基于云計算的物聯網建筑設備智能調度系統設計

王欣 王川

摘? 要： 物聯網信息系統中建筑設備種類和數量繁多，傳統的資源存儲調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蟻群算法收斂速度慢和易陷入局部最優的缺陷。將改進的蟻群算法移植到云計算環境中，云計算的快速計算和高速存儲優勢能夠實現建筑設備的實時資源調度。實驗結果表明，改進的蟻群算法在云計算環境中能夠較為明顯地提升資源調度效率。

關鍵詞： 智能調度系統; 資源調度; 云計算; 物聯網; 蟻群算法; 路徑優化

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

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

云計算環境中擁有大量的存儲和計算節點，能夠在海量數據上實現快速計算，然而快速計算的核心在于資源的合理分配和調度，最優問題求解算法和調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網絡算法、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，如人工神經網絡算法在求解最優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化的現象產生。

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

1? 物聯網簡介

物聯網技術是指通過網絡將物與物進行連接的技術。本文論述的建筑設備物聯網表示將建筑物內的各種建筑用電設備統一集中起來，形成一個“物與物”相連的互聯網絡。通過無線網絡傳感向建筑物內的各種建筑用電設備的拓展和延伸，物聯網系統利用自身三層體系架構，通過傳輸層的無線傳輸網絡搜集系統中智能設備的參數傳遞到應用層的云計算服務平臺，實現數據實時處理和實時共享，從而實現對整個物聯網系統的調度和控制，達到能源的合理有效利用，進而提高能源利用效率，避免浪費現象的出現[13]。從功能上分，建筑設備物聯網系統的整體結構分為應用層、支撐層、網絡層、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各種用電設備進行遠程監控和智能管理;支撐層由數據服務、通信服務和應用服務三大部分組成，分別用于物聯網中數據的存儲、通信、處理和應用;網絡層位于物聯網的中間層，可以是常用的互聯網、局域網、異構網或虛擬專用網絡等，主要用于完成建筑設備物聯網網絡的互通互聯，確保整個系統相互之間都可以互訪;接入層主要是物聯網節點，用于物聯網中的數據傳輸;感知層位于整個物聯網的最底層，該層通過無線網絡傳感技術、射頻識別技術等對建筑物內各種用電設備的狀態信息進行采集，并通過無線傳感網絡將采集的信息傳輸到應用層的云計算平臺。

2? 云計算服務模型架構

云計算平臺將所有可配置的計算資源進行虛擬化，然后進行統一整合、配置，構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據，實現較高的資源整合率，同時以分布式計算為基礎，需要計算處理的數據也分布于不同的節點。為了提高云計算的效率，合理調度和分配計算節點和資源顯得至關重要，最優問題求解算法和調度算法的應用成為提高云服務響應時間的核心。因此，結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、高效的方式呈現給用戶及管理者，可以有效支撐物聯網的信息處理環節，改善傳統物聯網系統中所存在的不足。

3? 改進的蟻群算法

蟻群算法是一種仿生算法，啟發于自然界蟻群的覓食現象。在未知區域覓食的過程中，當個體螞蟻尋覓到食物后，在其經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找出一條最短的路徑到達目的地[14]。

3.1? 經典蟻群算法

對上述現象進行數學建模，設將[m]只螞蟻放入到[n]個隨機選擇節點，螞蟻[k]根據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]從節點[i]移動到節點[j]的轉移概率為：

式中：[allowedk]作為一個集合，表示螞蟻[k]由節點[i]移動到節點[j]可以選擇的地點;[ηij（t）]為[t]時刻螞蟻由節點[i]移動到節點[j]的啟發信息;[τij（t）]為[t]時刻弧段[ij]的信息素濃度;[α]代表信息啟發因子，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]為期望啟發因子，代表螞蟻根據啟發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重。

3.2? 基于混沌化的改進蟻群算法

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

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

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

式中：[xij]為式（2）中產生的混沌量;[q]為系數。

結合式（2）中的Logistic映射，對上述傳統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個節點之間的運動軌跡。三者之間的邏輯轉換關系可表達如下：

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

3.3? 基于改進蟻群算法的設備智能調度

蟻群算法能夠進行最優路徑發現，最優路徑可定義為物聯網智能調度系統中最佳調度方式。將物聯網環境中眾多設備建模為云計算環境中節點，節點形態分為存儲節點和計算節點，存儲節點映射為物聯網中數據存儲設備，計算節點映射為物聯網中數據計算和數據處理設備。物聯網系統中所有節點在某個時間點都會對應當前數據處理量和本身的最大處理能力，蟻群算法的目的是根據當前物聯網系統的負載和各個節點的負載情況進行動態規劃和流量分發，使整個系統的性能達到最大化。

定義每隔[t]時間，物聯網系統中計算節點與存儲節點會進行數據同步，數據同步包括各個節點當前的處理數據量和存儲數據量，同步的目的是根據蟻群算法的最優調度方案進行流量分發，如圖4所示。

4? 仿真實驗

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

當執行任務數從15～100依次增大時，每一種狀態下，兩種算法執行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。對于記錄結果，分別考察兩種算法隨著執行任務數的增加所需執行時間的變化曲線，如圖5所示。

觀察圖5可知：當執行任務數較少（小于40）時，兩種算法在云計算中求取最優值所需時間的差距非常小;但當執行任務數增加（大于70）時，二者之間的差異變得越來越明顯;而當執行任務數達到100時，改進蟻群算法完成最優值求解所需時間小于25 s，而傳統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值求解效果，對上述表2和表3中記錄的數據結果進行了相對標準差的統計分析，結果如圖6所示。

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

在實際的云計算環境下，需要處理的是海量數據，計算時間的長短直接決定著整個物聯網信息系統的資源調度效率。通過上述對比分析，改進的蟻群算法相比于傳統蟻群算法在云計算環境能夠更大限度地提升調度效率。

5? 結? 語

本文針對建筑設備建設云計算環境下的物聯網信息系統，為了能夠對建筑設備進行快速地資源調度，基于Logistic映射提出一種改進的蟻群算法，大大地改善了傳統蟻群算法對選擇路徑隨機性的依賴，克服了傳統蟻群算法收斂速度慢和易陷入局部優化的缺點，同時利用云計算快速資源存儲和調度的優勢集成改進的蟻群算法提升整個物聯網系統執行效率。模擬仿真實驗對比分析了傳統蟻群算法和改進的蟻群算法在執行任務數增加時，最優求解所需時間的變化曲線，結果證明改進的蟻群算法更適用于云計算環境。

參考文獻

[1] 苑敏.物聯網與云計算的融合：物聯網云的構建[J].中國新通信，2013（3）：10?11.

[2] 王昊，董杰.用云計算和物聯網技術對建筑能源管理的思路[J].能源與節能，2012（8）：1?2.

[3] 張家渝.基于云計算的物聯網運營平臺的構建[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網構建[J].中國新通信，2016，18（1）：20.

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

[6] 張元金.云計算環境下物聯網系統構架結構研究[J].網絡安全技術與應用，2016（6）：77?78.

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

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

[9] 王勃，徐靜.基于云計算環境的蟻群優化算法研究[J].新技術新工藝，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化調度中的應用研究[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.基于二維函數地貌的遺傳算法控制參數優化研究[J].西安理工大學學報，2010，26（1）：26?30.

[13] 劉公明.云計算環境下建筑設備物聯網信息系統的應用研究[D].濟南：山東建筑大學，2015.

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