一种智能路侧设备的选址优化方法与流程

本发明涉及智能交通系统领域，主要涉及基于遗传算法和贪心算法混合之后的智能路侧设备的优化部署方法。

背景技术：

随着交通问题日趋严峻，仅凭改善道路基础硬件设施已不能缓解急剧增加的机动车给道路交通系统带来的压力，交通拥堵问题愈显突出。为了提高道路交通安全，治理道路交通拥堵，我国在安全辅助驾驶、安全预防、交通管理等方面进行了一系列的研究，鉴于交通系统本身的复杂性，单从道路和车辆的角度考虑很难解决近年来不断恶化的交通拥堵和事故频发等问题。车路协同作为未来智能交通的核心和发展方向，是解决城市交通拥堵问题的关键。其基本思想是运用多领域、多学科先进技术交叉融合的方法，充分利用无线传感器网络及其大规模并行计算的能力，实现道路交通的智能感知与人、车、路三位一体协调发展，并通过车车、车路信息交互与共享，实现车辆和基础设施之间、车辆与车辆之间的智能协同，达到提高道路交通安全、缓解通拥堵的目标。

智能路侧设备作为车路协同的重要组成部分，承担了信息检测、信息通信和信息处理等功能，而智能路侧设备的部署是实现其功能的先提条件。目前路侧设备的部署主要采用的是均匀部署，即在某条道路上进行等距离的均匀部署。此种部署方式虽然满足了覆盖度和连通度，但是经济性这个指标却无法很好的满足，存在资源浪费等问题。

本发明提供了一种基于混合算法智能交通系统路侧设备(road-sideunit)部署优化方法。选取某一商业圈作为研究对象，根据初始部署点位置的车流量、流行程度以及事故率等归一化之后求得部署点权重值。利用初始节点的权重值这一指标，利用遗传算法和贪心算法进行建模分析并进行节点删减，得出最优的部署方案。

技术实现要素：

针对现有技术存在的不足之处，本发明的目的是提出一种基于遗传和贪心算法的路侧设备部署优化方法，可以实现最少节点的部署，满足经济性的目标，为智能路侧设备的部署优化提供了参考。

为了实现上述的目的，本发明采用以下技术方案：一种基于遗传算法和贪心算法的智能交通系统路侧设备部署优化方法，其特征在于：选取某一商业圈作为研究对象，根据初始部署点位置的车流量、流行程度以及事故率等归一化之后求得部署点权重值。利用初始节点的权重值这一指标，利用遗传算法和贪心算法进行建模分析并进行节点删减，得出最优的部署方案。

1、基于混合算法的智能交通系统路侧设备部署优化方法，其特征在于：rsu节点初始部署位置选择原则是在保证全部覆盖的前提下，尽量在交叉路口以及重要的商圈地点铺设rsu，并且不同地点的铺设密度也不相同。其次，根据部署点位置的车流量、流行程度以及事故率等，归一化之后求得部署点的权重值。考虑到实际获得的多参数序列量纲的不一致性，其归一化处理公式如下：

2、基于混合算法的智能交通系统路侧设备部署优化方法，其特征在于：指定所有的部署点的传输范围为r，在感知范围内的感知的概率为1，感知范围外的感知概率为0。取归一化的权重作为适度函数，取两节点之间的距离d≤2r为约束条件。经过单点交叉和变异运算之后，求得适应度最大的部署节点，即经遗传算法优化后的部署节点。交叉运算取单点交叉，即将初始种群所在位置进行二进制编码运算，精度由具体的要求所定，设置进行代数t，然后取某一位作为交叉运算，设置交叉概率，取第三位作为变异运算，即做简单的取反运算，设置变异概率。

3、基于混合算法的智能交通系统路侧设备部署优化方法，其特征在于：每个部署节点按照权重进行逻辑排序，从权重最高的部署点开始，以r半径进行辐射，如果在其辐射范围内有其他的部署点，将该部署点从排序中删除掉，剩余的部署点重新按照权重的大小进行排序。最后，找到同时处于几个部署点的感知范围内的部署点，将其作为部署点，在该部署点感知范围内的其他的部署点排出掉，然后依照此方法遍历直至部署点最少，求得最优的部署方案。

附图说明

图1为节点位置权重归一化内容图；

图2为贪心算法示意图；

图3为混合算法框图；

具体实施方式

本发明以重庆市某商圈作为研究对象，该商圈包含广场，步行街，汽车站等，具有一定的代表性。首先我们在主要干路选取了140个点，选择原则是在保证该区域全部被rsu辐射范围内的前提下，尽量在交叉路口以及重要的商圈地点铺设rsu，并且不同地点的铺设密度也不尽相同，并且进行标注。

原模型可简化看成根据权重利用遗传算法求出最小点的覆盖问题。模型建立：节点覆盖区域一般被视为是圆，本模型中路侧单元为节点，假设其感知半径为r，d(im，jn)表示的是路侧单元im与路侧单元jn的距离，对于点i1来说，如果对其他所有的点jn(n∈v)，其中v表示点集，存在一个j1，使得d(i1，j2)最小，即在jn(n∈v)中j1离i1最近，且d(i1，j1)＜2r，则称i1和j1相互覆盖；若对于整个区域图，任意一个点都存在至少一个相互覆盖的点，那么称这个区域图为点覆盖区域图。

模型主要是路侧单元部署最优化，其目标函数就是使用最少的点覆盖住权值的和最高，考虑多目标规划：设点总数取值为n，每个点对应的商圈归一化权值为pi(i∈v)，某一点处的商圈归一化权值可根据道路位置车流量、流行程度以及事故率等加权计算得出。则目标函数表示为：

约束条件为两个点之间的最短距离不大于2r，约束条件为：

stmin(d(im，jn))≤2r(m，n∈v)(3)

对该问题的多目标规划，目标函数互相冲突，考虑启发式算法求解非劣解，即近似最优解即可。

算法设计如下：

start：读取坐标。

step1：将坐标序号或坐标转化为二进制，作为群体的初始解。

step2：代入商圈权重和地面2r范围内情况规定单位化的适应度函数。对适应度函数进行二进制编码。

step3：采用遗传算法，优化点的即可个数，使点集商圈权重值高的和连通性重要的点成为子种群。

step4：验证子种群的点是否完全覆盖地图，若是，则转下一步，若不是，加入初始解中的点，转step2.

step5：绘制最终的近似最优坐标图。

end

在遗传算法中，参数设置如下：

最大遗传代数为maxgen＝300，代沟为ggap＝0.9，重组为recopt＝0.66，子群数量subpop＝1，适应度选择insopt＝1，变异概率pm＝0.001.

覆盖范围取2r＝60。

然后我们利用贪心算法进行进一步的优化，算法设计具体如下：

start：读取rsu坐标，设定每个rsu感知范围r。

step1：将通过遗传算法优化得到的rsu节点的按照权重进行从大到小排序。

step2：将读取到的rsu节点，从权重最高的rsu开始进行辐射感知，如果在其感知范围内有其他的rsu节点，那么就把范围内的rsu节点从已经按照权重排序好的序列中排出掉。

step3：将剩余的rsu节点重新按照权重排序。若所有rsu节点全部覆盖，则转step4，否则转step2。

step4：找到同时处于几个rsu节点的感知范围内的节点，然后将其作为rsu节点，在这个rsu节点感知范围内的其他的rsu节点当作无效节点处理。

step5：绘出最优坐标图。

当设定r＝30，通过贪心算法得出的最优的点共有64个。

结论：本文引入了一种基于自然选择和遗传学机理的优化算法-遗传算法，该算法具有自适应、全局寻优等优点，将智能路侧系统的优化部署问题建模为遗传算法寻优的问题，通过建模仿真得出了相对最优的部署节点。然后引入了贪心算法对部署问题进一步的优化，得出了最终的部署方案。