CC BY
20ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ МОНИТОРИНГА В СЕТЯХ С ДВИЖУЩИМИСЯ ОБЪЕКТАМИ
К. В. Ткачёв, К. А. Волжанкина
Институт вычислительной математики и математической геофизики СО РАН
630090, Новосибирск
УДК 004.94
DOI: 10.24411/9999-018A-2019-10013
В современных условиях интенсивного транспортного сообщения в мегаполисах актуальной задачей является обеспечение безопасности движения, оперативное оповещение участников движения о различных событиях в транспортной сети (авария, повреждение дорожного полотна, обрушение моста, снежные заносы и др.). Наличие сетей передачи данных, в которых связь осуществляется между устройствами, находящимися в автомобилях, а также связь этих устройств с придорожным оборудованием могут повысить безопасность дорожного движения. В статье исследуется задача оптимальной расстановки устройств мониторинга и оповещения на транспортных сетях с целью передачи информации о ситуациях на дорогах максимальному количеству участников движения. В качестве модели транспортной сети рассматривается взвешенный граф. Введены некоторые ограничения: стоимость установки устройств оповещения, радиус передачи устройств и др.
Ключевые слова: Имитационная модель, VANET, транспортные сети, генетический алгоритм.
Введение
В последние годы проводится много исследований в направлении развития беспроводных сетей, связывающих транспортные средства. Для связи транспортных средств друг с другом, а также для их соединения с придорожным оборудованием используются беспроводные сети Vehicular Ad Hoc Network (VANET) [1]. Использование современных технологий может автоматизировать передачу коротких сообщений участникам движения о пробках, объездах, чрезвычайных ситуациях на дорогах. Архитектура сетей VANET предполагает взаимодействие автомобиля как с другими автомобилями, так и с придорожной сетью, т. е. устройствами оповещения, расположенными в стационарных объектах [2].
Рассмотрим задачу распространения короткого сообщения всем участникам движения в заданном сегменте транспортной сети (ТС) от узлов, расположенных в стационарных участках транспортной сети (придорожное оборудование, другие неподвижные узлы). Ставится задача разработать имитационную модель для расчета эффективности расстановки систем мониторинга в сетях с движущимися объектами. Модель предусматривает возможность загрузки карты местности, на которой должна производиться расстановка стационарных или подвижных станций передачи мгновенных сообщений. Необходимо найти оптимальную расстановку оборудования с учетом свойств устройств мониторинга и транспортной сети: зона покрытия действия стационарных или движущихся передатчиков; стоимость оборудования; способ передачи мгновенных сообщений; плотность движения на различных участках транспортной сети.
Имитационное моделирование сетей
В качестве примеров систем имитационного моделирования приведем известные системы симуляции сетей: NS-2, GNS-3, OmNet.
Исследование частично поддержано грантом РФФИ № 19-01-00562 А и проектом № 0315-2016-0006.
Симулятор NS-2 разработан в 1989 году, является дискретно-событийным симулято-ром, построен в объектно-ориентированном стиле. GNS3 - Graphical Network Simulator, графический симулятор сети, позволяет создавать различные сетевые топологии [3]. OMNeT++ - среда имитационного моделирования дискретных событий и состояний, основная область применения - моделирование сетей передачи данных, ИТ систем и бизнес процессов [4].
Все перечисленные системы имеют свои плюсы и минусы при моделировании движущихся объектов и распространении сообщений. Для решения задачи имитационного моделирования передачи сообщений между движущимися транспортными средствами была разработана собственная система ИМОДО [7].
Система имитационного моделирования ИМОДО
В разработанной авторами системе предусмотрены следующие возможности:
- моделирование транспортной сети в виде неориентированного графа;
- задание пропускных способностей участков дорог (рёбер графа);
- задание скоростного режима на каждом ребре;
- контроль скорости движения транспортного потока;
- возможность задавать радиус действия каждого устройства оповещения;
- установка поведения транспортных средств;
- генерация маршрутов для транспортных средств;
- установка порогового времени для получения сообщения.
Свойствами модели являются:
- расчёт эффективности расстановки устройств оповещения происходит в зависимости от выбора алгоритма расстановки (реализовано три различных алгоритма);
- подсчет оповещенных объектов;
- сравнительный анализ работы различных алгоритмов;
- возможность изменения алгоритма расстановки устройств без необходимости внесения изменений в исходный код продукта.
Схема моделирования Шаг 1:
- задание входных параметров: загруженность транспортной сети, скорость движения объектов по транспортной сети, радиус действия устройств, стоимость одного устройства, выделенный бюджет на все устройства;
- моделирование транспортной сети;
- генерация транспортных средств (параметры: скорость, начальное положение, коэффициент человеческого фактора);
- генерация маршрутов следования транспортных средств, учитывая их параметры;
- выбор алгоритма расстановки. Шаг 2:
- программа производит расчет эффективности выбранной расстановки для заданной транспортной сети с учет входных параметров;
- выбранный алгоритм производит новую расстановку устройств оповещения исходя из эффективности предыдущей расстановки.
Шаг 3:
- сравнение эффективности расстановок по критерию количества оповещенных машин (процент оповещенных машин от общего числа участников движения).
Шаг 3 и Шаг 2 повторяются до достижения необходимого результата.
Используемые алгоритмы расстановки систем мониторинга на сети
Для решения задачи расстановки систем мониторинга использовались три алгоритма: «Жадный» алгоритм, алгоритм расстановки на основе экспертных мнений, генетический алгоритм. В каждом алгоритме учитывается ограничение на общую стоимость установленных устройств.
В «жадном» алгоритме [5] в качестве входных данных вводится упорядоченный набор значений, характеризующий интенсивность движения на участках сети. Алгоритм размещает устройства мониторинга на самых нагруженных участках до тех пор, пока выполняется ограничение на общую стоимость. Рассмотрена также модификация жадного алгоритма - вместо отдельных ребер рассматриваются цепи графа (последовательно расположенные ребра). Алгоритм расставляет устройства в начале или в конце каждой такой цепи.
В алгоритме на основе экспертных мнений эксперты дают заключения о необходимости расстановки устройств мониторинга в каждом узле. Эти заключения экспертов представляют собой битовые строки, в которых каждому из возможных мест расстановки соответствуют значения 0 или 1 (1 соответствует мнению эксперта, что в этом узле необходима установка устройства, 0 соответствует отрицательному мнению). Для каждого узла сети вычисляется среднее взвешенное значение по всем мнениям экспертов.
В генетическом алгоритме задача формализуется таким образом, чтобы её решение могло быть закодировано в виде вектора генов («генотипа»). В нашем случае решения представлены битовыми строками, в которой каждый бит представляет собой возможное место расстановки стационарных устройств мониторинга. Из этих строк формируется популяция. Далее происходит запуск генетического алгоритма по классическому сценарию [6, 8].
Параметры модели
Имитационное моделирование проводилось для следующих параметров:
- граф транспортной сети (район ОбьГЭС, другие районы г. Новосибирска) состоит из 60 узлов и 100 ребер;
- количество узлов, в которых расположены устройства, распространяющие информацию - 11;
- каждому ребру, на основе статистических данных, присвоена пропускная способность 200-600 машин/час и скорость движения на конкретном участке 40-80 км/час;
- радиус действия устройств оповещения - 85 метров;
- временной порог для передачи сообщения - 30 минут.
Рисунок 1: Пример работы модели
Результаты моделирования
Результаты для первых двух алгоритмов приведены в табл. 1. Чтобы учесть случайность движения транспортных средств на сети, было вычислено среднее значение по результатам двадцати запусков имитационной модели с одинаковыми начальными данными.
Таблица 1: Результаты моделирования
Алгоритм Общее число участников Доля участников, получивших сообщение, % Время работы
«Жадный» 500 70,3% 00:00:06
«Жадный» 700 70,6% 00:00:08
Экспертное мнение 500 87,8% 00:00:07
Экспертное мнение 700 87,5% 00:00:09
Входные данные для генетического алгоритма: размер популяции (h), количество итераций (Iter), ограничение на стоимость (C*), вероятность мутации (p), количество машин (n), временной порог для передачи сообщения (t).
Таблица 2: Результаты моделирования
h Iter t p n C* Доля покрытых, % Время работы
100 300 20 0,01 500 12 80 % 00:00:18
300 300 20 0,01 500 12 81,67 % 00:01:01
100 300 20 0,01 700 12 68,33 % 00:00:38
100 300 20 0,01 500 18 98,33 % 00:00:19
100 300 20 0,1 500 12 85 % 00:00:20
100 300 40 0,01 500 12 100 % 00:00:01
100 100 20 0,01 500 12 81,67 % 00:00:06
Для уточнения модели были добавлены следующие возможности: отслеживание возникновения пробок - рис. 2, временное удаление отдельных ребер в связи с недоступностью участков дорог - рис. 3, возможность разбиения транспортной сети на подсети- рис. 4.
Рисунок: 2 Возникновение пробок
Рисунок 3: Временное удаление ребер на модели сети в связи с недоступностью участков дорог
Рисунок 4: Разбиение области на подсети
Заключение
Программная реализация выполнена в среде разработки. Microsoft Visual Studio 2015 с использованием языка C++. Предложенные алгоритмы позволяют получить эффективную по количеству оповещённых автомобилей расстановку устройств мониторинга и оповещения. Результаты исследований могут быть использованы для решения актуальной задачи улучшения обеспечения водителей информацией о ситуациях на транспортной сети мегаполиса.
Список литературы:
1. Bhoi, S.; Khilar, P. Vehicular communication: A survey. IET Netw. 2014, 3, 204-217.
2. Zeadally S., Hunt R., Yuh Shyan Chen, Irwin A., Hassan
A.Vehicular ad hoc networks (VANETS): status, results, and challenges // Telecommunication Systems, 50 (2012), pp. 217-241
3. Alpana Dahiya1, Ajit Noonia, Banta Singh Jangra, Jaibir Vehicular Ad hoc Networks (VANETS): Simulation and Simulators International Journal of Research in Management, Science & Technology, Vol. 2, No. 1, 2014.
4. Kun-chan Lan and Chien-Ming Chou Realistic Mobility Models for Vehicular Ad hoc Network (VANET) Simulations // Realistic mobility models for Vehicular Ad hoc Network
(VANET) simulations 8th International Conference on ITS Telecommunications 2008. p. 362 - 366.
5. DeVore R. A., Temlyakov V. N., "Some remarks on greedy algorithms", Advances in Computational Mathematics, 5 (1996), 173-187.
6. H. L. Bodlaender, T. Wolle, "A note on the complexity of network reliability problems," IEEE Trans. Inf. Theory, vol. 47, pp. 1971-1988, 2004.)
7. Ткачёв К. В., Волжанкина К. А. Задача расстановки устройств оповещения для vanet-сетей в условиях некоторых ограничений// Труды 13-й Международной школы-семинара "Проблемы оптимизации сложных систем" в рамках международной конференции IEEE SIBIRCON 2017, Новосибирск, 18-22 сент. 2017 г. [Электроннный ресурс]. http://conf.nsc.ru/opcs2017/ru/proceedings, стр.100-102.
8. Rodionov A.S.,Choo H.,Nechunaeva K.A. Framework for Biologically Inspired Graph Optimization.// Proceedings of the 5th International Conference on Ubiquitous Information Management and Communication (ICUIMC 2011), Seoul, Republic of Korea, 2011, PP 456-467.
Кирилл Валерьевич Ткачёв - м.н.с. Института вычислительной математики и математической геофизики СО РАН;
e-mail: [email protected];
Ксения Александровна Волжанкина - м.н.с. Института вычислительной математики и математической геофизики СО РАН;
e-mail: [email protected];
