1.基于可移动天线车联网含天线位置成本的优化方法,其特征在于,所述方法包括以下步骤:S1:构建基于智能可移动天线的隐私保护联邦学习架构的车联网模型,根据车辆用户的总成本,由三部分成本组成,分别是通信成本,计算成本以及隐私成本,基站给予相应的补偿,并根据车辆移动性模型决定满足基站信号覆盖范围内车辆用户,并建立最小化基站总成本的目标函数;
S2:将目标问题分解为两个子问题并分别采用贪婪车辆用户选择算法以及自适应粒子群优化算法对所述子问题进行求解,得出基站所选择的车辆用户集合以及智能可移动天线的位置;
S3:获取每一轮联邦通信基站所选择车辆用户集合以及调度后天线的位置计算当前轮基站的补偿成本,并输出优化后的基站补偿成本。
2.根据权利要求1所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述步骤S1中建立最小化基站总成本的目标函数包括:建立最小化基站总成本的目标函数包含三部分成本,分别是通信成本、计算成本和隐私成本,优化问题如下所示:;
;
其中,表示车辆用户选择集合,表示智能可移动天线集合;示车辆用户总集合;表示车辆用户,表示车辆用户是否被选择;表示基站对车辆用户的总补偿;表示智能可移动天线的数量;分别表示第和第个天线,A表示天线系统,由一个二维坐标系组成,和分别表示第个天线和第个天线在天线系统A二维坐标系中的位置,表示两个相邻天线之间的最小间距;表示车辆用户的总时延,为基站能容忍的最大时延;表示车辆用户行驶的距离,表示基站信号覆盖范围半径,表示基站覆盖范围和道路之间的余弦角,表示车辆用户与基站覆盖范围入口的距离;为车辆用户对更新后的本地模型添加的噪声方差大小,表示基站对于所选车辆用户集合总的噪声方差大小阈值。
3.根据权利要求2所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述建立最小化基站总成本的目标函数的通信成本表示成:;
为车辆用户的传输速率,为车辆用户的传输功率,为基站接收到车辆用户的混合向量,为信道传输过程中的高斯白噪声;为车辆用户的传输时延,为车辆用户上传的数据量大小;为车辆用户的传输能耗;为车辆用户的传输成本,为传输能耗的单位成本。
4.根据权利要求2所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述建立最小化基站总成本的目标函数的计算成本表示成:;
为车辆用户的计算时延,为车辆用户处理单个样本所需的CPU周期数,为车辆用户本地数据集大小,为车辆用户本地计算的CPU频率;为车辆用户的计算能耗,为车辆用户本地计算的CPU能耗;为车辆用户的计算成本,为计算能耗的单位成本。
5.根据权利要求2所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述建立最小化基站总成本的目标函数的隐私成本表示成:;
表示车辆用户的隐私成本,为差分隐私中两个相邻数据集的敏感度,表示车辆用户对本地模型添加噪声能耗的单位成本,表示车辆用户的隐私预算。
6.根据权利要求1所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述步骤S1车辆移动性模型表示成:;
表示车辆用户行驶的距离, 为车辆用户的行驶速度,表示车辆用户的传输时延, 表示车辆用户的计算时延,表示车辆用户上传完更新后的本地模型所行驶的距离,R表示基站信号覆盖范围半径,表示基站覆盖范围和道路之间的余弦角,表示车辆用户与基站覆盖范围入口的距离,表示车辆用户与基站之间的距离。
7.根据权利要求1所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述步骤S2中将目标问题分解为两个子问题中贪婪车辆用户选择算法表示成:;
;
其中,表示车辆用户选择集合;V表示车辆用户总集合;表示车辆用户,表示车辆用户是否被选择;表示基站对车辆用户的总补偿;Z表示智能可移动天线的数量;表示车辆用户的总时延,为基站能容忍的最大时延;表示车辆用户行驶的距离,R表示基站信号覆盖范围半径, 表示基站覆盖范围和道路之间的余弦角,表示车辆用户与基站覆盖范围入口的距离;为车辆用户对更新后的本地模型添加的噪声方差大小,表示基站对于所选车辆用户集合总的噪声方差大小阈值;
通过贪婪车辆用户选择算法进行求解,具体步骤包含;
首先基站确定满足时延约束和在基站信号覆盖范围内的车辆用户集合,然后该集合内的所有车辆用户计算各自的通信成本、计算成本和隐私成本并计算总成本后上传给基站,基站按照集合中的车辆用户上传的总成本按照从低到高的顺序排序,基站从总成本最低的车辆用户开始选择,直到满足噪声总和的阈值为止,最后基站得到当前轮选择的车辆用户子集。
8.根据权利要求1所述的基于可移动天线车联网含天线位置成本的优化方法,其特征在于:所述步骤S2中将目标问题分解为两个子问题中自适应粒子群优化算法表示成:;
;
其中,表示智能可移动天线集合;C表示由贪婪车辆用户选择算法得出的车辆用户子集;表示车辆用户,表示基站对车辆用户的总补偿;表示智能可移动天线的数量;分别表示第和第个天线,A表示天线系统,由一个二维坐标系组成,和分别表示第个天线和第个天线在天线系统A二维坐标系中的位置,表示两个相邻天线之间的最小间距;
通过自适应粒子群优化算法对该子问题进行求解,具体步骤包含如下:第一步是初始化粒子的速度和位置:
;
其中表示粒子群的初始位置集合,表示粒子的初始位置;表示粒子群的初始速度集合,表示粒子的初始速度,一共有I个粒子,其中进一步表示为:;
其中、表示粒子存储的第个天线在坐标系中的初始位置;
智能可移动天线的可行区域表示为A,满足,因此粒子以及天线的位置需要满足如下:;
其中表示粒子存储的第个天线在坐标系中轴的位置,表示粒子存储的第个天线在坐标系中轴的位置,H表示天线系统的半径;
第二步是粒子速度和位置更新:
自适应粒子群优化算法的过程中,每一轮迭代,粒子群都会更新各自的位置和速度,分别表示如下:;
其中表示粒子群算法当前迭代轮数,表示个体粒子群的全局最优位置,表示粒子群的全局最优位置,表示第轮粒子的速度,表示第轮时粒子的位置,表示第轮时粒子的位置,是粒子的惯性因子,和是第轮粒子的学习因子,和是随机数满足;
第三步是自适应更新惯性因子:
目前,比较流行的惯性因子更新方式是自适应更新每一轮迭代的惯性因子,表示如下:;
其中是粒子的惯性因子,表示粒子最大的惯性权重,表示粒子最小的惯性权重,表示粒子群算法当前迭代轮数,M表示自适应粒子群算法总的迭代轮数;
第四步是自适应更新学习因子:
学习因子的更新根据当前粒子距离其个体粒子群的全局最优位置以及粒子群的全局最优位置 的影响,距离两个最优位置更远的粒子应该获得更大的学习因子,以便更快的靠近其最优位置,自适应的加权更新规则表示如下:;
其中和是第轮粒子的学习因子,函数F表示自适应加权更新函数,和分别表示粒子第轮距离其个体最优位置的距离和距离群体最优位置的距离,具体来说,和表示如下:;
采用分段线性函数来作为自适应加权更新函数,具体表示如下:;
其中和分别表示粒子第轮距离其个体最优位置的距离和距离群体最优位置的距离,表示个体粒子群的全局最优位置,表示粒子群的全局最优位置,表示第轮时粒子的位置,和是控制学习因子的参数,并且满足;表示粒子与最优位置的距离,表示当前粒子距离最优位置的阈值;
第五步是设置惩罚函数以及适应度函数:
考虑到该子问题的约束,设置了惩罚函数用来惩罚违反约束的粒子,惩罚函数具体表示如下:;
其中是惩罚因子,表示粒子的惩罚函数,为违反约束的粒子数量;
结合惩罚函数,粒子的适应度函数表示如下:
;
其中表示粒子的适应度函数,C表示由贪婪车辆用户选择算法得出的车辆用户子集;表示车辆用户;表示基站对车辆用户的总补偿;表示惩罚函数。
9.使用权利要求1-8任意一项所述的基于可移动天线车联网含天线位置成本的优化方法的系统,其特征在于:所述系统包括:构建模块,用于构建基于智能可移动天线辅助的隐私保护联邦学习架构的车联网模型,根据车辆用户的历史状态数据建立最小化基站补偿成本的目标函数;所述历史状态数据包括车辆用户的通信成本、本地计算成本、隐私成本以及车辆用户与基站之间的距离;
车辆用户选择模块,用于获取基站选择的车辆用户,采用贪婪的车辆用户选择算法对所述目标函数进行求解和参数优化,得到车辆用户选择模型,并将结果用于天线位置调度模块;
天线位置优化模块,用于获取当前优化后的天线位置,采用自适应的粒子群优化算法以及车辆用户选择模块的结果对所述目标函数进行求解和参数优化,得到优化后的天线位置。