一种全金属隧道环境下的ETC系统部署优化方法、系统、设备及介质 |
|||||||
申请号 | CN202410315163.2 | 申请日 | 2024-03-19 | 公开(公告)号 | CN118055415A | 公开(公告)日 | 2024-05-17 |
申请人 | 西安电子科技大学; | 发明人 | 张阳; 李迪; 郜烨帆; 姜广泽; 宋宇晨; | ||||
摘要 | 本 发明 公开了一种全金属隧道环境下的ETC系统部署优化方法、系统、设备及介质,通过实测的全金属隧道环境下的ETC通信系统无线信道数据,构建RSU部署参数与OBU接收功率之间的数学关系式,并以最大化期望范围内OBU接收功率同时最小化非期望范围内OBU接收功率为目标,以RSU部署参数为优化变量,以RSU实际部署的客观限制为约束建立优化问题,利用改进的NSGA‑II 算法 对优化问题求解进而得到ETC系统部署优化参数;系统、设备及介质,用于实现一种全金属隧道环境下的ETC系统部署优化方法;最终为ETC系统的RSU部署给出参数优化建议,降低误交易 风 险、提高交易成功率、精准控制 覆盖 范围。 | ||||||
权利要求 | 1.一种全金属隧道环境下的ETC系统部署优化方法,其特征在于,包括以下步骤: |
||||||
说明书全文 | 一种全金属隧道环境下的ETC系统部署优化方法、系统、设备及介质 技术领域[0001] 本发明涉及移动通信技术领域,具体涉及一种全金属隧道环境下的ETC系统部署优化方法、系统、设备及介质。 背景技术[0002] ETC是目前世界上最先进的路桥收费方式,通过安装在车辆上的车载电子标签(OBU)与在收费站车道上的路侧单元(RSU)之间,利用专用短程通讯技术(DSRC)实现信息交互,然后通过计算机联网与银行进行后台结算处理,从而达到不停车而交费的目的。 [0003] 目前为止,ETC系统的搭建都会避开隧道环境,而在钢壳隧道环境中,ETC收费的误交易和交易成功率低的问题会显著存在,造成这些问题的主要原因主要是钢壳隧道环境中无线电信号传播规律难以预测,电磁波的反射、干扰等会造成如下各种问题: [0004] 1、钢壳会使信号反射,使信号覆盖范围加大,造成误交易或漏交易,这个问题将可能会导致如下几种情况: [0005] 1)交易距离过远,进而造成重复交易的问题 [0006] 路网现存OBU/CPC(Compound Pass Card,高速公路复合通行卡)接收灵敏度不同,在实际应用中极端情况下可达数百米,在隧道内会进一步加长。这将导致OBU和CPC卡在距离RSU较远处即被唤醒交易,存在重复交易的风险。 [0007] 2)多标签碰撞干扰 [0008] 由于在相对封闭的环境内,信号覆盖范围较大,当大量OBU和CPC被唤醒时,会造成公共上行链路阻塞,易产生漏交易,对交易成功率影响较大。 [0009] 2、金属内壁对电磁波的强烈反射所带来的多径效应会造成很长一段距离上存在频繁的信号的深衰落,接收功率的连续起伏会造成RSU与OBU/CPC交易不连续,从而影响交易成功率。 [0010] 3、隧道环境内多种无线设备的电磁干扰也将会对ETC的信号传播造成一定的影响。例如,如果干扰信号将OBU/CPC唤醒,造成OBU/CPC电量过度消耗,同时在路网现存的OBU/CPC中,部分存在耗电保护功能,当其连接被干扰唤醒且达到一定时间,OBU/CPC将自动进入休眠保护,长达数分钟,在此期间正常的信号无法将其唤醒,若此时车辆经过ETC门架,则无法完成交易。此外,干扰信号的存在将会导致RSU、OBU/CPC接收信号的性能变差,这样便会造成设备的交易距离变短,从而车辆通过ETC门架时的交易成功率会下降。 [0011] 目前对隧道场景下的ETC系统部署优化的研究尚且存在空缺,但针对公路场景下存在的其他问题存在一些现有的解决方案。 [0012] 为了解决混合车道通信成功率低的问题,申请公布号为CN113706731A的专利申请,公开了一种“ETC集成天线功率自适应调整方法和装置”,其ETC天线接收雷达发送的车辆数据,并根据车辆数据调整发射功率,建立与目标车辆的通信。但是由于只是单一地调整发射功率,导致未能充分利用ETC系统参数的自由化,优化效果还有提升的空间。 [0013] 为了解决邻道干扰问题,申请公布号为CN108964735A的专利申请,公开了一种“一种ETC相控阵波束赋形系统、方法及路侧装置”,其方法无需采用专用的硬件和射频芯片,具有灵活性。但是由于没有利用无线信道信息,导致无法应用至隧道场景。 发明内容[0014] 为了克服上述现有技术的缺点,本发明的目的在于提供一种全金属隧道环境下的ETC系统部署优化方法、系统、设备及介质,通过实测的全金属隧道环境下的ETC通信系统无线信道数据,构建RSU部署参数与OBU接收功率之间的数学关系式,并以最大化期望范围内OBU接收功率同时,最小化非期望范围内OBU接收功率为目标,以RSU部署参数为优化变量,以RSU实际部署的客观限制为约束建立优化问题,利用改进的NSGA‑II算法对优化问题求解进而得到ETC系统部署优化参数,最终为ETC系统的RSU部署给出参数优化建议,降低误交易风险、提高交易成功率、精准控制覆盖范围。 [0015] 为了实现上述目的,本发明采用的技术方案是: [0016] 一种全金属隧道环境下的ETC系统部署优化方法,包括以下步骤: [0017] 步骤1:针对全金属隧道场景,进行无线信道测量,针对ETC通信制式,通过测量数据建立确定性无线信道模型,表征RSU架高h、RSU天线倾角为δ、RSU发射功率为p、RSU天线阵元间距为d、波束赋形权值w与OBU接收功率Px之间的数学关系; [0018] 步骤2:基于步骤1的数学关系,以最大化期望范围内OBU接收功率同时最小化非期望范围内OBU接收功率为目标,建立优化问题模型; [0019] 步骤3:利用改进的NSGA‑II算法对步骤2建立的优化问题模型进行求解,得到ETC系统的部署参数。 [0020] 所述的步骤1具体包括以下步骤: [0021] 通过无线信道测量,得到测量数据包括:信道路径损耗、阴影衰落、时延扩展、角度扩展、莱斯K因子,通过测量数据在Wireless Insite中建立确定性无线信道模型,分别在不同的RSU架高下使用确定性无线信道模型生成对应的多径情况,包括:每条径的功率、方向和相位,使一个RSU的架高h对应一组信道多径分布情况raysh; [0022] 在RSU侧,NY×NZ的天线阵列上,NY代表每一行的阵元数量,NZ为行数,每一行的NY个阵元的波束赋形权值为w1=[w11 w12 ...... w1NY],在此基础上,对NZ行子阵进行移相,波束赋形权值为w2=[w21 w22 w23 ...... w2NZ],综合波束赋形权值w表示为: [0023] w=w2T×w1, [0024] 设定RSU架高为h、RSU天线倾角为δ、RSU天线阵元间距为d,则目标位置x处的多径组成的集合,集合中径的总数量为Lx,h,集合中每一条径的离开方位角为θl,x,h、离开俯仰角为 相位为Φl,x,h,对应的天线的导向矢量表示为: [0025] [0026] 设定RSU发射功率为p,则确定性无线信道模型在x处自动生成对应的每一条径的幅值Al,x,h,p,幅值Al,x,h,p取值由RSU的发射功率p决定;在第k个阵元处,发送信号表征为: [0027] [0028] 通过波束赋形权值w进行波束赋形后,总信号可以表示为: [0029] [0030] 根据总信号积分,得到位置x处的OBU接收功率Px为: [0031] [0032] 所述的步骤2具体包括以下步骤: [0033] 根据不期望ETC功率覆盖的区域范围的位置集合Xunexpected,即ETC功率抑制区的位置集合,最小化集合内接收功率均值;同时对于期望ETC功率覆盖的区域范围的位置集合Xexpected,最大化集合内接收功率均值,优化问题模型表征为: [0034] P1: [0035] P2: [0036] s.t.c1:|w(k)|=1,k=1,...,NY*Nz。 [0037] 所述的步骤3具体包括以下步骤: [0038] 步骤3.1:根据信道测量结果,包括信道的路径损耗指数、均方根时延扩展和均方根角度扩展,找到ETC通信受到的多径效应的影响相对较为减弱的RSU架高h和RSU天线倾角δ,作为初始种群的所有个体的RSU架高h和RSU天线倾角δ,并使用0.5个波长作为RSU天线阵元间距为d的初始值,剩下的其余参数则随机生成,计算种群每个个体的两个目标函数值,再设置进化代数gen的初始值为1,最大值为N; [0039] 步骤3.2:使用精英保留策略,缩小步骤3.1中生成的初始种群的规模; [0040] 步骤3.3:先使用快速非支配排序计算步骤3.2中缩小后种群的所有个体支配等级,再根据每个个体的目标函数值计算步骤3.2中缩小后种群的拥挤度,然后根据拥挤度从大到小的顺序对步骤3.2中缩小后种群的所有个体进行排序,最后根据支配等级从小到大的顺序将前一步排序后的种群进行排序; [0041] 步骤3.4:为NSGA‑II算法引入适应度,定义为两个目标函数f1和f2的函数,并通过两个权值w1和w2来调整步骤3.1计算出的每个个体的两个目标函数的重要程度,适应度函数F表示为: [0042] [0043] 步骤3.5:当从步骤3.3排序后的种群中选择用于交叉的个体时,基于步骤3.4计算处的适应度函数F,通过自适应交叉概率公式得到Pc: [0044] [0045] 随机生成0‑1之间的随机数,当Pc>随机数时执行BLX‑α交叉; [0046] 当从步骤3.3排序后的种群中选择用于突变的个体时,基于步骤3.4计算处的适应度函数F,通过自适应变异概率公式得到Pm: [0047] [0048] 随机生成0‑1之间的随机数,当Pm>随机数时执行多项式突变; [0049] 其中,Pcmin为最小的交叉概率,Pcmax为最大的交叉概率,Pmmin为最小的变异概率,Pmmax为最大的变异概率,Fmax是当前种群所有个体的适应度的最大值,Favg是当前种群所有个体的适应度的平均值,F'是选定用于交叉的两个个体的适应度的较大值,F是选定用于变异的个体的适应度值; [0050] 步骤3.6:将步骤3.3排序后的种群和步骤3.5交叉和突变得到的新的个体组成新的种群,计算新的种群中的个体的两个目标函数值; [0051] 步骤3.7:先使用快速非支配排序计算步骤3.6中组成的新种群的所有个体支配等级,再根据每个个体的目标函数值计算步骤3.6中组成的新种群的拥挤度,然后根据拥挤度从大到小的顺序对步骤3.6中组成的新种群的所有个体进行排序,最后根据支配等级从小到大的顺序将前一步排序后的种群进行排序; [0052] 步骤3.8:判断当前代数gen是否小于最大值N,当gen [0053] 一种全金属隧道环境下的ETC系统部署优化系统,包括: [0054] 构建模块,建立金属隧道场景的确定性无线信道模型,表征RSU架高、倾角、发射功率、天线阵元间距、波束赋形权值与OBU接收功率之间的数学关系; [0055] 建立模块,以最大化期望范围内OBU接收功率同时最小化非期望范围内OBU接收功率为目标,建立优化问题模型; [0056] 求解模块,利用改进的NSGA‑II算法对优化问题模型进行求解。 [0057] 一种全金属隧道环境下的ETC系统部署优化设备,包括: [0059] 处理器:用于执行所述计算机程序时实现如权利要求1‑4任一项所述的一种全金属隧道环境下的ETC系统部署优化方法。 [0060] 本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种全金属隧道环境下的ETC系统部署优化方法的步骤。 [0061] 相对于现有技术,本发明的有益效果在于: [0062] 1.本发明考虑RSU部署参数和通信效果之间的内在联系,实现了RSU架高、天线倾角、发射功率、天线阵元间距以及波束赋形权值的联合优化,具有提高RSU在金属隧道环境下的通信性能的效果。 [0063] 2.本发明采用改进的NSGA‑II算法,实现了根据先验信息的种群初始化、自适应交叉和变异概率以及改进的交叉和变异机制,加快了算法的收敛,增强了搜索的灵活性,并且有效防止陷入局部最优解。 [0064] 3.本发明采用信道测量和确定性无线信道建模的方式,实现了隧道环境下无线信道特征的精准模拟,免去了频繁在隧道现场实测的负担。 [0065] 综上所述,本发明考虑RSU部署参数和通信效果之间的内在联系,实现了RSU架高、天线倾角、发射功率、天线阵元间距以及波束赋形权值的联合优化,提高了RSU在金属隧道环境下的通信性能的效果;采用改进的NSGA‑II算法,实现了根据先验信息的种群初始化、自适应交叉和变异概率以及改进的交叉和变异机制,加快了算法的收敛,增强了搜索的灵活性,并且有效防止陷入局部最优解;并通过信道测量和确定性无线信道建模的方式,实现了隧道环境下无线信道特征的精准模拟,免去了频繁在隧道现场实测的负担。附图说明 [0066] 图1为本发明全金属隧道环境下的ETC系统部署优化方法的流程图; [0067] 图2为本发明改进的NSGA‑II算法的流程框图; [0068] 图3为本发明改进的NSGA‑II算法与传统算法效果对比示意图。 具体实施方式[0069] 下面结合附图对本发明做详细叙述。 [0070] 如图1所示,一种全金属隧道环境下的ETC系统部署优化方法,包括以下步骤: [0071] 步骤1:针对全金属隧道场景,进行无线信道测量,针对ETC通信制式,通过测量数据建立确定性无线信道模型,表征RSU架高h、RSU天线倾角为δ、RSU发射功率为p、RSU天线阵元间距为d、波束赋形权值w与OBU接收功率Px之间的数学关系; [0072] 步骤2:基于步骤1的数学关系,以最大化期望范围内OBU接收功率同时最小化非期望范围内OBU接收功率为目标,建立优化问题模型; [0073] 步骤3:利用改进的NSGA‑II算法对步骤2建立的优化问题模型进行求解,得到ETC系统的部署参数。 [0074] 所述的步骤1具体包括以下步骤: [0075] 由于RSU架高和信道多径特性之间并不存在明显的数学表征关系,因此对于架高的优化采取以下思路: [0076] 通过无线信道测量,得到测量数据包括:信道路径损耗、阴影衰落、时延扩展、角度扩展、莱斯K因子,通过测量数据在Wireless Insite中建立确定性无线信道模型,分别在不同的RSU架高为5.8m、6m、6.2m和6.4m的情况下下使用确定性无线信道模型生成对应的4组多径分布情况,包括:每条径的功率、方向和相位,使一个RSU的架高h对应一组信道多径分布情况raysh。 [0077] 目前商用RSU端配备8×4的天线阵列,8代表每一行的阵元数量,4为行数,每一行的8个阵元的波束赋形权值为w1=[w11 w12 ...... w18],在此基础上,对NZ行子阵进行移相,波束赋形权值为w2=[w21 w22 w23 ...... w24],综合波束赋形权值w表示为: [0078] w=w2T×w1, [0079] 设定RSU架高为h、RSU天线倾角为δ、RSU天线阵元间距为d,则目标位置x处的多径组成的集合,集合中径的总数量为Lx,h,集合中每一条径的离开方位角为θl,x,h、离开俯仰角为 相位为Φl,x,h,对应的天线的导向矢量表示为: [0080] [0081] 这里,NZ=4,NY=8,RSU天线的倾角δ控制天线面板相较于水平面的旋转,造成多径来波方向的俯仰维度的改变。 [0082] 设定RSU发射功率为p,则确定性无线信道模型在x处自动生成对应的每一条径的幅值Al,x,h,p,幅值Al,x,h,p取值由RSU的发射功率p决定;在第k个阵元处,发送信号表征为: [0083] [0084] 通过波束赋形权值w进行波束赋形后,总信号可以表示为: [0085] [0086] 根据总信号积分,得到位置x处的OBU接收功率Px为: [0087] [0088] 所述的步骤2具体包括以下步骤: [0089] 根据不期望ETC功率覆盖的区域范围的位置集合Xunexpected,即ETC功率抑制区的位置集合,最小化集合内接收功率均值;同时对于期望ETC功率覆盖的区域范围的位置集合Xexpected,最大化集合内接收功率均值,优化问题模型表征为: [0090] P1: [0091] P2: [0092] s.t.c1:|w(k)|=1,k=1,...,32 [0093] c2:h∈{5.8,6.0,6.2,6.4} [0094] c3: [0095] c4:20≤p≤40 [0096] c5: [0097] Xexpected为收发端距离250m~350m的点的集合,Xunexpected为收发端距离500m~600m的点的集合。 [0098] 约束条件c1表示波束赋形权值的模值为1,约束条件c2表示RSU架高的取值为5.8m、6m、6.2m和6.4m,约束条件c3表示RSU天线倾角的范围为50°~75°,约束条件c4表示发射功率的范围为20dBm~40dBm,约束条件c5表示天线阵元间距的范围为 [0099] 所述的步骤3具体包括以下步骤: [0100] 所述的优化问题是一个标准的多目标优化问题,需要考虑在两个子目标之间进行协调和折中处理,提供一组解根据用户要求进行选择,下面基于一种改进的NSGA‑II算法对优化问题进行求解。 [0101] 传统的NSGA‑II算法中,种群的初始化阶段主要依赖于完全的随机生成,这种不考虑优化问题本身特性的种群初始化方式可能会导致与优化目标函数之间存在显著的偏差。进一步地,算法的收敛速度会减缓,甚至有可能得到次优解。 [0102] 此外,传统的NSGA‑II算法将种群的交叉和变异概率设置为一个固定的值,所以算法的迭代受制于这个固定的值,很容易在迭代的过程中造成优异的解的损失,最终导致算法的过早收敛或者陷入局部最优解。 [0103] 另一方面,传统NSGA‑II算法所使用的交叉和变异方式过于简单,且涉及的变量数量较少。具体到本发明的优化问题,种群中每个个体的变量足有15个,仅仅进行简单的交叉和变异会导致搜索的移动空间过小,进而造成算法收敛速度较慢的问题。 [0104] 为了获得更有效的问题解,本发明主要改进了传统NSGA‑II算法的三方面,改进内容包括了: [0105] (1)考虑ETC系统RSU门架部署的实际情况,调整了初始种群来加速算法的收敛; [0106] (2)为NSGA‑II引入适应度的概念,设计了一种自适应的交叉和变异概率调整机制,以此来加强搜索的灵活性; [0107] (3)改进了NSGA‑II的交叉和变异机制,有效预防算法陷入局部最优解。 [0108] 算法流程框图如图2所示。 [0109] 步骤3.1:根据信道测量结果,包括信道的路径损耗指数、均方根时延扩展和均方根角度扩展,找到ETC通信受到的多径效应的影响相对较为减弱的RSU架高h和RSU天线倾角δ,作为初始种群的所有个体的RSU架高h和RSU天线倾角δ,并使用0.5个波长作为RSU天线阵元间距为d的初始值,剩下的其余参数则随机生成,计算种群每个个体的两个目标函数值,再设置进化代数gen的初始值为1,最大值为N; [0110] 相较于完全随机的种群初始化,依靠部分有效先验信息可以加快算法的收敛速度,同时又能保证初始种群的多样性。 [0111] 步骤3.2:使用精英保留策略,缩小步骤3.1中生成的初始种群的规模; [0112] 步骤3.3:先使用快速非支配排序计算步骤3.2中缩小后种群的所有个体支配等级,再根据每个个体的目标函数值计算步骤3.2中缩小后种群的拥挤度,然后根据拥挤度从大到小的顺序对步骤3.2中缩小后种群的所有个体进行排序,最后根据支配等级从小到大的顺序将前一步排序后的种群进行排序; [0113] 步骤3.4:对于传统固定的交叉概率,如果交叉概率过高,优秀个体会有更大的可能性被扰乱;如果交叉概率过低,搜索效率会下降。相似地,如果变异概率过高,算法将会变为完全的随机搜索,阻碍收敛;如果变异概率过低,将会降低种群的多样性,阻碍全新个体的诞生。因此,为了保留出色的个体并且提高搜索的灵活性,使用自适应的交叉和变异概率,为NSGA‑II算法引入适应度,定义为两个目标函数f1和f2的函数,并通过两个权值w1和w2来调整步骤3.1计算出的每个个体的两个目标函数的重要程度,适应度函数F表示为: [0114] [0115] 步骤3.5:当从步骤3.3排序后的种群中选择用于交叉的个体时,基于步骤3.4计算处的适应度函数F,通过自适应交叉概率公式得到Pc: [0116] [0117] 随机生成0‑1之间的随机数,当Pc>随机数时执行BLX‑α交叉; [0118] 当从步骤3.3排序后的种群中选择用于突变的个体时,基于步骤3.4计算处的适应度函数F,通过自适应变异概率公式得到Pm: [0119] [0120] 随机生成0‑1之间的随机数,当Pm>随机数时执行多项式突变; [0121] 其中,Pcmin为最小的交叉概率,Pcmax为最大的交叉概率,Pmmin为最小的变异概率,Pmmax为最大的变异概率,Fmax是当前种群所有个体的适应度的最大值,Favg是当前种群所有个体的适应度的平均值,F'是选定用于交叉的两个个体的适应度的较大值,F是选定用于变异的个体的适应度值,当Fmax‑Favg变小时,种群中个体适应度的最大值接近种群中个体适应度的平均值。在这时,算法可能会收敛至全局最优解,也有可能陷入局部最优解,因此要增加交叉概率Pc和变异概率Pm来维持种群的多样性。当Fmax‑Favg变大时,执行相反的操作。通过这样的自适应调整,不同的个体对应不同的Pc和Pm,高素质个体得以保留,劣质的个体得以淘汰。 [0122] 对于多目标优化问题,BLX‑α(BlendCrossover,混合交叉)算法依靠其简单有效的探索机制而具备足够优势。它是一种用于实数编码遗传算法的交叉操作方法,它通过混合两个父代个体的基因来生成子代个体。该算法的主要特点在于能够在父代基因值构成的区间外进行额外的探索,从而增强算法的搜索能力和多样性。通过引入α参数,BLX‑α算法允许控制子代基因探索的范围,使得算法既可以进行细致的局部搜索,也能够探索父代基因值区间之外的解空间,增加了算法的灵活性和适应能力。 [0123] 具体到流程:对于每个变量,算法首先计算两个父代个体在该变量上的最小值和最大值,然后基于α参数定义一个探索区间I,该区间决定了子代变量值可以在父代变量构成的区间之外探索的范围。最后,算法在这个扩展的区间内随机生成两个子代个体的变量值。α参数在这里起着关键作用,它决定了生成的子代变量值相对于父代变量值的探索宽度。 [0124] 多项式变异是一种用于实数编码遗传算法的变异策略,特别适合于连续优化问题。它的主要特点是通过引入一个多项式函数来控制变异过程,使得基因的变异不仅仅是随机的,而是可以在一定范围内按照多项式概率分布进行。这种方法的关键参数是分布指数ηm,它决定了变异操作产生的新值与原始值之间的差异程度。它不仅能够保持种群的多样性,而且能够确保算法能够在解空间中进行有效的局部搜索。 [0125] 对于要发生变异的个体中的每一个变量,生成一个范围在0~1之间的随机数u,并依据u计算变异值: [0126] [0127] 与简单的随机变异相比,多项式变异能够在父代个体周围更精细地探索,有助于增强算法的局部搜索能力,从而提高解的质量。 [0128] 步骤3.6:将步骤3.3排序后的种群和步骤3.5交叉和突变得到的新的个体组成新的种群,计算新的种群中的个体的两个目标函数值; [0129] 步骤3.7:先使用快速非支配排序计算步骤3.6中组成的新种群的所有个体支配等级,再根据每个个体的目标函数值计算步骤3.6中组成的新种群的拥挤度,然后根据拥挤度从大到小的顺序对步骤3.6中组成的新种群的所有个体进行排序,最后根据支配等级从小到大的顺序将前一步排序后的种群进行排序; [0130] 步骤3.8:判断当前代数gen是否小于最大值200,当gen<200时,gen+1并返回步骤3.1,将步骤3.7排序后的种群作为初始种群,否则结束迭代。 [0131] 一种全金属隧道环境下的ETC系统部署优化系统,包括: [0132] 构建模块,建立金属隧道场景的确定性无线信道模型,表征RSU架高、倾角、发射功率、天线阵元间距、波束赋形权值与OBU接收功率之间的数学关系,用于实现一种全金属隧道环境下的ETC系统部署优化方法的步骤1; [0133] 建立模块,以最大化期望范围内OBU接收功率同时最小化非期望范围内OBU接收功率为目标,建立优化问题模型,用于实现一种全金属隧道环境下的ETC系统部署优化方法的步骤2; [0134] 求解模块,利用改进的NSGA‑II算法对优化问题模型进行求解,用于实现一种全金属隧道环境下的ETC系统部署优化方法的步骤3。 [0135] 一种全金属隧道环境下的ETC系统部署优化设备,包括: [0136] 存储器:用于存储实现所述的一种全金属隧道环境下的ETC系统部署优化方法的计算机程序; [0137] 处理器:用于执行所述计算机程序时实现所述的一种全金属隧道环境下的ETC系统部署优化方法。 [0138] 本发明还一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种全金属隧道环境下的ETC系统部署优化方法的步骤。 [0139] 仿真实验 [0140] 对本发明实施例的方法进行了验证。以深中通道实测的无线信道数据为输入,配置种群个体数量为100,迭代次数为200,最终得到的帕累托解集如图3所示。在种群个体数和迭代次数一致的情况下,本发明改进的NSGA‑II算法相比于传统NSGA‑II算法更接近最优前沿,这使得决策者能够更好兼顾两段区间的平均接收功率去获得ETC系统的部署优化方案。 [0141] 在解集的多样性上,本发明改进的NSGA‑II算法与传统NSGA‑II算法相似,但本发明改进的NSGA‑II算法的帕累托解集在250m~350m平均接收功率约为‑12dBm时存在间断,在间断左侧,本发明改进的结果明显由于传统NSGA‑II算法;在间断右侧,本发明改进的优化效果略逊一筹,但依旧更接近最优前沿。计算两种方法最终得到的种群的个体适应度,并取均值,传统NSGA‑II算法的平均个体适应度为0.4185,本发明改进的NSGA‑II算法的平均个体适应度为0.5519,相对提升了约31.88%。 [0142] 折中250m~350m范围和500m~600m范围的平均接收功率,分别从本发明改进的NSGA‑II算法和传统NSGA‑II算法的帕累托解集中选择一组接近的解,如表1.1所示。 [0143] 表1.1优化前后的平均接收功率 [0144] 250m‑350m平均接收功率 500m‑600m平均接收功率优化前 ‑41.6659dBm ‑47.5909dBm 本发明改进的NSGA‑II优化后 ‑36.6136dBm ‑57.3326dBm 传统NSGA‑II优化后 ‑36.9909dBm ‑53.1439dBm [0145] 基于本发明的优化思想和最终的选择,可以看到,期望范围内,即250m~350m范围内的平均接收功率,相较于优化前提升约5dB,而期望范围外的平均接收功率,即500m~600m范围内的平均接收功率,相较于优化前下降约6dB。本发明改进后的NSGA‑II算法相比传统NSGA‑II算法在期望通信范围外使接收功率再次下降约4dB,达到了10dB的差值。 |