基于云計算的物聯(lián)網(wǎng)建筑設備智能調(diào)度系統(tǒng)設計

王欣 王川

摘? 要： 物聯(lián)網(wǎng)信息系統(tǒng)中建筑設備種類和數(shù)量繁多，傳統(tǒng)的資源存儲調(diào)度方式無法保證實時性和有效性，提出一種改進的蟻群算法克服了傳統(tǒng)蟻群算法收斂速度慢和易陷入局部最優(yōu)的缺陷。將改進的蟻群算法移植到云計算環(huán)境中，云計算的快速計算和高速存儲優(yōu)勢能夠?qū)崿F(xiàn)建筑設備的實時資源調(diào)度。實驗結(jié)果表明，改進的蟻群算法在云計算環(huán)境中能夠較為明顯地提升資源調(diào)度效率。

關(guān)鍵詞： 智能調(diào)度系統(tǒng); 資源調(diào)度; 云計算; 物聯(lián)網(wǎng); 蟻群算法; 路徑優(yōu)化

中圖分類號： TN99?34; TP393? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）03?0092?04

Design on IoT building equipments′ intelligent scheduling system

based on cloudy computing

WANG Xin1， WANG Chuan2

（1. School of Mechanical and Electrical Engineering， Sanjiang University， Nanjing 210012， China;

2. Nanjing Cigarette Factory， China Tobacco Jiangsu Industrial Co.， Ltd.， Nanjing 210019， China）

Abstract： As there is a wide variety of building equipments in the Internet of Things （IoT） information system and the traditional resource memory scheduling methods fails to guarantee the real?time performance and effectiveness， an improved ant colony optimization is proposed to overcome the defects of slow convergence and being prone to fall into local optimum in the traditional ant colony optimization. When the improved ant colony optimization is transplanted into cloud computing environment， the advantages of fast computing and high?speed memory of cloud computing can realize real?time resource scheduling for the building equipments. The experimental results show that the improved ant colony optimization can obviously improve the efficiency of resource scheduling in cloud computing environment.

Keywords： intelligent scheduling system; resource scheduling; cloud computing; Internet of Things; ant colony optimization; route optimization

0? 引? 言

物聯(lián)網(wǎng)是在互聯(lián)網(wǎng)的基礎上提出來的一種新概念，可以理解為互聯(lián)網(wǎng)的延伸和擴展，已被廣泛應用于人類社會及物理系統(tǒng)的資源整合之中，智能建筑和智能家居領域中應用尤為顯著[1]。當前建筑物內(nèi)的用電設備數(shù)量和種類繁多，傳統(tǒng)的物聯(lián)網(wǎng)控制理論和方法已難以完成對建筑物內(nèi)各種設備的整體優(yōu)化[2?3]。云計算技術(shù)憑借高效的存儲和計算能力將各種計算和存儲資源轉(zhuǎn)換為虛擬數(shù)據(jù)形態(tài)存儲，按照實際需求和服務方式對資源進行增添和擴展[4?5]。節(jié)約成本、便捷實用、整合資源和節(jié)能環(huán)保，這些優(yōu)勢促使物聯(lián)網(wǎng)運營發(fā)展中引入云計算技術(shù)是必然選擇[6?7]。

云計算環(huán)境中擁有大量的存儲和計算節(jié)點，能夠在海量數(shù)據(jù)上實現(xiàn)快速計算，然而快速計算的核心在于資源的合理分配和調(diào)度，最優(yōu)問題求解算法和調(diào)度算法的應用成為提高云服務響應時間的核心[8]。目前常見的算法有人工神經(jīng)網(wǎng)絡算法、遺傳算法、模擬退火算法和蟻群算法等[9?12]。由于每一種算法自身存在一定的局限性，如人工神經(jīng)網(wǎng)絡算法在求解最優(yōu)值問題上精度很難達到很高;遺傳算法在搜索過程中存在盲目性，導致算法效率較低，模擬退火算法求解最優(yōu)值時間過長;蟻群算法由于選擇路徑的隨機性，易造成收斂速度慢和局部優(yōu)化的現(xiàn)象產(chǎn)生。

本文提出一種改進的蟻群算法，克服了傳統(tǒng)蟻群算法收斂速度慢和易陷入局部優(yōu)化的缺點，將改進的蟻群算法應用于云計算環(huán)境中對物聯(lián)網(wǎng)中建筑設備進行資源分配和調(diào)度。通過模擬仿真實驗，改進的蟻群算法在云計算環(huán)境中能夠較為明顯地提升資源調(diào)度效率。

1? 物聯(lián)網(wǎng)簡介

物聯(lián)網(wǎng)技術(shù)是指通過網(wǎng)絡將物與物進行連接的技術(shù)。本文論述的建筑設備物聯(lián)網(wǎng)表示將建筑物內(nèi)的各種建筑用電設備統(tǒng)一集中起來，形成一個“物與物”相連的互聯(lián)網(wǎng)絡。通過無線網(wǎng)絡傳感向建筑物內(nèi)的各種建筑用電設備的拓展和延伸，物聯(lián)網(wǎng)系統(tǒng)利用自身三層體系架構(gòu)，通過傳輸層的無線傳輸網(wǎng)絡搜集系統(tǒng)中智能設備的參數(shù)傳遞到應用層的云計算服務平臺，實現(xiàn)數(shù)據(jù)實時處理和實時共享，從而實現(xiàn)對整個物聯(lián)網(wǎng)系統(tǒng)的調(diào)度和控制，達到能源的合理有效利用，進而提高能源利用效率，避免浪費現(xiàn)象的出現(xiàn)[13]。從功能上分，建筑設備物聯(lián)網(wǎng)系統(tǒng)的整體結(jié)構(gòu)分為應用層、支撐層、網(wǎng)絡層、接入層和感知層，如圖1所示。

圖1中，與用戶直接互通的是應用層，該層包含各種Web瀏覽器或客戶端的應用，用戶可以通過應用層所提供的各項應用對建筑物內(nèi)各種用電設備進行遠程監(jiān)控和智能管理;支撐層由數(shù)據(jù)服務、通信服務和應用服務三大部分組成，分別用于物聯(lián)網(wǎng)中數(shù)據(jù)的存儲、通信、處理和應用;網(wǎng)絡層位于物聯(lián)網(wǎng)的中間層，可以是常用的互聯(lián)網(wǎng)、局域網(wǎng)、異構(gòu)網(wǎng)或虛擬專用網(wǎng)絡等，主要用于完成建筑設備物聯(lián)網(wǎng)網(wǎng)絡的互通互聯(lián)，確保整個系統(tǒng)相互之間都可以互訪;接入層主要是物聯(lián)網(wǎng)節(jié)點，用于物聯(lián)網(wǎng)中的數(shù)據(jù)傳輸;感知層位于整個物聯(lián)網(wǎng)的最底層，該層通過無線網(wǎng)絡傳感技術(shù)、射頻識別技術(shù)等對建筑物內(nèi)各種用電設備的狀態(tài)信息進行采集，并通過無線傳感網(wǎng)絡將采集的信息傳輸?shù)綉脤拥脑朴嬎闫脚_。

2? 云計算服務模型架構(gòu)

云計算平臺將所有可配置的計算資源進行虛擬化，然后進行統(tǒng)一整合、配置，構(gòu)成一個資源池向用戶提供各種所需的服務，其具體的服務模型如圖2所示。

云計算平臺可以處理海量數(shù)據(jù)，實現(xiàn)較高的資源整合率，同時以分布式計算為基礎，需要計算處理的數(shù)據(jù)也分布于不同的節(jié)點。為了提高云計算的效率，合理調(diào)度和分配計算節(jié)點和資源顯得至關(guān)重要，最優(yōu)問題求解算法和調(diào)度算法的應用成為提高云服務響應時間的核心。因此，結(jié)合一種改進的蟻群算法，將資源池中的各種信息資源集中整合，最終以簡捷、高效的方式呈現(xiàn)給用戶及管理者，可以有效支撐物聯(lián)網(wǎng)的信息處理環(huán)節(jié)，改善傳統(tǒng)物聯(lián)網(wǎng)系統(tǒng)中所存在的不足。

3? 改進的蟻群算法

蟻群算法是一種仿生算法，啟發(fā)于自然界蟻群的覓食現(xiàn)象。在未知區(qū)域覓食的過程中，當個體螞蟻尋覓到食物后，在其經(jīng)過的路徑上會釋放信息素，其濃度表示路徑的長短。這對于其他在覓食的螞蟻而言，只要在一定范圍內(nèi)感知所釋放信息素濃度的強弱，始終沿著信息素濃度較強的方向移動，總會在一定的時間內(nèi)找出一條最短的路徑到達目的地[14]。

3.1? 經(jīng)典蟻群算法

對上述現(xiàn)象進行數(shù)學建模，設將[m]只螞蟻放入到[n]個隨機選擇節(jié)點，螞蟻[k]根據(jù)信息素濃度的高低選擇運動方向，總是向著濃度高的路徑運動，可得在某一時刻[t]，螞蟻[k]從節(jié)點[i]移動到節(jié)點[j]的轉(zhuǎn)移概率為：

式中：[allowedk]作為一個集合，表示螞蟻[k]由節(jié)點[i]移動到節(jié)點[j]可以選擇的地點;[ηij（t）]為[t]時刻螞蟻由節(jié)點[i]移動到節(jié)點[j]的啟發(fā)信息;[τij（t）]為[t]時刻弧段[ij]的信息素濃度;[α]代表信息啟發(fā)因子，其值越大代表當前路徑越重要，螞蟻就更傾向去選擇該條路徑;[β]為期望啟發(fā)因子，代表螞蟻根據(jù)啟發(fā)信息去選擇路徑過程中受影響的程度，表示計算能力預測值的相對權(quán)重。

3.2? 基于混沌化的改進蟻群算法

上述式（1）是傳統(tǒng)蟻群算法的標準數(shù)學模型，顯而易見，當蟻群數(shù)量[m]較大或節(jié)點數(shù)[n]較大時，該算法的計算時間就會出現(xiàn)緩慢甚至停滯現(xiàn)象，而且在求解最優(yōu)路徑時會出現(xiàn)局部優(yōu)化的現(xiàn)象，從而造成算法效率低、響應慢和誤差大等一系列問題。因此，對上述傳統(tǒng)蟻群算法的數(shù)學模型進行改進，利用Logistic映射函數(shù)改善傳統(tǒng)蟻群算法對選擇路徑隨機性的依賴。在傳統(tǒng)蟻群算法的標準數(shù)學模型中，螞蟻等概率地選擇每一條路徑，利用Logistic映射函數(shù)可以產(chǎn)生與路徑數(shù)相同的混沌變量，通過混沌運動的性質(zhì)進行全局搜索與最優(yōu)值求解。Logistic映射函數(shù)可以表達為：

式中[μ]為控制參數(shù)，當[μ=4]時，Logistic映射表現(xiàn)為典型的混沌狀態(tài)，同時具有隨機性、規(guī)律性和遍歷性等特點。

在初始路徑進行混沌化之后，為了避免出現(xiàn)響應慢和局部優(yōu)化的現(xiàn)象，對信息素濃度也進行了混沌化，即：

式中：[xij]為式（2）中產(chǎn)生的混沌量;[q]為系數(shù)。

結(jié)合式（2）中的Logistic映射，對上述傳統(tǒng)蟻群算法的初始路徑進行混沌化（[μ=4]），假設[n=3]，由此可能出現(xiàn)的路徑一共有6種，利用排列組合可得最終的每一條路徑如表1所示。

表1中，[D]表示不同路徑的序號;[V]表示運動方向;[C]表示在3個節(jié)點之間的運動軌跡。三者之間的邏輯轉(zhuǎn)換關(guān)系可表達如下：

綜上所述，歸納總結(jié)可得基于上述所提出的改進蟻群算法的求解最優(yōu)值的流程，如圖3所示。

3.3? 基于改進蟻群算法的設備智能調(diào)度

蟻群算法能夠進行最優(yōu)路徑發(fā)現(xiàn)，最優(yōu)路徑可定義為物聯(lián)網(wǎng)智能調(diào)度系統(tǒng)中最佳調(diào)度方式。將物聯(lián)網(wǎng)環(huán)境中眾多設備建模為云計算環(huán)境中節(jié)點，節(jié)點形態(tài)分為存儲節(jié)點和計算節(jié)點，存儲節(jié)點映射為物聯(lián)網(wǎng)中數(shù)據(jù)存儲設備，計算節(jié)點映射為物聯(lián)網(wǎng)中數(shù)據(jù)計算和數(shù)據(jù)處理設備。物聯(lián)網(wǎng)系統(tǒng)中所有節(jié)點在某個時間點都會對應當前數(shù)據(jù)處理量和本身的最大處理能力，蟻群算法的目的是根據(jù)當前物聯(lián)網(wǎng)系統(tǒng)的負載和各個節(jié)點的負載情況進行動態(tài)規(guī)劃和流量分發(fā)，使整個系統(tǒng)的性能達到最大化。

定義每隔[t]時間，物聯(lián)網(wǎng)系統(tǒng)中計算節(jié)點與存儲節(jié)點會進行數(shù)據(jù)同步，數(shù)據(jù)同步包括各個節(jié)點當前的處理數(shù)據(jù)量和存儲數(shù)據(jù)量，同步的目的是根據(jù)蟻群算法的最優(yōu)調(diào)度方案進行流量分發(fā)，如圖4所示。

4? 仿真實驗

在云計算環(huán)境下分別對比傳統(tǒng)蟻群算法和改進蟻群算法在資源調(diào)度時的效率差異。算法中的相關(guān)參數(shù)設置如下：啟發(fā)因子[α=1]，期望啟發(fā)因子[β=]0.998，控制參數(shù)[μ=4]，同時，設定執(zhí)行任務數(shù)為20～100，節(jié)點數(shù)為20。在相同實驗參數(shù)情況下進行仿真實驗，每個算法運行10 次取平均值，兩種蟻群算法的統(tǒng)計記錄結(jié)果如表2和表3所示。

當執(zhí)行任務數(shù)從15～100依次增大時，每一種狀態(tài)下，兩種算法執(zhí)行10 次，將10次計算時間的平均值作為記錄值，分別記錄在表2和表3中。對于記錄結(jié)果，分別考察兩種算法隨著執(zhí)行任務數(shù)的增加所需執(zhí)行時間的變化曲線，如圖5所示。

觀察圖5可知：當執(zhí)行任務數(shù)較少（小于40）時，兩種算法在云計算中求取最優(yōu)值所需時間的差距非常小;但當執(zhí)行任務數(shù)增加（大于70）時，二者之間的差異變得越來越明顯;而當執(zhí)行任務數(shù)達到100時，改進蟻群算法完成最優(yōu)值求解所需時間小于25 s，而傳統(tǒng)蟻群算法所需的求解時間卻已接近30 s。

為更進一步地考察兩種算法的最優(yōu)值求解效果，對上述表2和表3中記錄的數(shù)據(jù)結(jié)果進行了相對標準差的統(tǒng)計分析，結(jié)果如圖6所示。

由圖6可知，當任務數(shù)增加時，改進蟻群算法的偏差值越來越小并趨于線性，顯然優(yōu)于傳統(tǒng)蟻群算法。

在實際的云計算環(huán)境下，需要處理的是海量數(shù)據(jù)，計算時間的長短直接決定著整個物聯(lián)網(wǎng)信息系統(tǒng)的資源調(diào)度效率。通過上述對比分析，改進的蟻群算法相比于傳統(tǒng)蟻群算法在云計算環(huán)境能夠更大限度地提升調(diào)度效率。

5? 結(jié)? 語

本文針對建筑設備建設云計算環(huán)境下的物聯(lián)網(wǎng)信息系統(tǒng)，為了能夠?qū)ㄖO備進行快速地資源調(diào)度，基于Logistic映射提出一種改進的蟻群算法，大大地改善了傳統(tǒng)蟻群算法對選擇路徑隨機性的依賴，克服了傳統(tǒng)蟻群算法收斂速度慢和易陷入局部優(yōu)化的缺點，同時利用云計算快速資源存儲和調(diào)度的優(yōu)勢集成改進的蟻群算法提升整個物聯(lián)網(wǎng)系統(tǒng)執(zhí)行效率。模擬仿真實驗對比分析了傳統(tǒng)蟻群算法和改進的蟻群算法在執(zhí)行任務數(shù)增加時，最優(yōu)求解所需時間的變化曲線，結(jié)果證明改進的蟻群算法更適用于云計算環(huán)境。

參考文獻

[1] 苑敏.物聯(lián)網(wǎng)與云計算的融合：物聯(lián)網(wǎng)云的構(gòu)建[J].中國新通信，2013（3）：10?11.

[2] 王昊，董杰.用云計算和物聯(lián)網(wǎng)技術(shù)對建筑能源管理的思路[J].能源與節(jié)能，2012（8）：1?2.

[3] 張家渝.基于云計算的物聯(lián)網(wǎng)運營平臺的構(gòu)建[J].中國新通信，2017，19（15）：52?53.

[4] 張世奇，張曉睿.基于云計算的校園物聯(lián)網(wǎng)構(gòu)建[J].中國新通信，2016，18（1）：20.

[5] 嚴杰.云計算的物聯(lián)網(wǎng)運營管理平臺研究[J].信息系統(tǒng)工程，2017（2）：68.

[6] 張元金.云計算環(huán)境下物聯(lián)網(wǎng)系統(tǒng)構(gòu)架結(jié)構(gòu)研究[J].網(wǎng)絡安全技術(shù)與應用，2016（6）：77?78.

[7] 王靈霞，趙宏.面向云計算環(huán)境任務調(diào)度的改進蟻群算法[J].工業(yè)儀表與自動化裝置，2016（2）：3?6.

[8] 陳欽榮，劉順來，林錫彬.一種混合優(yōu)化的云計算資源調(diào)度算法[J].韓山師范學院學報，2016，37（6）：15?23.

[9] 王勃，徐靜.基于云計算環(huán)境的蟻群優(yōu)化算法研究[J].新技術(shù)新工藝，2014（8）：49?52.

[10] 原文林，黃強，萬芳.基于免疫進化的蟻群算法在梯級水庫優(yōu)化調(diào)度中的應用研究[J].西安理工大學學報，2008，24（4）：395?400.

[11] 李柯.云計算下基于蟻群優(yōu)化算法的資源分配研究[D].杭州：杭州電子科技大學，2016.

[12] 李雪，崔杜武，華潔，等.基于二維函數(shù)地貌的遺傳算法控制參數(shù)優(yōu)化研究[J].西安理工大學學報，2010，26（1）：26?30.

[13] 劉公明.云計算環(huán)境下建筑設備物聯(lián)網(wǎng)信息系統(tǒng)的應用研究[D].濟南：山東建筑大學，2015.

[14] 戰(zhàn)非，張少茹.基于混沌蟻群算法的云計算應用優(yōu)化研究[J].火力與指揮控制，2017，42（7）：25?28.