1.一种基于改进的卡尔曼算法的移动边缘计算基站选择方法,其特征在于包括下述步骤:步骤一、利用车辆上的GPS导航系统测量出当前车辆的初始位置p0,利用车辆上的速度传感器测量出当前车辆的初始速度v0;
步骤二、选定一个系统噪声基础值Rs,计算实际残差;系统噪声基础值Rs取值范围在15-
30,是一个10位二进制编码;实际残差方法如下:(1)计算将步骤二选定的系统噪声基础值Rs带入公式(1)得到t时刻的卡尔曼增益基础值Kts;
其中,H为预测域到观测域的转换系数, 为t时刻误差协方差基础初预测;
其中F是状态转移方程,F的数值设置为 p(t-1)s为t-1时刻误差协方差基础终预测,Q表示环境噪声;
(2)将卡尔曼增益基础值Kts带入公式(3)、(4)得到当前车辆t时刻的基础终预测状态方程 和t时刻误差协方差基础终预测其中, 表示当前车辆t时刻的基础初预测状态方程, 表示当前车辆t-1时刻的基础初预测状态方程, 表示当前车辆t时刻的位置基础预测, 表示t时刻当前车辆的速度基础预测;B是控制矩阵,(3)根据公式(7)计算实际残差εts:
步骤三、随机生成多个系统噪声随机值,分别计算理论残差,方法如下:(1)在取值范围15-30内随机生成多个10位二进制参数编码;
(2)从随机生成的参数编码中,随机抽取N个不重复的参数编码作为系统噪声随机值,以这N个系统噪声随机值作为初始群体开始迭代,N不小于500;
(3)计算各系统噪声随机值对应的理论残差;针对第i个系统噪声随机值Ri,理论残差计算方法如下:a.将系统噪声随机值Ri带入公式(8)得到t时刻的卡尔曼增益随机值Kti;
其中, 为t时刻误差协方差随机初预测;
其中p(t-1)i为t-1时刻误差协方差随机终预测;
b.将卡尔曼增益随机值Kti带入公式(10)、(11)得到当前车辆t时刻的随机终预测状态方程 和t时刻误差协方差基础终预测其中, 表示当前车辆t时刻的随机初预测状态方程, 表示当前车辆t-1时刻的随机初预测状态方程, 表示当前车辆t时刻的位置随机预测, 表示t时刻当前车辆的速度随机推测;
c.根据公式(14)计算理论残差εti:
(4)计算选取的各系统噪声随机值对应的适应度函数值,针对系统噪声随机值Ri:ffitness(Ri)为系统噪声随机值Ri的适应度函数值;
(5)利用轮盘赌算法,选取进入下一次迭代的个体,个体即系统噪声随机值,方法如下:根据公式(16)计算出每个个体被遗传到下一代群体的概率:根据公式(17)计算出每个个体的积累概率:
在[0,1]区间内产生一个均匀分布的随机数r;
判断r落在哪个区间,若:
qk-1<r≤qk(2≤k≤N)
则第k个个体被选中;重复上述轮盘赌算法,选取80%的个体进入下一次迭代;
重复步骤(5),进行迭代;
(8)判断是否满足迭代终止条件,当个体对应的适应度函数值不再上升或者迭代达到预设的迭代次数时,迭代终止,输出适应度函数值最大的最优系统噪声Ry;
步骤四:令Rs=Ry,根据公式(3)、(6)得到当前车辆t时刻的位置预测最佳值,将该位置预测最佳值作为最佳接入点,选取距离最近的基站进行连接,卸载任务。
2.根据权利要求1所述的基于改进的卡尔曼算法的移动边缘计算基站选择方法,其特征在于所述步骤三中,设置终止条件为最大遗传代数为20代。
3.根据权利要求1所述的基于改进的卡尔曼算法的移动边缘计算基站选择方法,其特征在于所述的步骤三中,还包括下述步骤:(6)从步骤(5)选取的80%的个体中再按照cp=0.04的发生交换概率随机选择系统噪声随机值进行基因交叉组合产生组合系统噪声随机值;针对两个系统噪声随机值Rk和Rl,将系统噪声随机值的实数编码作为染色体,将实数编码中的每一位码值作为基因,从十个基因中随机抽取一个基因进行交叉;设在第k个染色体ak和第l个染色体al的j位基因进行交叉,操作为:akj=akj(1-b)+aljb
alj=alj(1-b)+akjb
其中,b是[0,1]区间的随机数;
将j位基因交叉得到的组合系统噪声随机值akj、alj按照步骤(3)、(4)的方法计算适应度函数值;
步骤(6)得到的组合系统噪声随机值作为下一次迭代的个体,重复步骤(5)、(6)。
4.根据权利要求1或2所述的基于改进的卡尔曼算法的移动边缘计算基站选择方法,其特征在于所述的步骤三中,还包括下述步骤:(7)从步骤(5)选取的80%的个体中再按照mp=0.01的发生变异概率随机选择系统噪声随机值进行变异操作,随机选择其中的一个基因进行变异产生变异系统噪声随机值;第i个系统噪声的第j个基因aij进行变异的操作方法如下:2
其中,amax是基因aij的上界;amin是基因aij的下界;f(g)=w(1-g/Gmax) ,w是一个[0,1]区间的随机数,g是当前迭代次数,Gmax是最大进化次数,r为[0,1]区间的随机数;
将j位基因变异得到的变异系统噪声随机值aij按照步骤(3)、(4)的方法计算适应度函数值;
步骤(7)得到的变异系统噪声随机值作为下一次迭代的个体,重复步骤(5)、(7)。