基于改进免疫遗传的物联网资源调度优化运行方法与流程

本发明属于ai和算法研究技术领域，具体涉及物联网资源的优化调度、物联网资源每个节点的输出最大化吞吐量和基于改进免疫遗传的物联网资源调度优化运行方法。

背景技术：

物联网资源调度优化运行的调度定义是:在各种约束条件下,物联网资源调度优化的运行可以最大化地满足一个或几个性能指标,如总输出最大化,输出最大化利益,最大化地减少资源利用。所以物联网资源调度优化运行的目的就是有效地利用各个节点资源。这是一个多目标、多阶段的复杂非线性多变量和多个约束的问题，其解决方案主要可以分为三个类别。其中的一个类别是使用高效的智能算法对其进行优化，比如改进免疫遗传算法，该算法综合了遗传算法和免疫遗传算法的特点，对目标优化有着更加精确快速的效果。

目前为止，很多算法都是由其传统的算法和改进的算法综合而来，在一定程度上提高了算法的性能，如改进免疫粒子群优化算法和改进免疫遗传算法。不过这些算法在对模型进行实际优化时还是会存在不确定性。对于确定性算法在此过程中的稳定性，可以通过将随机搜索智能算法与确定性算法相结合的融合算法对其进行深层次的改进，但应用较少。在物联网资源优化运行中，免疫算法是一种常用的智能算法，具有多样性强、容忍度高、免疫记忆强等优点，但其缺点也有不少，比如算法优化时间长，速度和精度达不到指定要求。虽然有大部分专业人员进行了算法优化，但是其缺点还是会在实际问题中展现出来，其搜索稳定性和效率仍有待提高。

基于上述分析的各种智能算法和免疫遗传算法的缺点,本文对传统的免疫遗传算法进行了相关方面的改进,对算法的收敛时间和速度以及精度都进行了提升,提出了细化算法的具体过程,最后验证该算法的有效性和优越性,运用到物联网资源优化调度方法的研究情况。

技术实现要素：

本发明的目的是，提供一种基于改进免疫遗传的物联网资源调度优化运行方法，在生物学的免疫系统中，外界抗原对生物进行攻击时，生物体内的抗体会和抗原进行识别并结合，使生物防御系统启动。此算法仿照此免疫系统，将其中的抗原抗体作为算法目标函数的可行解集，目标函数和解集的相似度则由抗原抗体的适应度充当。由于被抗原刺激后，抗体的繁殖能力强，故根据这一特性，该算法能保持抗体的多样性。其次，通过在记忆细胞中储存较优解，可以抑制相似解的重复出现，从而加速进化。当存在相似问题时，二次免疫反应可以快速地对该问题产生较优甚至最优解。由于基本遗传算法和免疫遗传算法的存在很多缺点，比如局部搜索效率较差等，因此本文根据出现的相应缺点对算法进行了完善。

为解决上述发明目的，将整体划分为：改进理念分析，物联网资源优化数学模型，基于改进免疫算法的物联网资源优化数学模型操作。

(1)改进理念分析

1.搜索改进方法

目前的大多数免疫遗传算法的搜索方法还是采用传统的遗传算法搜索理念，一般都是对种群进行选择交叉变异等步骤，但是其搜索结果并不好，常常会出现搜索误差大甚至搜索不到的情况。因此必须对改进算法的搜索方法进行完善。粒子群算法(pso)具有操作简单，搜索误差小等优点，故可以将该算法和免疫遗传算法相结合，使改进免疫遗传算法同时具备两种算法的优点。如在进化搜索过程中，能保持免疫遗传算法能保持物种多样性的特点，也能保持粒子群算法搜索速度快，收敛时间短的特点。

2.控制改进方法

控制方法在不同的系统设计中也有所不同。在免疫系统中，我们常常会把记忆细胞给遗忘，我们只是会利用它的记忆功能，殊不知它的另外一种功能也是大有用处，那就是记忆细胞的强增值分化以及它被激活后的强大反应，可以直接把抗原进行瓦解从而破坏入侵抗原。针对记忆细胞的这一特点，我们可以对免疫遗传算法的控制方法进行改进，我们可以采用渐进式最优算法对记忆细胞进行分化操作，使记忆细胞具备记忆最优抗体、破坏抗原、产生免疫反应。因为记忆细胞记录了各代之间抗体的最优的解集，这些解集是优化最优解的相似值，有由于综合了记忆细胞的两大特点，所以在算法的控制方面，既能提高算法的收敛速度，又能降低算法的不确定行和随机性。

(2)物联网资源优化数学模型

对于物联网资源的优化运行问题，其中最主要的的一个优化性能指标是物联网资源的总吞吐量输出的最大化或者每个节点的吞吐量。因此要对物联网资源吞吐量进行性能优化，其中一种最有效的方法就是对物联网资源的总吞吐量输出进行最大化，故可取物联网资源的总吞吐量输出(e)作为目标函数，构建物联网资源优化数学模型。

目标函数可定义为最大化年吞吐量输出，含义为物联网资源调度中每一调度部分的最大化吞吐量输出之和，故该优化数学模型可定义为求解每部分资源分配调度的最大化吞吐量输出。

(3)基于改进免疫算法的物联网资源优化数学模型操作

具体实施程序的改进免疫算法如图1所示。

①定义目标函数

因为该物联网资源优化问题在优化过程中含有多个约束目标，故对此进行优化时需将它转化为一个单目标约束问题。具体转化可以用一个转化函数，具体为：

式中：n，b分别代表物联网资源中各个节点的个数和超越约束阈值变量的个数，b为超越阈值的值。

②初始化种群

仿照生物学中抗原识别过程，按照一定的规则在大小适当的空间中随机产生n个抗体，初始化抗体(粒子)和位置(x,y,z)。

③免疫选择算子

ⅰ.抗体亲和力

抗体亲和力是指抗原抗体结合强度的大小，抗体亲和力应该要尽可能的好，它是检验一个个体在种群中是否能够存活的一个标准。在物联网资源优化问题中，亲和力代表的是每部分分配的资源是否能发出最大化的吞吐量输出，故提高抗体亲和力是优化的手段之一。在本文的优化问题中我们可以选取目标函数作为适应度函数。则亲和力计算公式为：

mi＝e(i),i＝1,2,...,n

ⅱ.抗体相似度

往往一个种群中会有很多相似的个体，生物学中常把几个相似度较高的抗体看作为一个抗体并计算出抗体的浓度。在免疫系统中，抗体的浓度不能高于一定值，故必须有一个自适应调节机制来调节抗体的浓度。在物联网资源优化问题中，我们也应计算出抗体浓度，根据抗体浓度的值来控制种群中个体的浓度，以保证种群的多样性。

根据抗体之间的所共有的信息量定义抗体i和抗体j之间的相似程度(常采用解空间的距离来计算)：

sij＝(xi-xj)²+(yi-yj)²+(zi-zj)²,(i,j＝1,2,...,n)

定义抗体i和抗体j之间的相似度为(i,j＝1,2,...,n)：

式中：s为抗体i和抗体j的相似程度，h为抗体i和抗体j之间的相似度。h的取值为(0～1)，当h趋近于1时说明抗体i和抗体j相似度趋近于100％。

定义抗体相似度个数：

式中：h为抗体i和抗体j之间的相似度，当h大约一个阈值c时(此物联网资源优化问题c可以取0.8)，可以认为该两个抗体相似度很高，此时z记录为1(反之为0)，表示和抗体i相似度大于c的有一个。d表示在种群中和抗体相似大于c的总个数。

ⅲ.抗体适应度

抗体适应度即生物群体中抗体适应生存环境的能力，抗体适应度大，其适应环境的能力更强，在种群中存活下来的概率更大，因此被选择的机会也更大，反之亦然。

定义抗体亲和力比重变量e和抗体浓度变量f:

将e和f归一化：

定义适应度计算公式：

fi＝bmi+cdi,(i＝1,2,...,n)

式中：b和c分别为抗体亲和力和抗体相似度个数所占的权重。

因此，可定义抗体被选择概率为：

从以上式子中可以看出，该免疫选择系统具有自行调节功能，对于适应度高浓度低的抗体具有促进功能，而适应度低而浓度高的抗体则反之。故该免疫选择系统对促进种群的多样性以及维护和保持个体的稳定性起到积极作用。

④交叉算子

交叉运算在遗传操作中起到了关键作用。如果交叉概率较大则可以为遗传操作开辟新的搜索空间，但是也会有一定的概率破坏性能好的个体基因，使适应度高的抗体个体产生退化现象，导致算法收敛速度慢，且会降低稳定性。如果交叉概率较小，则会使算法陷入迟钝现象，收敛速度慢。因此，合理选择交叉概率是一步相当重要的步骤。一般情况下交叉概率选取0.25和1之间。

本文中物联网资源优化问题中可以选取0.5，交叉方法有映射交叉、均匀交叉、匹配交叉、顺序交叉和循环交叉等，在此问题中，我们可以采用映射交叉。此外为了防止交叉过程中性能好的抗体遭到破环，我们可以定义一个交叉阈值y,按各个抗体的被选择概率将抗体分成大于y和小于y的两部分，这样便能使适应度高的抗体个体不会产生退化现象。

定义交叉阈值y:

其中被选择概率大于y的抗体不被选择进行交叉操作，保护了高适应度的抗体不会产生退化现象。被选择概率小于y的抗体按照交叉概率和交叉方法进行交叉操作，具体步骤如下：

ⅰ.随机产生一个0.25至1之间的一个随机数，当随机数小于交叉概率0.5时，选中父代1，再随机选中父代2。然后随机选择两个交叉点i和j，i不等于j。

ⅱ.交换父代1和父代2交叉点之间的基因段。

ⅲ.若产生的两子代个体的左端和右端与交换过后的基因段有重复，则需根据父代中间段的映射关系来取基因段。

⑤变异算子

变异时一种局部的随机搜索，在遗传操作中属于辅助性的操作，保证了遗传算法的有效性，使算法具有局部的随机搜索能力，同时使得算法可以保持种群的多样性，以防出现非成熟收敛。在变异操作中，变异概率不能取太大，一般选取0.01至0.2。变异操作方法可以选取反转变异法，步骤为随机在抗体个体染色体上选取两点i和j(i≠j,|i-j|>＝2),将这两点中间的基因串倒置。

附图说明：

图1改进免疫遗传算法优化流程图；

图2收敛精度和离散精度关系图；

图3收敛时间和离散精度关系图。

具体实施措施

为了验证改进免疫遗传算法的优越性和有效性，在此对某一物联网资源的优化运行进行分析。假设该物联网资源模型是一以发电为主的大型年调节水电站，装机容量3300000千瓦，静水位1155米，静库容2420000000立方米，正常库容1200m，静库容5790000000立方米。汛期水库正常蓄水水位1200米，调节库容3370000000立方米。电站综合系数为8.6，最大转换流量为2400立方米每秒。年可靠性为95％。电站的稳定输出功率为1028000千瓦。以水电站某一运行期间初、末库存量为1155米，以电力效益最大化、可靠性提高为目标进行运行，以实现该物联网模型的合理资源。

首先，用15个离散精度为0.15-0.01(对应225-380个分布点)。由于前期和后期的影响因素不同，前期的主要影响因素是离散精度，后期为算法本身因素，如搜索能力等，所以前期出力稳定增加，后期出力减小。当离散精度慢慢提高时，改进免疫遗传算法(iigi)的搜索代数的会缓慢增长，但增长速度缓慢，并且算法的增长幅度小于基本免疫遗传算法和基本遗传算法的增长幅度。

其次，在相同的离散水平下，改进免疫遗传算法、基本免疫遗传算法和遗传算法的10次计算的最大适应度与最短计算时间的比较如表所示表1。在收敛精度方面，改进免疫遗传算法基本上达到的精度范围在一个令人满意的性能的10倍。基本免疫遗传算法、基本遗传算法达到的精度范围在早期阶段较理想，能达到改进免疫遗传算法的精度,然而它们在后期的精度下降,尤其是对基本遗传算法。当离散精度较小时，基本免疫遗传算法和基本遗传算法对比改进免疫遗传算法来看，最优结果越难找到，有时甚至找不到或者和最优解相差甚远。在算法的优化时间上，当离散精度增加时，三种算法的优化时间都会产生变化，区别是程度不同。尤其在量纲上影响较大的是基本遗传算法，例如，当离散精度为0.005时，计算结果需要11.5分钟。

附：表中iiga、iga和ga分表代表改进免疫遗传算法、基本免疫遗传算法和基本遗传算法。