成资源分配；基于资源分配情况构建数字孪生模型精确度模型；当对数字孪生模型精确度有要求的业务到来时，通过资源补偿机制提高数字孪生模型的精确度，从而获取此时所述参与的终端在各基站的人口比方案。
9.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述族群的构建包括，参与的终端被建模为工人，所述工人根据数据量的大小被划分为多个族群，基站被建模为簇头，所述簇头提供计算资源和通信资源；每一个族群中的工人根据自身的条件寻求各个簇头来获得最大的资源，所述簇头吸引工人进而形成了集群。
10.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述资源分配模型的建立包括，在公平合理的前提下，利用所述族群中的工人参与集群获得的计算资源来建立资源分配模型；所述资源分配模型的计算包括，其中，m表示指定族群，表示工人参与集群j所获得的计算资源，表示集群j全部的计算资源，表示族群中工人加入集群的人口比例份额，cm表示族群要达到某一精确度需要的计算资源，dm表示族群的总数据量，rj表示簇头可以提供给族群的固定的资源量。
11.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述通信损耗公式的计算包括，其中，表示t时刻的通信阻碍，表示拥塞系数。
12.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述期望效益模型的构建包括，通过所述资源分配模型和提出的通信损耗公式构建期望效益模型；所述期望效益模型的计算包括，
其中，表示族群在演化博弈中的期望效益， 表示族群在演化博弈中的平均期望效益。
13.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述复制动态方程的计算包括，根据所述簇头的期望效益和整个族群的期望效益构建复制动态方程来描述工人选择集群的动态过程；所述复制动态方程的构建包括，其中，表示工人族群随着时间变化的速率，表示工人调整策略的正学习速率；通过利普西茨条件和李亚普诺夫第二定理论证明复制动态方程的存在性、唯一性和稳定性。
14.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述数字孪生模型精确度模型的构建包括，所述工人得到分配后的计算资源，将所述计算资源分为两部分，一部分用来分析处理接收到的数据，另一部分用来对所述数字孪生模型精确度进行建模，通过演化博弈的期望效益和终端数据量得到的正常场景下的模型精确度，以及所述工人在各基站上的人口比方案；利用类激励函数来描述所述数字孪生体模型的建立过程。
15.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述数字孪生模型精确度模型的计算包括，其中，y表示类激励函数，x表示工人此时拥有的资源量和数据量的比值。
16.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述数字孪生体模型精确度的影响过程包括，所述工人获得较少的计算资源，利用所述计算资源的一部分来构建数字孪生体模型，因此精确度较低；在演化博弈的过程中，所述工人选择获取最多资源的决策从而获得计算资源不断
增多，数字孪生体模型精确度构建不断提高；随着获取的计算资源增多，所述数字孪生模型精确度仍在提升，但是提高的速率有所下降；数据的准确度随着修正越来越高，构建数字孪生体模型的资源已经足够，此时数字孪生体模型的精确度已经趋近于1。
17.作为本发明所述的工业物联网中基于演化博弈构建数字孪生模型的方法的一种优选方案，其中：所述资源补偿机制的利用包括，通过所述数字孪生体模型精确度计算出族群a达到精确度b时所需要的计算资源；将所述需要的计算资源代入所述期望效益模型，则族群a在博弈中的资源量可达到要求，使所述数字孪模型精确度至少达到b，即满足精确度要求，协助完成任务并获取所述工人在各个基站的人口比方案。
18.本发明的有益效果：本发明提供工业物联网中基于演化博弈构建数字孪生模型的方法，该方法考虑了一种在资源有限的多终端多基站参与构建数字孪生模型参与各种业务的工业物联网及智能制造场景中，提出了资源分配模型和效益模型，然后结合演化博弈给出了一种在该场景下基于终端数据量和基站资源构建数字孪生模型的方案；本发明给出了数字孪生体精确度模型，可以直观的得知构建出的数字孪生体的与物理实体之间的误差，尤其在工业物联网或智能制造场景中，这样可以精准的了解整个制造过程是否存在误差，更利于之后的生产决策；此外本发明引入资源补偿机制下的资源分配方式，补偿机制提供了一种在资源有限工业生产活动中灵活的分配资源完成业务的方法，具体为在存在对数字孪生模型精确度有要求的业务中，终端的数字孪生模型精确度较低无法完成业务时，资源补偿机制可使终端的数字孪生模型精确度到达业务要求以上，使数字孪生体对现实的映射更为准确，在之后的产品的虚拟试错，预测未来进行智能化决策，产品创新上都更加的精准更加的与现实相符，从而提高企业的经济效益。
附图说明
19.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法的整体流程图；图2为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法的系统模型图；图3为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法中族群1的数字孪生模型精确度图；图4为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法中族群2的数字孪生模型精确度图；图5为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法中族群1在各基站上的人口分布方案图；
图6为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法中补偿后族群1在各基站上的人口分布方案图；图7为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法中族群2在各基站上的人口分布方案图；图8为本发明提供的工业物联网中基于演化博弈构建数字孪生模型的方法中补偿后族群2在各基站上的人口分布方案图。
具体实施方式
20.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
21.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
22.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
23.本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
24.同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为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，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
25.本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
26.实施例1参照图1~2为本发明的一个实施例，提供了工业物联网中基于演化博弈构建数字孪生模型的方法，包括：s1：将参与的终端按照数据量的大小构建族群，基站为簇头，利用族群获取的计算资源建立资源分配模型。需要说明的是：如图2所示，参与的终端被建模为工人，工人根据数据量的大小被划分为多个族群，每个族群中的工人都相同大小的数据，即每一个族群都是有相同数据量大小的终端组成的，基站被建模为簇头，簇头提供计算资源和通信资源，每一个族群中的工人根据自身的条件寻求各个簇头来获得最大的资源，簇头吸引工人进而形成了集群；
进一步的，在公平合理的前提下，利用族群中的工人参与集群获得的计算资源来建立资源分配模型，该模型模型既可正常分配资源，也能在资源补偿前提下的进行资源分配；资源分配模型的计算包括，其中，m表示指定族群，表示工人参与集群j所获得的计算资源，表示集群j全部的计算资源， 表示族群中工人加入集群的人口比例份额，补偿机制会根据不同簇头上的族群人数进行资源补偿，cm表示族群要达到某一精确度需要的计算资源，dm表示族群的总数据量，rj表示簇头可以提供给族群的固定的资源量；应说明的，通过计算资源补偿可以使得数字孪生体的模型精确度达到规定以上，进而完成高精度要求业务，不同簇头所拥有的计算资源是不同的，它们的通信条件也是不一样的，拥有更多计算资源的簇头会吸引更多的工人参与，但是随着越多的工人的参与，会造成通信拥堵，各个终端之间的信息传输会产生干扰从而造成最后的精确度方向值的降低，因此要构建期望效益模型来进行资源分配。
27.s2：通过资源分配模型和通信损耗公式构建期望效益模型，根据期望效益模型提出复制动态方程并进行演化博弈，完成资源分配。需要说明的是：根据某一时刻同时选择某一簇头的工人数量来描述通信的阻碍，即通信损耗公式的计算包括，其中，表示t时刻的通信阻碍，表示拥塞系数；应说明的，拥塞系数是由簇头的通信资源所决定的，各终端连接簇头上传数据时，簇头都会分配相应的通信资源给终端，以方便数据的上传，但是链接越多，各终端分到的通信资源便会更少便会产生拥塞，从而使上传的数据在传输过程发生错误的概率提高，我们在这里规定当终端以固定的功率和相同的编码方式发送数据给基站建立数字孪生模型的过程中，若信道越拥堵，信息受到的干扰就可能越大，而此时基站接收到错误数据的概率就越高，当基站接收到错误数据时则会降低数字孪生体的精确度；进一步的，通过资源分配模型和通信损耗公式构建期望效益模型，期望效益模型的计算包括，
其中，表示族群在演化博弈中的期望效益， 表示族群在演化博弈中的平均期望效益；再进一步的，根据簇头的期望效益和整个族群的期望效益构建复制动态方程来描述工人选择集群的动态过程；复制动态方程的构建包括，其中，表示工人族群随着时间变化的速率， 表示工人调整策略的正学习速率，数据量越大的工人需要更多的收集更改其决策所需要的信息；应说明的，当 为0时，表示工人族群不再选择簇头，此时博弈达到平衡状态；更进一步的，通过利普西茨条件和李亚普诺夫第二定理论证明复制动态方程的存在性、唯一性和稳定性；引理1： 关于的一阶导数是有界的，其中；证明：本部分为了便于证明省略了t和m；定义 ，然后推导 ，即根据上式可以推出是有界的，所以也是有界的；定理1：对于初值为 的复制态动力方程都存在一个演化平衡；证明：由引理1我们可以得出复制动态方程是有界且一致连续，然后由 关于 的偏导数有界，可以得到利普西茨常数，根据中值定理，存在一个常数c，在 之间满足
其中根据利普西茨条件，可以知道初值为有唯一平衡解 ；定理2：对于任何初值为 ，动态进化有稳定解；证明：定义李雅普诺夫函数，如下式所示，根据下式得出函数正定，上式中函数关于t的一阶导数为其中，因为复制动态学必须等于0才能保持不变，即跨集群的的净移动和策略为零，以使种群保持所以下式成立因此 成立，满足李雅普诺夫第二定理所，稳定性得证。
28.s3：当对数字孪生模型精确度有要求的业务到来时，通过资源补偿机制提高数字孪生模型的精确度，从而获取此时参与的终端在各基站的人口比方案。需要说明的是：工人得到分配后的计算资源，将得到的计算资源分为两部分，一部分用来分析处理接收到的数据，数据传输过程的干扰等问题会导致接收的数据存在一定的错误，接收端接收到发送的数据，会对这些数据进行处理分析，来修正其中的错误数据，数据的错误概率和通信过程中的信道的拥堵状况和通信资源有关，另一部分用来对数字孪生模型精确度进行建模，通过演化博弈的期望效益和终端数据量得到的正常场景下的模型精确度，以及工人在各基站上的人口比方案；进一步的，假设拥有一定数据量的终端试图构建数字孪生体模型，我们把这个过程分为四个阶段：
①
工人获得较少的计算资源，利用计算资源的一部分来构建数字孪生体模型，因此精确度较低；
②
在演化博弈的过程中，工人选择获取最多资源的决策从而获得计算资源不断增多，数字孪生体模型精确度构建不断提高；
③
随着获取的计算资源增多，数字孪生模型精确度仍在提升，但是提高的速率有
所下降；
④
数据的准确度随着修正越来越高，构建数字孪生体模型的资源已经足够，此时数字孪生体模型的精确度已经趋近于1；应说明的，这里的各个阶段并不代表发生的先后顺序，是讨论了俩者对数字孪生体模型精确度的影响过程，我们在这里认为所有工人的演化过程都可以拆分成上述四个阶段；再进一步的，利用类激励函数来描述数字孪生体模型的建立过程；类激励函数的计算包括，类激励函数的计算包括，其中，y表示类激励函数，x表示工人此时拥有的资源量和数据量的比值；应说明的，当x为0和负数时，数字孪生模型的精确度无限接近于0，但不为0，具体可以解释为0和负数只是数值大小上计算资源等于或小于了通信损耗的资源，但既然族群得到计算资源的情况下不管阻碍多大，只是会使得数字孪生模型的精确度很低，而不是为0，这里的数字孪生体模型函数并不是唯一的，这里我们用了类激励函数，我们只是用这种函数来反应数字孪生体模型的构建过程；更进一步的，资源补偿机制的利用包括，通过数字孪生体模型精确度计算出族群a达到精确度b时所需要的计算资源，将需要的计算资源代入期望效益模型，则族群a在博弈中的资源量可达到要求，使数字孪模型精确度至少达到b，即满足精确度要求；应说明的，如图2所示，多终端多基站协同构建数字孪生模型完成正常的业务，和对参与终端的数字孪生模型精确度有要求的工业物联网、智能制造等业务场景中由有多个终端和基站，终端由数据的大小，组成各个族群，族群在簇头的吸引下，建立对应的集群，同一族群中的终端会比较不同簇头之间的期望收益，进而选择期望效益更多的簇头，不同簇头之间的通信资源不同，各个终端在不同簇头上建立数字孪生体来参加常规业务，当有特殊业务到达时，业务对某一族群的数字孪生模型精确度有要求，按当前的资源分配方式，无法达到要求的数字孪生模型精确度，此时，我们便通过补偿机制使其的数字孪生模型精确度达到要求以上，进而完成该业务。
29.本发明考虑了一种在资源有限的多终端多基站参与构建数字孪生模型参与各种业务的工业物联网及智能制造场景中，提出了资源分配模型和效益模型，然后结合演化博弈给出了一种在该场景下基于终端数据量和基站资源构建数字孪生模型的方案；本发明给出了数字孪生体精确度模型，可以直观的得知构建出的数字孪生体的与物理实体之间的误差，尤其在工业物联网或智能制造场景中，这样可以精准的了解整个制造过程是否存在误差，更利于之后的生产决策；此外本发明引入资源补偿机制下的资源分配方式，补偿机制提供了一种在资源有限工业生产活动中灵活的分配资源完成业务的方法，具体为在存在对数字孪生模型精确度有要求的业务中，终端的数字孪生模型精确度较低无法完成业务时，资
源补偿机制可使终端的数字孪生模型精确度到达业务要求以上，使数字孪生体对现实的映射更为准确，在之后的产品的虚拟试错，预测未来进行智能化决策，产品创新上都更加的精准更加的与现实相符，从而提高企业的经济效益。
30.实施例2参照图3~8为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了工业物联网中基于演化博弈构建数字孪生模型的方法的验证测试，为对本方法中采用的技术效果加以验证说明。
31.如图3和图4所示，本发明把多终端按数据大小分为了两个族群，其中族群1的数据量相对于族群2是较小的，按我们提出的资源分配模型，族群1分配到的资源要小于族群2，然后再没有补偿资源的情况下，我们得出族群1和族群2的数字孪生模型精确度，族群1为的数字孪生模型精确度0.24，族群2的数字孪生模型精确度为0.46，这时假设智能工厂的业务中需要族群1的数据完成业务，且要求数字孪生模型精确度至少为0.95，但是按之前的资源分配方式，族群1的数字孪生模型精确度是无法达到业务要求的，这时我们便使用我们补偿机制，计算出族群1达到0.95精确度所需要的资源，然后带入公式中的cm，cm的资源被补偿给族群1来提高数字孪生体模型，族群1同时也会和族群2竞争公共的资源，精确度至少达到0.95；正常演化下即补偿之前的数字孪生模型精确度图，如图3和图4中所示，并且得到此时的工人在各基站上的人口比例方案如图5和图7所示，企业可根据此方案的人口分布比例在基站上构建终端数字孪生模型，来完成正常业务。
32.如图3和图4所示，我们得出了族群1和族群2补偿后的数字孪生模型精确度，从业务的角度考虑族群1的数字孪生模型精确度达到了0.99，达到了业务要求的程度，可以更好的完成业务，从而提升企业的经济效益，从社会效益的角度考虑，族群1则数字孪生模型精确度提高了0.75，族群2的数字孪生模型精确度只降低了0.28，提高了社会效益，有利于提高企业的经济效益；如图6和图8所示，我们得出在补偿机制下的工人在各基站上的人口比例分布图，企业可以根据此时的工人人口比例方案，在不同的基站上构建数字孪生模型，来完成此时的业务；因此本发明所提供的方法能够预测未来进行智能化决策，产品创新上都更加的精准更加的与现实相符，从而提高企业的经济效益。
33.应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。