一种改进的自适应克隆遗传算法在ITWSNs任务分配优化

文摘

智能交通研究无线传感器网络(ITWSNs)中起着非常重要的作用在一个智能交通系统。ITWSNs部署高收益和低能耗的交通遥感传感器节点具有复杂交通参数协调两边的道路和使用每个节点的自组织功能自动建立整个网络。在大规模自组织过程中,任务由每个节点的重要性是不同的。不难证明交通遥感传感器的任务分配是一个np难问题,和一个有效的任务分配策略ITWSNs是必要的。本文提出了一种改进的自适应克隆遗传算法(IACGA)在ITWSNs解决任务分配的问题。算法使用克隆扩张算子来加快收敛速度,并使用一种自适应算子以提高全局搜索能力。验证的性能IACGA ITWSNs任务分配优化,该算法与遗传算法(EGA)精英相比,模拟退火(SA),青蛙跳算法(SFLA)。仿真结果表明,IACGA的执行性能高于EGA, SA, SFLA。此外,IACGA更快的收敛速度。此外,收入的使用IACGA ITWSNs是高于EGA, SA, SFLA。 Therefore, the proposed algorithm can effectively improve the revenue of the entire ITWSN system.

1。介绍

如今,与车辆的快速增加,交通拥堵和污染的现象越来越严重,导致频繁的交通违规和事故。这些已经成为城市进一步发展的瓶颈(1]。因此,迫在眉睫的是运输部门应用更先进和智能数据采集手段获取交通行业的大量数据。交通主管部门可以为乘客提供实时、准确的交通信息服务,为员工提供一个参考处理紧急情况和交通违规2,3),例如,检测车辆在十字路口各个方向改进简化,信号控制算法,根据监测结果和交通效率。同时,现有的发展道路和其他硬件设施不能满足不断增加的交通问题,智能交通系统越来越关注(4,5]。

智能交通系统主要包括收集、传输、控制、交通信息和指导。无线传感器网络可以提供一个信息收集和传播的有效手段的智能交通系统。智能交通系统的有效运行取决于获得全面、准确、实时的动态交通信息。人们处理信息收集的传感器节点获取全面的交通状况,便于识别、决策、定位、检测和跟踪的车辆交通管理。因此,信息收集已经成为一个热点问题在智能交通的发展6]。不同道路的交通状况部分也不同,和交给的任务传感器也不同。更好地检测交通状况的交通传感器资源有限的情况下,一个有效的任务分配策略可以收集更大程度上的流量信息更有效地监控交通状况(7- - - - - -9]。研究的重点是开发新的任务分配方案的智能交通网络吞吐量和收入最大化无线传感器网络(ITWSNs)。

ITWSNs在整个开发过程中,高效的QoS任务分配策略发挥了不可替代的重要作用,被广泛应用于各个领域的交通工具(10- - - - - -12]。学者们广泛研究了无线传感器网络的任务分配问题(13- - - - - -15]。文献[16)发现的关键子任务基于估计的子任务的完成时间和体重系数和优先选择节点的作业,并有很强的能力和处理效率高。文献[17)混合粒子群优化的适应性和动态联盟的灵活能力获得健身价值通过加权法来获得全局最优分配方法。文献[18)分配任务到不同的集群实现高效益的目标,然后分配任务从集群,适当的传感器节点平衡网络的能量损失。文献[19)使用线性规划提出了一个动态联合任务分配算法获得一个更为平衡的任务分配策略。然而,以上方法可以更好地提高收入ITWSNs的任务分配。

针对收入最大化的问题,任务分配优化技术应用于ITWSNs,它可以极大地提高网络的整体收入。主要贡献如下:(1)首先,本文提出了一种改进的自适应克隆遗传算法(IACGA)来解决任务分配的优化问题,设计ITWSNs的任务分配模型,设计一个新的适应度函数对算法的性能进行评估(2)其次,新的自适应算子和克隆算子是为了提高算法的优化能力。IACGA结合了自适应算子和克隆算子,具有更好的性能,增强了全局搜索能力,避免陷入局部最优(3)最后,仿真结果IACGA EGA, SA和SFLA ITWSN任务分配进行比较来验证IACGA在任务分配优化的优越性,并给出了详细的数据和讨论

剩下的论文的结构如下所示。部分2介绍了相关研究在智能交通领域的任务分配。部分3显示了任务分配模型。部分4提出了一种改进的自适应遗传算法来解决克隆ITWSNs中的任务分配问题。部分5说明了IACGA在解决任务分配问题的有效性通过仿真实验和讨论它。部分6是结论部分。

2。相关工作

任务分配是一个典型的问题领域的广泛研究ITWSNs,及其应用领域的无线传感器网络的智能交通系统也是至关重要的。然而,无线传感器网络资源是极其有限的,和现有算法不能直接应用。文献[20.)提出了一个嵌套的基于遗传算法优化技术进行节能任务分配在多次反射集群网络。广义优化目标不仅可以满足实时要求的应用程序还实现能源效率。优化解决方案是结合任务映射的过程,得到的路由路径分配和基于遗传算法的任务调度。图形仿真实验的任务是随机生成的,和结果表明,嵌套优化技术更好的性能比随机优化技术。然而,由于算法的复杂度高,程序的效率是不好的。

在文献[21),任务分配问题的城市道路交通信息采集传感器网络协作的复杂交通参数、传感器网络映射到可替换主体系统中,任务完成时间,节点能量消耗和网络负载平衡作为评价函数。作者使用alliance-based协作方法构造一个非线性传感器网络任务分配的多目标优化模型。作者利用遗传模拟退火搜索最优联盟结构实现任务分配策略的优化。实际场景的仿真实验进行道路交通信息的收集;结果表明,遗传模拟退火能有效优化任务分配的联盟结构。与其它优化算法相比,优化后的模型具有低适应度函数值,任务完成时间短,较低的网络能耗。该方法可用于traffic-oriented协作检测任务分配问题的信息收集传感器网络。但该算法收敛速度慢和表现不佳。

文献[22)提出了一种分层优化任务调度算法基于无线传感器网络的特点,任务调度的最后期限和节点能量约束。摘要任务优先级根据阈值建立的最后期限。分配的任务更为紧迫的最后期限提高调度的成功率。宽松的期限的任务,目标是减少能源消耗和网络收入增加的负载平衡。仿真实验表明,该算法取得了更好的结果在提高任务调度成功率和平衡网络负载。然而,在计算能力有限的情况下,算法的计算复杂度成倍增加的网络节点数量的增加。

关于智能交通的任务分配算法,有很多研究的进展。然而,现有研究很少涉及复杂的认知任务,需要多人协作团队智能感知。文献[23]研究这种类型的任务。首先,关于位置的协作团队智能感知任务分配问题,并进行形式分析;然后,它证明问题是np难解决,和贪婪的战略和策略的基础上提出了这个问题。然而,该算法具有较高的复杂性和性能不佳。

在文献[24),作者使用了SFLA探索任务分配问题。任务分配模型的前提下,改进SFLA用于解决模型。首先,根据目标的特点,设计的矩阵模型解决方案是使用十进制编码方法。从这个矩阵,传感器决策矩阵可以直接获得。原始SFLA的基础上,通过引入可变步长迭代次数有关,算法的执行过程从一个多点突变模式转换为一个单点突变模式,因此该算法具有较强的鲁棒性。的前提下满足任务分配的约束条件,给出了具体的解决方案和步骤根据算法的原理。验证算法的可行性和有效性,仿真例子。然而,该算法容易早熟收敛。

在文献[25),作者建立了一个数学模型,通过分析道路条件的目标分配问题目标分配的影响因素,然后,基于混合优化算法的思想,结合模拟退火启发式搜索机制,并提出了一种改进的贪婪的模拟退火算法。仿真结果表明,该算法是有效和可行的,可以给一个更好的优化配置方案。然而,它仍然是容易陷入局部最优解。

针对存在的问题在上面的文献中,我们提出了一个新的解决方案,解决任务分配问题的优化和ITWSN系统的总体效益最大化,从而降低成本、提高效益为智能交通系统的信息集合。

3所示。系统模型

在一个复杂的交通信息采集环境,为了最大化网络的好处ITWSNs, ITWSNs是专为约束条件的数学模型的控制范围和计算能力。

提出了一种任务分配模型ITWSNs位于交通区域的坐标。这个模型可以实现异构的连续协调代理组间通信约束下,从而最大限度地提高无线传感器网络的网络收入。该模型可以简单抽象任务和在ITWSNs交通遥感传感器节点。假设传感器节点是随机安装在道路交通区域来执行道路交通信息采集的任务。本文的目标是获得最大的网络收入值在不同的传感器节点通过分配不同的任务。

假设每个任务的优点是计算任务分配之前,估计和任务分配的紧迫性。在公式(1),的紧迫性任务分配给传感器可以用 ,和的优点任务分配给传感器可以用 。由此,传感器节点的收入值可以表示为执行任务 。在公式(2),代表ITWSN任务分配的收入,预计将获得最大的收入 。

在公式(4),代表了每个任务的紧迫性:

这个时候,假设个人,任务,传感器节点的模型。个人自然生成一个随机编码解决方案在公式(5),代表一个任务分配的解决方案。随机生成一个任务分配的解决方案,和公式表达的结果是(5),和相应的编码方法分配计划的节中给出4:

为了加快执行效率,下一步是实数编码转换为二进制编码方法。二进制矩阵所示

根据(3)和(6),计算(7),代表分配的优势任务的传感器。结果矩阵公式所示(8)。是一个二进制矩阵任务分配计划。 意味着不是分配给的任务传感器。 意味着被分配到的任务传感器。是一个任务分配的优势矩阵,的值代表了优势价值在哪里任务分配给传感器。

列的单位矩阵在根据公式(生成9)和(10)。传感器的数量模型中对应列的数量 。计算见公式(11)。

在公式(12),代表一组的总收益价值任务分配计划:

在任务分配的过程中,由于传感器节点的计算能力和QoS约束,这两个因素会影响网络收入任务分配模型。带宽的函数( ),延迟函数( ),延迟抖动功能( ),和损失包率函数( )设计。假设在一个链接有四个因素和在ITWSNs。表达的QoS约束 在哪里代表传输能量的联系, 代表了一个链接, 代表最小带宽, 代表总抖动, 代表总延迟抖动, 代表总丢包率。

在ITWSNs,传感器节点的任务分配必须不仅满足实际交通管制要求,也提高整个网络的QoS和收入。任务执行的效率越高,系统的总体利润越高。系统效益指的是笔的好处每个传感器节点来完成这个任务。因为交通遥感传感器节点在ITWSNs是异构的,节点的分配执行效率是不同的,所以总营收任务的传感器节点也可能不同。一个优秀的任务分配方案通常可以取得更好的整体网络服务质量和更高的整体网络的效率。因此,分配计划需要考虑每个任务的紧迫性和负载大小和每个传感器节点的执行能力来确定任务调度策略。

4所示。IACGA ITWSNs任务分配优化

针对ITWSNs中的任务分配问题,提出了一个基于IACGA优化算法。这个想法来自于自然界中生物进化。在我们IACGA策略,新的自适应策略和克隆策略设计。这些策略使IACGA分配任务,快速找到最好的解决方案。

传统遗传算法过早收敛,陷入局部最优。因此,IACGA我们提出一种自适应机制设计。在交叉和变异阶段,概率是根据当前的算法调整操作,从而影响整个算法的全局搜索能力。我们已经添加了一个克隆免疫机制。人口健康评估完成后,我们会发现最好的个体克隆,然后形成下一代的人口进行免疫接种。由此产生的新的人口具有多样性和接近最优解。由于复杂的交通状况和任务条件下各种异构传感器,使用克隆免疫机制能有效提高算法的效率,更好的解决任务分配问题,并增加系统ITWSNs的收入。

IACGA的主要执行步骤如图所示1。

我们可以用以下详细步骤说明算法流程如图1。

步骤1。初始化种群。首先,构造一个亲本种群模型的满足的条件。人口可以抽象为一个真正的矩阵。假设有个人和任务和矩阵的大小 。

步骤2。计算母公司的健身和执行选择操作。排序根据每个个体的健康找到最好的人。

步骤3。最优个体克隆。克隆最适应的个体,使用免疫来决定是否接受,重组一个新的人口。

步骤4。自适应调整参数。判断健身人口聚集,并调整交叉和变异的参数。

第5步。根据参数进行交叉和变异的一步4。

步骤6。重复步骤2- - - - - -5,并达到最大迭代次数达到终止条件。

步骤7。终止算法和输出最佳的任务分配计划。
在算法1,我们将展示整个IACGA算法伪代码流。

本节讨论一些地区IACGA任务分配编码方案和人口方面的初始化、健身的计算、选择、交叉、变异,优化操作符。

4.1。编码方案

编码是第一个重要的步骤来解决任务分配问题。任务分配问题的传感器网络是将不同的任务分配给不同的传感器,以获得最大的利益。编码的想法是治疗组与多个基因染色体分配方案。编码方法直接影响程序的运行,健身的计算,和随后的交叉和变异操作。因此,本文使用整数编码便于算法的执行,提高程序的可读性。假设有个人的人口,传感器网络中的节点任务分配。在公式(17),代表的情况任务个人分配给传感器:

的分配方案染色体,传感器和任务是表达

4.2。初始种群

人口是编码根据任务分配模型。它的目的是建立一个抽象的任务分配和IACGA之间的联系。人口的初始化可以采用随机方案来更好地模拟自然环境。因此,自然生物个体生成在种群初始化。可以简单地描述为人口 。的生物个体可以表示为 。特定基因编码的例子所示公式(18)。

4.3。健康评估

健身功能在一定程度上决定了IACGA的收敛速度。人群中每个人都有自己的健身价值。IACGA体现自然界中生物进化的过程中,选择好个人通过健身和淘汰可怜的人。在这项研究中,个人评价是基于任务分配收入的价值,也就是说,健身价值。这项研究的目标是最大化网络收益。任务分配的利润值可以计算公式(1)和(2)。

4.4。选择

初始化种群中每个个体的健康是非常不同的。为了加快算法求解速度,IACGA发现最高的个人通过每个人的健康,也就是说,最优个体。我们的目标是尽可能使高度适应性强的个体继承到下一代种群。新的人口将成为对环境的适应性强。选择操作的思想来源于达尔文的生物进化理论。一个合理的选择方法可以提高算法的优化能力。本文采用轮盘赌选择算子来计算相对健身人群中所有个体的价值根据公式(2),然后计算每个个体被选中的概率根据公式(19)。我们假设个人的人口: 在哪里代表的概率个体被选中,代表的健身价值个人,代表了健身的总人口。

4.5。交叉

交叉操作的本质是两个个体的局部结构的交换。亲本种群十字架后,产生新的后代的数量,增加遗传多样性。交叉操作不仅保证人口的稳定发展,也使得该算法在最优解的方向发展。交叉的概率也大大影响算法的收敛速度。本文提出的策略自适应调整交叉概率,保证算法的全局搜索能力。同时,采用单点交叉方法,随机因素被添加到找到交叉点和交换结构。

为了更好地理解转换过程,我们使用公式(20.)和(21可视化。我们选择的交叉点基因序列和交换序列从那时起: 在哪里代表之前的两条染色体的基因序列代表任务分配计划和交叉代表两条染色体交叉后的基因序列。

4.6。突变

在遗传进化的变异操作是一个至关重要的操作。突变导致一些人的某些部分随机变化的人口,导致新基因。与交叉操作、变异是一个辅助操作,和变异用于在单个染色体变异基因。突变的遗传多样性也会增加人口,增加了搜索空间,并避免过早收敛算法。变异概率用于传统遗传算法的变异过程通常是固定的。如果设置太大,人口结构不稳定,无法找到最优解。如果设置过低,人口的发展将停滞不前,陷入局部最优解,算法过早收敛。因此,本研究设计了一种新的自适应变异和突变因素实时调整变异概率根据健身聚合度的算法,从而达到优化任务分配的目的。为了更好地理解突变过程,我们使用公式(22)和(23可视化。我们选择的突变点和基因序列。 在哪里代表了基因序列突变前和染色体代表任务分配计划显示了基因序列在染色体突变。

4.7。自适应算子

自适应机制设计在本研究中主要用于交叉和变异阶段。交叉和变异将会改变个人的原始基因,是主要的手段,来保证人口的多样性。在过去的经典生物进化算法,学者通常设置一些常量,常量在整个算法运行周期保持不变。这可以减少算法设计的难度,但是算法的最终结果往往是不好的。我们设置了交叉和变异概率的算法和 ,分别。如果两个设置较大时,它将影响算法的稳定性,和较小的设置将影响算法的进化速度。因此,我们设计了一种自适应策略改变和实时根据健身价值。为了防止和从接近和算法陷入局部最优,我们设计公式(24)和(25),个人健身价值的大小变化非线性量化交叉和变异的概率: 在哪里和是0.88的上限和下限0.65概率调整,分别设置为15,然后呢和的上限是0.04和0.01的下限突变概率调整,分别。是健身的人的最大价值,然后呢平均健身人群中所有个体的价值,和代表的健身价值个人。

4.8。克隆算子

为了提高算法的收敛速度和多样性,我们提出一个克隆选择和变异机制应用到阶段。克隆机制的优点是,克隆扩增可以提高优化计算的收敛速度,而克隆突变能保持种群的多样性。克隆的主要操作是无性繁殖,无性繁殖的性能主要取决于质量变异操作。选择一个小的变异概率操作。此时,本地搜索算法的非常好,但是算法的全局搜索能力差,而且很容易陷入局部最优解,导致浪费计算资源。人工免疫系统要解决的关键问题是使用immunodominance在免疫学的原理,不断改变自身抗体的抗原的刺激。免疫记忆克隆基本上运行在两组平行,即抗体种群和内存单元,因此更全面模拟生物免疫系统的克隆选择过程。克隆扩张在这项研究中采用精英克隆模型和克隆精英个体最大的人口健康。数据2和3清楚地表明克隆扩张和变异的过程中,分别。克隆变异操作采用自适应变异机制由我们设计的。突变过程类似于公式(所示24)和(25)。

5。仿真和讨论

5.1。实验装置

在本节中,我们将使用模拟测试算法性能的IACGA ITWSN任务分配,比较仿真结果与EGA SA, SFLA ITWSN任务分配。四种算法的结果100次实验的平均值。在其他条件相同,不同的传感器节点和任务的不同尺度ITWSNs用于仿真比较。硬件计算环境是一个PC与英特尔®™i5 2.30 GHz CPU核心。软件计算环境的操作系统Windows 10是相同的版本号,MATLAB R2018a。

在这个模拟,为了更好地比较的性能IACGA EGA, SA和SFLA,我们设置的四个算法的人口规模IACGA, EGA, SA和SFLA - 50,一代又一代的最大数量为100。IACGA,我们设置范围的自适应交叉概率为0.65 ~ 0.88和0.01 ~ 0.04范围的自适应变异概率。在EGA,我们设置交叉概率为0.75,变异的概率为0.04,并设置精英的比例为10%。在SA,我们将初始温度设置为200,退火因子为0.83。SFLA,青蛙的分组设置为5,青蛙的数量每组是10,和青蛙跳的最大步长设置为1。IACGA, EGA SA, SFLA每个算法的实验参数如表所示1- - - - - -4,分别。

5.2。实验结果的讨论

实验结果讨论部分,仿真数据将在许多方面进行分析。实验的结果显示在一个模拟的形式演化曲线,条形图和数据表和分析和讨论。

数据4(一)- - - - - -4 (d)IACGA直观地给出仿真结果,EGA, SA, SFLA四个不同数量的传感器节点和任务。总的来说,在四个不同规模情况下,IACGA比EGA更好的优化性能,SA, SFLA。EGA性能优于SA和SFLA。从数据可以看出4(一)- - - - - -4 (d)算法运行时50代,IACGA基本上融合,达到一个很好的解决方案。这时,IACGA的网络收入远远大于EGA SA, SFLA。SA聚合和陷入局部最优解在30代。SFLA的收敛速度慢,优化的程度远低于IACGA, EGA和SA。特别是在图4 (d),当传感器节点和任务是120,网络收入IACGA增加44.0117;EGA、SA和SFLA分别是42.7619,41.7644和40.8958。一般来说,运行150代的条件下,提出了自适应策略和克隆策略,IACGA可以解决任务分配和收入的问题有更好的速度和性能比EGA SA, SFLA。

数据5(一个)- - - - - -5 (d)分别显示任务分配的网络收入比较当传感器节点是8,任务是15日,25日,40岁,50岁。用柱状图更直观地看到的差距。四个算法的结果数据5(一个)- - - - - -5 (d)是150代的结果。可以看出IACGA总时间的收入大于EGA, SA和SFLA的四个情况下,性能永远是最好的。当传感器节点的数量是恒定的,随着任务的数量的增加,网络收入变得更大。在图5 (d),它可以清楚地看到,当任务的数量是50,IACGA所带来的好处远远大于EGA, SA, SFLA。从数据5(一个)- - - - - -5 (d),可以获得相同的结果。IACGA优化性能比EGA ITWSN任务分配收入,SA, SFLA。

图6显示了收入增长的百分比15任务和8节点,25任务和8节点,30个任务和16个节点,40任务和8节点,50个任务和8节点,60任务和30节点,分别和120任务和节点。来自表的数据5。从图可以看出6在七种不同的任务,优化IACGA的百分比大于EGA, SA, SFLA。在15个任务的情况下,IACGA最大的百分比增加收入,达到了21%。当任务的数量是30到120年,改善IACGA大于EGA, SA, SFLA。七个比较结果表明,IACGA有更好的影响比EGA任务分配网络收入提高,SA, SFLA。

表5显示的网络收入值IACGA EGA, SA, SFLA。可以看出,随着任务的数量增加,四个算法也将增加的好处。在不同的任务分配参数设置,IACGA的网络总是最大的好处。原因是自适应机制和克隆机制我们设计不仅增加了全球搜索功能也加快寻找最好的个人。与IACGA相比,EGA、SA和SFLA往往陷入局部最优,表现不佳。

表6显示的百分比增加IACGA EGA, SA, SFLA。当节点是8,最大收入增加21%,任务是15。其次是16节点和30个任务。所有的结果在表5表明,在不同条件下,IACGA比例增加的收入总是大于EGA, SA, SFLA。结果表明,IACGA非常有效地解决任务分配问题。

表7显示了IACGA的运行时间,EGA SA, SFLA实验参数下的4种不同的任务分配。周期的四个算法都是150代。随着节点和任务的数量增加,增加的时间。在四种情况下,IACGA的运行时间小于EGA, SA, SFLA。它证明了克隆算子提出了加速算法的优化时间和快速找到最优解。

从表可以看出8,EGA IACGA算法的复杂性和SA ,SFLA算法的复杂性 。IACGA和EGA有相同的选择,交叉和变异过程;都是两个循环。SA过程中温度下降,每个温度级别也是一个周期的两倍。SFLA的迭代过程中,有必要进行分组,组内循环,循环以外的集团和个人编码循环。复杂性是一个三重循环。因此,SFLA最高的四种算法复杂性。与EGA和SA算法相比,IACGA复杂性的顺序相同,但从图可以看出4的收敛速度和优化性能IACGA比EGA和SA。

这个算法的终止代数是设置为150代。讨论了算法的收敛性在第150代。算法的收敛性判据采用比例波动范围的判断方法。这个实验的波动幅度被定义为1% ~ 2%。在迭代过程中,我们测试,在10代,利润增长百分比从1%到2%不等,这可以认为是收敛的。四种算法使用相同的收敛标准。从数据可以看出4(一)- - - - - -4 (d)当IACGA算法运行60代,网络的好处收入满足收敛性判据。在这一点上,网络收入已达到最高价值的四个算法。EGA、SA和SFLA也收敛,但返回值很低。在150代,这四种算法融合各自的近似解。

为了更好地验证的有效性提出IACGA,本节比较了算法与EGA SA, SFLA的不同数量的任务和实验条件下传感器节点。仿真数据表明,本文提出的新的IACGA很有优势在ITWSNs优化网络收入,和跑得快的算法,具有较强的优化能力。

6。结论

针对智能交通的最优任务分配方案无线传感器网络(ITWSNs),本文提出了一种新的改进的自适应克隆遗传算法(IACGA)。之前的算法设计,任务分配模型建立的智能流量传感器网络。我们设计一种新的自适应机制来控制交叉和变异的概率防止算法陷入局部最优。克隆一个新的机制的目的是选择精英个体重组一个新的人口,这就增加了种群的多样性和算法的优化速度。此外,我们比较IACGA EGA, SA和SFLA模拟和详细讨论,证明的优越性能提出了新的算法,有效地解决了在ITWSNs任务分配优化问题,并成功地ITWSN收入最大化。

数据可用性

在这项研究中提出的数据都可以在请求从相应的作者。由于隐私不公开的数据。

信息披露

资助者没有作用的设计研究;在收集、分析或解释数据;写的手稿;或决定发布结果。

的利益冲突

作者宣称没有利益冲突。

确认

本文由陆战队创新人才计划,拨款2020号cb001;项目的青年和中年科技领先科技人才项目队,格兰特2018号cb006;中国博士后科学基金会拨款220531号;资金项目高水平人才研究石河子大学,格兰特RCZK2018C38数量;和石河子大学的项目,格兰特ZZZC201915B数量。

引用

1. l .朱f . r . Yu, y, b .宁,和t . Tang”大在智能交通系统中数据分析:一项调查,“IEEE智能交通系统,20卷,不。1,第398 - 383页,2019。视图:出版商的网站|谷歌学术搜索
2. m·维尔和m·穆萨”,深度学习智能交通系统:新兴趋势的调查,“IEEE智能交通系统,21卷,不。8,3152 - 3168年,2020页。视图:出版商的网站|谷歌学术搜索
3. d, l·邓z Cai, b·弗兰克斯和x姚明,”在澳门撤回通知:智能交通系统基于深self-coding学习,”IEEE工业信息,14卷,不。7,3253 - 3260年,2018页。视图:出版商的网站|谷歌学术搜索
4. 问:小王,j .郑h·徐,徐,和r·陈,“路边磁传感器车辆检测系统在城市环境中,“IEEE智能交通系统,19卷,不。5,1365 - 1374年,2018页。视图:出版商的网站|谷歌学术搜索
5. 燕和问:秦”,边缘计算技术的应用在智能交通系统的协同优化基于信息物理融合,“IEEE访问,8卷,第153272 - 153264页,2020年。视图:出版商的网站|谷歌学术搜索
6. c . j . Wang江z汉,任y,和l . Hanzo”网络的车辆:sensing-aided交通信息收集和扩散,”IEEE车辆技术,卷67,不。5,3813 - 3825年,2018页。视图:出版商的网站|谷歌学术搜索
7. t·d·t·阮诉阮,v - n。范教授,l . n . t .黄齐m·d·侯赛因和e - n。嗯。”建模数据冗余和cost-aware任务分配在MEC-enabled internet-of-vehicles应用程序”IEEE物联网,8卷,不。3、1687 - 1701年,2021页。视图:出版商的网站|谷歌学术搜索
8. 王任x, z, j . et al .,“可靠计算卸载edge-computing-enabled软件定义IoV。”IEEE物联网,7卷,不。8,7097 - 7111年,2020页。视图:出版商的网站|谷歌学术搜索
9. 和b . l .太阳,j . Wang Lin,“任务分配策略MEC-enabled IIoTs通过基于贝叶斯网络的进化计算,”IEEE工业信息,17卷,不。5,3441 - 3449年,2021页。视图:出版商的网站|谷歌学术搜索
10. m . Okhovvat和m . r . Kangavari”数学任务调度模型在演员无线传感器网络,”计算机系统科学与工程,34卷,不。1,5 - 12,2019页。视图:出版商的网站|谷歌学术搜索
11. s . Khaliq t . Maqsood m·阿里·k . Bilal s . A . Madani A . ur Rehman汗,“一个负载平衡的大规模计算系统的任务调度启发式,”计算机系统科学与工程,34卷,不。2、79 - 90年,2019页。视图:出版商的网站|谷歌学术搜索
12. 肖n y郭,f . Liu, z陈,“基于任务的资源分配在边缘计算微数据中心,“电脑,材料和连续,卷61,不。2、777 - 792年,2019页。视图:出版商的网站|谷歌学术搜索
13. c·d·朱y . Wang你et al .,“MMLUP:多源和多任务学习社交网络的用户资料,”电脑,材料和连续,卷61,不。3、1105 - 1115年,2019页。视图:出版商的网站|谷歌学术搜索
14. 曹x h . Yu, h .太阳,“动态任务分配multi-AUV合作狩猎,”智能自动化&软计算,25卷,不。1、1 - 11,2019页。视图:出版商的网站|谷歌学术搜索
15. t, s .彭日成w·张,和美国,“虚拟机中使用的基于遗传算法的时间和力量的云计算任务调度,“智能自动化&软计算,25卷,不。3、605 - 613年,2019页。视图:出版商的网站|谷歌学术搜索
16. w·李:沃恩,d . Kim”任务分配到一个觅食任务和一系列子任务在群体机器人系统中,“IEEE访问,8卷,第107561 - 107549页,2020年。视图:出版商的网站|谷歌学术搜索
17. c·魏z霁,b . Cai”粒子群优化合作多机器人任务分配:多目标的方法,”IEEE机器人与自动化信件,5卷,不。2、2530 - 2537年,2020页。视图:出版商的网站|谷歌学术搜索
18. x道和w·歌”位置无关的任务分配与集群效应已被称作移动群体感知,它把“IEEE物联网》第六卷,没有。1,第1045 - 1029页,2019。视图:出版商的网站|谷歌学术搜索
19. d . Yu王y, z,“众包基于动态任务分配算法实用软件,”IEEE访问7卷,第33106 - 33094页,2019年。视图:出版商的网站|谷歌学术搜索
20. 刘和n .王”协作云服务资源的优化调度基于改进遗传算法,”IEEE访问,8卷,第150890 - 150878页,2020年。视图:出版商的网站|谷歌学术搜索
21. k .黄董y, d . Wang和s .王”的应用改进的模拟退火遗传算法在群无人机任务分配,”信息科学国际会议上,并行和分布式系统(ISPDS)西安,页266 - 271年,中国,2020。视图:出版商的网站|谷歌学术搜索
22. p . y . Zhang和m . c .周”,基于两阶段的动态云任务调度策略,”IEEE自动化科学与工程,15卷,不。2、772 - 783年,2018页。视图:出版商的网站|谷歌学术搜索
23. 张赵j .周x, x, d .赵和h·李,“基于分布式多代理系统的任务分配许多客观的进化算法和贪婪算法,”IEEE访问,8卷,第19318 - 19306页,2020年。视图:出版商的网站|谷歌学术搜索
24. d . r . Edla a . Lipare r . Cheruku诉Kuppili,“网关使用改进的有效负载平衡打乱青蛙跳跃网络算法和新的适应度函数,“IEEE传感器杂志,17卷,不。20日,第6733 - 6724页,2017年。视图:出版商的网站|谷歌学术搜索
25. 美国f . Siddiqi s·m·我们m . s . Demir和m . Uysal”可见光通信系统资源分配使用模拟退火函数基于问题特定的邻居,”IEEE访问7卷,第64091 - 64077页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021志华咋et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。