网络仿真训练模型

网络仿真训练模型（精选7篇）

网络仿真训练模型 第1篇

随着Internet的迅猛发展,在网络中某些链路上会出现严重的拥塞现象。拥塞的出现会导致网络性能下降,主要表现在数据包端到端的延时变长、丢包率提高、抖动加大、稳定性变差。因此,合适的拥塞控制机制是提高网络服务质量的重要保证。目前Internet中端到端的流量控制采用的是基于窗口的TCP拥塞控制机制。随着网络规模的扩大,端节点提供的拥塞控制机制已不能满足网络的Qo S要求,于是网络的中间节点便参与到拥塞控制中来,这就是基于路由器的拥塞控制机制,也叫队列管理机制。队列管理机制一般有两种:被动式队列管理和主动式队列管理。被动式队列管理以包为单位对每个队列设置一个最大值,队列溢出时通过“被动”丢包反映网络拥塞,常用的算法是去尾(Drop Tail)算法。该算法最大的优点就是简单,但易引起队列延时变长;主动式队列管理则在队列溢出之前“主动”而有选择地丢包,从而便于端节点对拥塞作出反应,常用到的算法是随机早期检测(RED)算法。与传统的去尾算法相比,RED算法可以及时调整窗口大小,使缓冲队列保持比较短的长度,降低数据包端到端的传输延时。

目前网络拥塞的研究主要集中于TCP/RED网络,即端到端的拥塞控制机制采用TCP协议的拥塞控制算法,路由上的拥塞控制机制采用RED队列管理算法。

网络仿真软件NS2是UC Berkeley大学研制开发的基于事件驱动的网络仿真器,支持TCP、UDP、RTP等网络协议,具有Drop Tail,、RED等几种路由器队列管理机制以及Dijkstra、动态路由、静态路由、组播路由等路由算法,能近乎真实地模拟网络环境,应用十分广泛。

本文介绍了NS2的网络仿真实现过程,研究了TCP/RED网络模型,给出了TCP拥塞控制机制和RED算法的实现过程,最后将仿真软件用于TCP/RED网络拥塞控制的研究中,取得了较好的控制效果。

1 NS2网络仿真软件

NS2采用C++和Otcl两种语言共同编写而成,具有编译和解释两级体系结构。基本网络组件和事件调度器是用C++语言编写并编译的,称为编译层;解释层位于NS2前端,是一个Otcl解释器。编译层和解释层具有相似的层次结构,并通过tclcl建立一一对应的关系。

利用NS2进行网络仿真时,如果其内部的网络元素满足要求,只需编写Otcl脚本;如果没有所需的网络元素,则需对其功能进行扩展,即增加新的C++类和Otcl类,然后再编写Otcl脚本。仿真过程如图1所示[1]。

2 TCP/RED网络拥塞控制系统

2.1 TCP拥塞控制机制

TCP拥塞控制算法一般有四个过程:慢启动、拥塞避免、快速重传和快速恢复。文献[2]指出:单一瓶颈链路网络中,可以认为TCP拥塞控制绝大部分都处于拥塞避免状态。在这种情况下,源端窗口的管理采用的是和式递增积式递减(AIMD)算法[3],即一个往返传输时间R(t)内,TCP拥塞窗口CWND增加一个报文段大小,一旦检测到拥塞,CWND便减小为原来的一半。若忽略TCP的传输超时,并假设其丢包事件服从泊松分布,则TCP拥塞控制机制可用微分方程[4]表示为:

式中,W(t)表示t时刻TCP拥塞窗口大小;p(t)表示t时刻的丢包概率;q(t)表示t时刻路由器的瞬时队列长度;N(t)表示t时刻TCP的连接数目,C为链路容量。

(1)式描述的是AIMD算法,右边第一项表示拥塞窗口CWND以1/R(t)的速率和式增加,第二项表示收到一个丢包信息后,拥塞窗口CWND减半。(2)式反映了路由器中队列长度变化的动态信息。对(1)式和(2)式进行线性化处理和拉普拉斯变换后,可得到其传递函数。

2.2 RED算法

随机早期检测RED(Random Early Detection)算法[5]是Sally Floyd和Van Jacobson于1993年提出的,它利用路由器输出端口数据包的平均队列长度监测网络是否将要出现拥塞,一旦发现,便随机选择连接通知发送端,通过减小数据包的发送窗口、降低发送速率,达到缓解网络拥塞的目的[6]。

RED算法中的平均队列长度avg采用的是指数加权移动平均算法(EWMA),计算公式为:

式中,wq是计算平均队列长度的权值,取值范围是[0,1];avg'是前一时刻的平均队列;q为当前时刻实际队列长度。

然后将计算出的平均队列长度与预先设定的两个阈值参数——最小门限minth和最大门限maxth相比较,得到丢弃概率:

其中,maxp是最大丢包概率。考虑到两次丢包之间的分组数不能太长,因此(4)式应修正为:

式中,count表示从上次丢包开始到目前为止进入到队列的分组数目。随着count的增大,丢弃概率p缓慢增加,丢弃的可能性也随之增加。

2.3 TCP/RED网络拥塞控制系统结构模型

路由器的拥塞控制机制采用RED算法,可根据瞬时队列的变化,在队列溢出前以概率p(t)丢包,源端经过一段延迟时间后检测到该数据包,由此判断网络所处的状态,并及时调整CWND的大小,从而实现对缓存队列长度的控制[7]。TCP/RED网络拥塞控制系统的动态结构图如图2所示。

其中,为往返传输时间R0引起的延迟因子;为TCP拥塞窗口AIMD策略的传递函数;为路由器队列特性的传递函数。

3 仿真实例

考虑图3所示的单一瓶颈链路网络。其中,R1和R2之间为瓶颈链路,带宽为0.7Mbps,延迟为20ms,缓冲队列大小为100个分组,每个分组大小为552bytes;S1、S2、S3为发送节点,它们与R1之间的链路带宽均为10Mbps,传输延迟为1ms,3个TCP连接均采用长效FTP业务源。R1的队列管理采用RED算法,参数分别设置为:权值wq=0.001,最大门限maxth=80,最小门限minth=50,最大丢包概率maxp为0.1;其余队列管理算法均采用Drop Tail算法。仿真结果如图4和图5所示。

为了与被动式队列管理算法相比较,将R1的队列管理设为Drop Tail算法,则仿真结果如图6和图7所示。

对比两种算法中三个TCP数据源窗口的变化曲线(图4和图6),可以看出,RED算法会提前检测到网络拥塞,数据源丢包是根据计算出的阈值参数判定的,并非等到队列满之后才进行,因此三个TCP数据源的窗口变化不存在同步性,从而可以减小网络拥塞。而Drop Tail算法则在队列满后才丢包,三个TCP数据源的窗口变化是同步的,因此会加重某段时间网络的拥塞程度。

从图5和图7两种算法瓶颈链路队列变化曲线可以看出,RED算法中平均队列长度维持在最小阈值和最大阈值之间,大约为55个包,平均传输延迟为372.11ms;Drop Tail算法中平均队列长度大约为75个包,平均传输延迟为507.42ms。这说明RED算法可以很好地控制路由器缓冲队列的长度,减小数据包的排队时间和传输延迟[8],提高Qo S。

4 结束语

本文介绍了网络仿真软件NS2的仿真实现过程,在对TCP/RED网络模型及随机早期检测RED算法进行研究和探讨的基础上,将仿真软件NS2用于TCP/RED网络拥塞控制的研究中,仿真结果表明,与Drop Tail算法相比,只要RED算法参数选择合适,就可以有效地控制平均队列的长度,提前检测到网络拥塞,减小丢包率和传输延迟时间,提高网络服务质量,实现网络拥塞控制。

但是RED算法的参数选择基本上还是依靠经验,不同的参数会导致该算法的性能出现很大波动;另外,它还不能有效地解决TCP流和UDP流公平竞争网络资源问题。如何整定RED的参数、实现不同数据流合理共享网络资源将是下一步的研究热点。

摘要：针对日益严重的网络拥塞现象,研究和探讨了TCP/RED网络拥塞控制系统的结构模型,给出了TCP拥塞控制机制的微分方程和RED算法的实现,并将仿真软件NS2用于TCP/RED网络拥塞控制的研究中。通过与去尾算法进行仿真对比,结果表明,随机早期检测算法可以有效地控制平均队列的长度,减小丢包率和传输延迟时间,提高网络服务质量,实现网络拥塞控制。

关键词：网络拥塞,随机早期检测,拥塞控制,仿真,去尾

参考文献

[1]徐雷鸣,庞博,赵耀.NS与网络模拟[M].北京:人民邮电出版社,2003.

[2]张天魁,郭彩丽,曾志民,等.基于Simulink的TCP/IP模型仿真研究[J].系统仿真学报,2006,18(12):3554-3556.

[3]MATHIS M,SEMKE J,MAHDAVI J.eta.The MacroscopicBehavior of the TCP Congestion Avoidance Algorithm[J].ACM computer communication review,1997,27(3):67-82.

[4]MISRA V,GONG Weibo,TOWSLEY D.Fluid-based Analysisof a Network of AQM Routers Supporting TCP Flows with anApplication to RED[J].Computer Communication Review,2000,30(4):151-160

[5]FLOYD S,JACOBSON V.Random Early DetectionGateways for Congestion Avoidance[J].IEEE/ACMTransactions on Networking,1993,1(4):397-413.

[6]孙栋栋,王玉斌,马争先,等.基于NS2软件验证随机早期检测算法RED的优越性[J].广西科学院学报,2010,26(4):426-428.

[7]陈尚兵,赵均,钱积新.IP网络中积极队列管理综述[J].信息与控制,2003,32(1):51-55.

BP网络模型的优化及仿真 第2篇

关键词：BP网络,局部极小,联合优化,权值,仿真

标准BP算法因算法效率低、收敛速度慢,网络泛化能力差而制约了它在各个领域中的应用。本文主要通过对神经元的激励函数和误差函数的改变,采取学习系数自适应调整法,来保证网络学习过程能够消除局部极小值,趋于全局稳定状态[1]。

1 BP网络的优化方法

1.1 神经元的激励函数的改进

标准BP算法选用单极性激励函数Sigmoid函数作为神经元激励函数,即:

f0(x)∈[0,1],其导数为f`0(x)=f(x)[1-f(x)]f`0(x)∈[0,0.25],该函数具有饱和非线性、单调性和可微分性;曲线两端平坦,中间部分变化剧烈,在信号变化范围很大时,仍能保证正确的输出。但当f0(x)→1或f0(x)→0,都会导致权值的修正量趋近于零,从而造成误差函数值从迭代第一步起就不下降。

根据S型函数的特点,先将原S函数引入状态系数t,并附加条件后变为:

在标准BP算法中,认为S函数的形态调整和学习系数η的调整对整个训练速度的影响是等效的。对于输入而言,S函数引入状态系数可以自由地进行伸缩和平移变换,而附加条件后就可以避免误差函数在f(x)趋近于1或0时迭代不下降的现象。综合η的自适应调整方法,可以实现对学习速度的调整,它可使得学习过程快速脱离误差曲面上“平坦区”,同时也可避免梯度方向背离全局最小点的局部最小点。

1.2 误差函数的改进

标准BP算法采用LMS算法来计算误差函数,

改进的误差函数采用绝对和相对逼近精度相结合的方法来描述样本学习精度,其表示形式为:

式中λ1和λ2为系数,tPi和OPi分别表示第i个输出节点的期望输出和实际输入。

由于EK的变化率和tPi-OPi呈线性关系,容易因个别输出误差较大造成迭代方向偏离,从而导致误差增大;另外随着学习次数的增加,|tpi-OPi|越来越小,使函数逼近速度减慢,这样对高度非线性的样本,其逼近精度得不到保证。为此采用绝对和相对逼近精度相结合的方法来描述样本学习精度。

在样本学习初期,以绝对形式的误差函数来指导权值的修正;在学习后期,以相对形式函数误差指导权值的修正,则λ1随着学习次数的增加而减少,λ2则随学习次数的增加而增加。此外,有的学者还提出采用Cauchy算法、“信息熵”类准则函数或分类启发准则作为误差函数。[2]

1.3 学习系数η的自适应调整

学习系数η是影响网络收敛速度的关键因素。η较大时权值的修正量就较大,学习速度就较快,但有可能长期不收敛,导致网络产生振荡,有时误差函数值从迭代第一步起就无法下降,或根本就不下降;当η偏小时,收敛速度慢,误差相对较大。针对以上情况,以不导致学习过程振荡为前提,根据η的取值范围为[0,1],利用黄金分割法对η进行自适应调整,将[0,1]区间插入两个试点η和1-η,对η的调整分两种情况进行分析。

1)若当前误差函数值沿搜索方向能够下降,比较当前η和1-η值大小。当η≤1-η时,用1-η值训练网络,若计算误差比原来下降得快,则取1-η作当前学习系数;否则仍用原η训练网络。当η≥1-η时,不改变当前的η值。

2)若当前误差函数值沿搜索方向不能下降,使迭代无法进行时,η的选取遵循小→大→小的原则。

η先取较小值,这就避免了由随机初始权值引起的计算输出与实际输出偏差大而导致权值修正量过大的状况,从而避免误差函数下一步迭代不下降的现象,这一过程应注意η不能一味过小,通常η≤0.2,否则就会引起收敛速度过慢。

在随后的迭代中,根据误差变化情况将η值加大,由于经修正后的权值得出的计算输出与实际输出偏差不会很大,这里不会出现迭代不下降的情形,同时也加快了收敛速度。具体方法是:利用步长变化公式动态的改变步长,即:

式中1

η(K)为当前值。由于η取值较大后,又有可能出现因误差函数的振荡而使误差函数出现下降较慢的趋势,这时将η变小,则可迭代到收敛点。具体方法是:利用步长变化公式动态的改变步长,即:

式中0

以上η变化策略是根据误差曲面的“平坦区”和“振荡区”的特性来改变步长的,η在“平坦区”进行快速增减,保证学习过程的收敛。在“振荡区”利用前后误差变化来调节步长的增减,因此能够使得学习过程更好地逼近“最优路线”。

2 仿真结果

以故障样本数据建立一个三层BP网络,网络结构为6-9-4,迭代次数2000次,分别利用标准BP网络和改进的BP网络进行实验。标准BP网络取η=0.4,s型函数;改进BP网络采用自适应调整η法、f1(x)作为激励函数、误差函数为绝对和相对逼近精度相结合法、a1=2、a2=0.2、状态系数t=3,误差的变化情况如表1所示。训练网络当MSE≤0.001时停止。[4]

利用线性回归方法分析标准BP网络和改进BP网络的网络输出A和目标输出T的关系。用相关系数R描述网络的性能。从图1和2我们可以清楚地看出,通过对网络训练得到标准BP网络的最优回归直线为A=0.98T+(-0.00117),R=0.961;改进BP网络的最优回归直线为A=0.988T+(-0.0183),R=0.993。当R越接近1时,表示网络输出与目标输出越接近,网络的性能越好。

3 结束语

根据误差变化情况表、最优回归直线和相关系数的变化情况,通过对神经元的激励函数和误差函数的改变,采取学习系数自适应调整法,不仅改变了标准BP网络因学习系数较大造成的误差函数值迭代不下降的现象,也使改进的BP网络具有明显快速的迭代速度。由于改进BP网络相关系数的提高,表明网络输出与目标输出相接近,因此通过这种联合优化的方法可以提高网络的精度,并使网络性能也得到极大的改善。

参考文献

[1]Hagan M T,Demuth H B,Beale M H.神经网络设计[M].北京:机械工业出版社,2003.

[2]刘存根,陈增辉,周东辉.K-L变换在BP网络初始权值优化中的应用[J].重庆工学院学报,2007,21(2):103-105.

[3]李祚泳,汪嘉杨,郭淳.POS算法优化BP网络的新方法及仿真实验[J].电子学报,2008,36(11):2224-2228.

[4]刘幺和,陈睿,彭伟,等.一种BP神经网络学习率的优化设计[J].湖北工业大学学报,2007,22(3):1-3.

IM网络模型与仿真算法的建立 第3篇

关键词：IM网络模型,仿真算法模型,仿真结果分析

0 引言

随着互联网的发展,即时通信(IM)系统的应用正变得越来越普及,目前,IM系统的应用正变得越来越普及,网民可以通过IM系统进行沟通交流、娱乐消遣,实现文字、语音、视频的实时互通交流。同时,许多组织还借助其来提高业务协同性及反馈的敏感度和快捷度。IM系统允许两个用户之间实时的进行一对一(如QQ中好友之间的对话)或是一对多(如QQ群里的交流模式)的通信,每一个用户都有一个用户名和一个好友列表,列表中可以是该用户经常交流的其他用户的用户名,也可以是偶尔交流或是由于某种需要只进行过一次交流的用户名,同时还包括用户所加入的有某种用途的群或社团。这些好友既可以是用户的工作同事,也可以是用户的亲朋好友。这种IM用户间的相互连接关系构成的逻辑网络就是IM网络[1,2,3,4,5],从某种意义上说IM用户的好友列表定义了一种internet中的虚拟社会关系网络,也是一种复杂网络。因此,本文可以利用复杂网络的思想对IM网络进行科学的研究及统计学分析。本文利用图论的知识对IM网络进行拓扑建模,并建立仿真算法对模型进行结果分析。

1 IM网络拓扑模型的建立

IM网络是遵循无标度网络相类似的动力学特征来进行演化和发展的,那么可以利用无标度网络的建模思想和方法来进行IM网络的拓扑建模研究工作。即建模基础是无标度网络的BA模型[1,2,3],同时考虑IM网络与之不同之处以及IM网络拓扑演化过程中特有的机制,对BA模型进行改进,得到符合IM网络演化特点的拓扑模型。基于前面对模型假设和演化机制的分析,在BA模型的基础上提出改进后的IM网络演化模型如下:

1)增长:初始网络具有m0个节点n0条边,每次增加一个新的节点,连接到m个已存在的节点上(m≤n0);

2)局域优先连接:在网络中己存在的节点中随机选择M个构成节点集Ω(m≤M≤m0+t),新节点j与网络中己经存在的节点i相连的概率与节点i的度凡、节点j的度kj之间满足如下关系:

3)引荐机制:以概率在节点i所拥有的好友中选择一定比例(设为r1)的节点,对每个被选中的节点j,随机选择他的两个邻接点,在被选中的邻接点间添加边。在每个时间步内增加一个新的节点,整个IM网络经过t个时间步的演化后,就形成一个节点数为N=m0+t的网络。

2 仿真算法的建立

为易于仿真,本模型采用下面的运算规则直接仿真。t=0:m0个节点n0条边(在m0个节点间随机连接)。每个时间步,执行下述4个步骤:

1)添加一个新的节点,新节点上带有m条边(m≤m0)。

2)在初始网络中已经存在的节点里随机选择M个节点,构成节点集Ω(m≤M≤m0+t),每个节点被选中的概率为,以概率在节点集Ω中选择m个节点,将步骤1中添入的m条边连接到选中的m个节点上。

3)随机选择np r0对节点,在被选中的节点对间添加边(己经连接的不做处理)。(np为当前网络中存在的节点数)

4)以概率随机选择nm r1个节点,对每个被选中的节点j,随机选择他的两个邻接点,在被选中的邻接点间添加边。(已经连接的不做处理)。(nm节点i所拥有的引荐人总数)

现在将上述算法的仿真过程进行如下描述:

l)设置初始化参数:m0(初始网络节点数)、n0(初始网络边数)、t(演化时间)、r0(边的增添速度)、r1(边的增添速度);

2)原始网络拓扑图的生成:在初始化参数的基础上,生成原始网络的邻接矩阵,此邻接矩阵是一个对称矩阵,随机生成m0个节点,根据邻接矩阵确定各个节点之间的连接关系,作出此网络的拓扑图;

3)在原始网络拓扑图的基础上做t步的网络演化;

4)生成最终的网络拓扑图:经过t步网络演化后,按邻接矩阵中反映出来的点与点之间的关系,连接相应的节点对,生成最终的网络拓扑图。

3 仿真原理及相关算法

网络以邻接矩阵的形式存储在计算机中,节点间有边存在记为1,无边存在记为0,如图1所示,图(b)即图(a)所对应的邻接矩阵。节点数目的增长相当于矩阵中维数的增长,边的增加即将矩阵(b)中相应元素改为1。

3.1 节点度分布的计算

一个节点拥有的度是该节点与其它节点相连的边数,度是描述网络局部特征性的基本参数,对矩阵的第i行求和可得节点i的度数。度分布p(k)定义为随机选择一个节点,度为k的概率,计算方法即p(k)等于网络中度为k的节点数占网络总节点数的比例。

3.2 聚类系数的计算

对与节点i相连的节点构成的ki行ki列邻接矩阵元素进行求和再除2,即得节点i的邻接点间实际存在的边数ei,以图1(a)中节点A为例,节点A的邻接点间实际存在的边数即节点B、C、E构成的邻接矩阵如图2,计算得eA=2。

计算得每个节点的聚类系数,对网络中所有节点的聚类系数求平均,即得整个网络的聚类系数。

3.3 平均最短距离的计算

Floyd算法是Floyd于1962年提出的用于计算所有节点对之间最短路径的算法。该算法中,先将邻接矩阵中非直接相连的节点间距离设为无穷大,对角线上的值设为0,其余元素保持不变,记为初始距离矩阵,如图1(c),按式1循环更新距离矩阵,a从1循环到N即得节点对间的最短距离矩阵。m0=

其中uij是距离矩阵第i行第j列的元素,代表节点i,j间的距离。每对节点的最短距离后,即可求得整个网络的平均最短距离。

4 IM网络拓扑仿真结果分析

利用MATLAB[3,4,5]对IM网络拓扑演化模型进行仿真,并对所生成的IM网络的各项统计特征值进行计算。仿真生成的网络如图3所示。其中模型中各参数分别为:

m0=100,n0=300,m=10,M=50,r0=5*10-4,r1=5*10-5,T=300。

从仿真结果图3可以看出,仿真生成的IM拓扑网络的节点度分布并不服从幂律分布,这一点与无标度网络不同。这说明IM网络中节点度很大和节点度很小的节点数量都比较少,大多数节点的节点度都处于某一个范围内。下文通过与真实的IM网络中联系人个数分布进行对比(如图4所示),可以看出两个分布在趋势上大致符合,即IM系统中拥有少量好友和大量好友的占少数,大多数IM用户拥有的好友数都处于一个范围内。

图5给出了IM网络演化模型的平均聚类系数C随网络规模t的变化关系,发现在网络规模较大时,IM网络的聚类系数与网络规模没有明显的依赖关系。从仿真结果可以看出,在网络规模较小时(如1000步之内)聚类系数随着网络规模的扩大而快速增大;当网络规模在1000步以上时,聚类系数基本稳定在C=0.95附近。总体来说,IM网络拥有较高的聚类系数。

综上所述,IM网络的节点度不服从幂律分布,度数极小和极大的节点出现的概率较小,这与实际情况相符合。同时,具有较短的平均路径长度、较高的聚类系数和清晰的社团结构。

5 结论

IM网络演化模型在本质上反映的是IM用户之间特定的社会关系网络,了解IM网络的统计特征,在一定程度上有助于更好地研究和分析其上消息、病毒等的传播特性,更好地进行IM消息传播干预机制的研究。

1)该模型结合局部范围择优连接机制、熟人引荐机制对BA模型进行扩展,生成的网络中节点度分布不服从幂律分布,度数极小和极大的节点出现的概率密度较小,与问卷调查数据得出的联系人个数分布形状较为接近。

2)通过对IM用户行为特征的调查研究发现,IM用户使用点对点方式的频率高于群组方式,同时群组方式的消息传递针对性较差,且IM用户对群组消息的关注程度较弱。因此,本文主要研究IM系统中点对点方式下的消息传播情况。

3)IM拓扑网络具有显著的小世界特征,较大的聚类系数和明显的社团结构,与真实网络情况十分接近。

4)本模型仿真结果说明该模型的演化机制可以在一定程度上解释真实IM网络的形成机制。

参考文献

[1]史明江,李翔,汪小帆.基于复杂网络理论的即时通讯病毒研究[J].计算机工程与应用.2006(11):110-115.

[2]YangGang,ZhouTao,WangJie,etal.Epidemic spread inweighted seale-free networks.Chinese Physics Letters,2005,22(2):501.

[3]Morenol Y,Pastor-Satorras R,Vespignanil A.Epidemicoutbreaks in complex heterogeneous networks.Eur.Phys.J.B,2002,26(4):521-529.

[4]刘常星,胡晓峰,司光亚,等.基于小世界网络的舆论传播模型[J].系统仿真学报.2006(l8):3608.

网络仿真训练模型 第4篇

本文以以太网交换机为例,通过基于DEVS的规范说明方法将交换机模型解析成不同的子模型和耦合模型,并对交换机模型进行了仿真。

1 DEVS规范说明

DEVS的基本思想是将系统按功能或结构逐步分解为多级子模型,不可再分的模型为原子模型,由子模型组合而成的模型称为耦合模型。耦合模型中,各子模型之间的关系称为耦合。

在复杂系统的建模仿真中,原子模型描述了时间和状态的转移,耦合模型描述了组成它的子模型以及子模型与子模型之间的相互连接关系。在这种构造中,原子模型是基本的系统元件,它是完备的、独立的单元,这样一个模型只通过输入、输出接口与其他模型交互以达到模块化。系统通过连接原子模型来建立耦合模型,耦合模型与其他模型组合来形成更高层次的系统。在复杂系统建模过程中,原子模型像电路元件,耦合模型像电路板,因此,建模者通过重用模块化模型及层次化方式建造仿真模型,能显著提高建模工程的效率和质量。

2 基于DEVS的网络实体模型仿真实例

下面以以太网交换机为例,详细介绍如何用DEVS规范化模型描述方法对其进行仿真。对模型构成的层次化、原子模型及耦合模型等概念进行说明。

以太网交换机实体共有四种,分别是二层交换机实体、三层交换机实体、四层交换机实体以及多层交换机实体。这里以二层交换机实体为例进行讨论。

首先,依据DEVS规范化模型描述方法,可以采用EN=这样的四元组来描述交换机实体。其中,N为实体名称,TE为实体完成的功能,AT为实体属性的集合,AC为实体的动作集合,S为实体的状态集合。

EN=

其中,N为二层交换机;TE为转发数据;AT为AT={交换机序号、型号、版本号、端口数、端口类型、生产厂家、RAM空间、ROM Moniter、Fresh/NVROM、IOS版本、MAC地址、支持的协议};AC,CT={物理连接、加电自检、配置};S,S={空闲、忙}。

完成交换机实体的规范化描述之后,再来看交换机的内部结构以及如何来完成交换机耦合模型及其接口耦合模型。

2.1 交换机耦合模型及其组成

按照结构划分,以太网交换机可以分解为n个交换机接口和一个n×n的交换结构。对其结构用交换机接口、交换单元两个子模型进行描述。以太网交换机耦合模型及子模型的层次结构及输入/输出关系如图1所示。

其中,交换机接口模型包含有用于分别描述输入和输出的两个队列原子模型,接口个数可能随交换机型号不同而不同。根据不同的需求交换结构子模型可以抽象为原子模型而不作进一步分解,也可以分解为交换网络和MAC表两个子模型。下面以交换机接口耦合模型为例,详细说明DEVS的定义方法,其他部分的模型描述也可以按此方法得出。

2.2 交换机接口耦合模型

交换机接口耦合模型及其子模型关系如图2所示。为了处理出入网络接口卡模型的数据流,将接口模型分解为两个queue原子模型,一个用于从网络接收数据帧,另一个转发数据帧到网络。这种抽象将接口的输入输出作为队列模型描述。

原子模型queue队列模型的DEVS描述为:

队列作为一个子系统,它的控制和状态变化是由交换机的内部运行状态机所决定的。交换机内部运行状态机如图3所示。

由分析交换机的内部运行状态机得知,队列可以使用如图4所示的有限自动机进行描述。

图4中,队列的各个状态、它们之间的相互转换关系以及所需触发条件一目了然,据此可以给出队列的内部和外部转移函数如下。

时间推进函数ta是没有外部事件到达时系统保持的时间,这里可以不作定义。

耦合模型的主要作用在于明确模型内、外输入输出的连接关系,交换机接口耦合模型可以描述如下:

至此,该二层交换机的仿真建模完成。

通常对于离散系统的描述可以使用集合论、系统论的形式化方法,典型的有微分方程、有限状态机和离散事件模型等。DEVS的优势在于将每一类这样的模型所确定的系统的静态和动态结构施以特定的约束,从而确定系统的分解方法。使用DEVS描述模型使离散系统仿真不再是随意的、个人化的艺术性工作[1]。从这个意义上说,使用DEVS描述的模型克服了其他模型可复用性差、不规范以及互操作性差等缺点,以更强的规范性、确定性和可复用性等优点,更好地解决了由于网络流量的动态变化、统计复用的随机性及网络的规模扩展所带来的新问题。

目前,基于DEVS的网络系统建模主要集中在性能仿真方面,针对功能模拟的研究比较少。其中,形式化描述比较难于理解是出现这种情况的原因之一。近年来,在基于DEVS的可视化建模方面的研究成果在一定程度上弥补了这方面的不足[3]。

此外,对于网络仿真系统而言,模型抽象到何种层次,能够既比较好地反映真实状况,又不至于产生过多的运算量是一个值得深入研究的工程实践问题。

综上,基于DEVS的网络设备仿真模型,采用了DE-VS这种形式化的仿真建模方法,使网络通信交换机这种离散系统的仿真建模得到规范化,其准确性和可复用性是不言而喻的。在标准化的趋势下,基于DEVS的仿真方法可望在网络仿真和模拟中发挥更重要的作用。

参考文献

[1] 黄柯棣,张金槐.系统仿真技术.长沙:国防科技大学出版社,1998．

[2] Zeigler B P.制模与仿真理论.李育才译.北京:机械工业出版社,1984．

[3] 刘忠,邓苏.DEVS 的面向对象可视化建模.计算机仿真,2001,18(1) .

[4] 刘宝宏,黄柯棣.基于 DEVS 的多分辨率建模形式化描述规范研究,系统仿真学报,2005(17) .

[5] Mohaemd Abd El-Salam,KhalilYonis,Abdul-Rahman Elsahfei.Fourth year project report:Building a library for parallel simulation of networking protocols,Carleton University,Canada.

网络仿真训练模型 第5篇

随着计算机的发展和广泛应用,人们对数据处理效率的要求越来越高,需建立差异性传感器网络,通过大型传感器网络解决资源约束问题,实现海量数据的高效处理[1,2]。但差异性传感器网络较为复杂,故障频出,因此,对差异性传感器网络故障节点的定位成为解决网络运行效率提升的重点,具有重要意义[3,4]。

目前,研究故障节点定位的方法有很多,主要包括粒子群方法、随机网络方法、距离定位方法等,相关研究也取得了一定的成果。其中:文献[5]提出一种基于规则编码的差异性传感器网络故障节点定位方法,在同一规则编码下,对差异性传感器网络的特征进行对比,从而实现故障节点定位,但由于差异性传感器网络之间的规则不尽相同,因此故障节点进行定位时需进行区分,定位效果不佳;文献[6]提出一种基于粒子群单循环搜索算法的差异性传感器网络故障节点定位方法,对不同传感器网络的故障节点特征进行提取,求出相应的权重,同时对特征提取误差进行补偿,得到差异性故障节点特征,依据获取的特征建立粒子群,从而实现故障节点定位,但该方法实现过程较为复杂;文献[7]提出一种基于随机网络的差异性传感器网络故障节点定位方法,对随机网络的直径和平均距离进行设置,求出其集聚系数,构建故障节点特征模块,从而实现故障节点定位,但该方法所需的时间较长,效率较低;文献[8]提出一种基于距离定位的差异性传感器网络故障节点定位方法,依据距离与角度对与其信息相应的传感器节点进行测量,也就是通过三角测量法和最大似然法预测节点位置实现故障节点定位,但该方法需要消耗大量的网络硬件资源,成本很高;文献[9]中依据正交通信信道载波定位网络故障节点的方法,通过构建故障节点信息融合模型,完成对其特征分析,通过正交通信信道载波均衡实现差异性传感器网络故障节点的定位,但该方法在进行通信传输的过程中,容易受到相邻节点的干扰,造成故障节点定位精度不佳。

针对上述方法的弊端,提出一种基于对数距离节点信息和残差融合的差异性传感器网络故障节点定位模型,对不同传感器网络的故障节点特征进行提取,依据获取的特征建立差异性传感器网络故障节点定位模型。仿真实验结果表明,所提方法具有很高的故障节点定位精度。

1 基于对数距离节点信息和残差融合的传感器网络故障节点定位模型

为了避免传统方法因无法适应差异性传感网络随机性和多样性的特点,而不能有效构建差异性传感器网络故障节点定位模型的问题,提出基于对数距离节点信息和残差融合方法,塑造差异性传感器网络故障节点定位模型,对故障节点进行准确定位。

1.1 差异性传感器网络故障节点特征的提取

对不同传感器网络的故障节点特征进行提取,求出相应权重,并且对特征提取误差进行补偿,获取差异性传感器网络的差异性故障节点特征,依据获取的特征建立差异性传感器网络故障节点定位模型。

针对差异性传感器网络的故障节点定位,首先对故障节点特征进行提取,用a=(a1,a2,⋯,aq)U描述故障节点特征分量;用描述上述分量方向上的平均值,因为差异性传感器网络中节点和节点之间有一定的差异,因此,该网络节点Tz=G[zzU]领域中具有的特征差值为:

式中:H为常数;a为故障节点特征分量;为特征分量a方向上的平均值。

通过a=(XU)-1b=Xb对差异性传感器网络节点中的特征分量a进行时效方面的限制,同时构建关系式bl=xUla。

为了准确获取差异性传感器网络不同节点之间的特征差异,可通过式(2)描述节点特征对比结果:

用描述差异性传感器网络节点的权值系数,采用式(3)对某传感器网络节点权值系数进行计算:

式中:bl为某节点特征;xl为某差异性传感器网络节点;el为差异性传感器网络节点之间的数据传递参数。

差异性传感器网络中有大量故障的网络节点,针对上述故障节点特征,通过式(4)获取特征提取误差:

假设,从而使差异性传感器网络最弱节点特征提取误差达到最小,将其代入式(4)中,实现对特征提取误差的补偿,则有:

在上述过程的基础上,通过式(6)对故障节点特征进行约束,获取有关参数,为准确实现差异性传感器网络故障节点的定位提供有效依据:

1.2 模型的建立

1.2.1 对数距离节点信息模型

获取准确的故障节点特征数据,Fa后,依据上述特征数据构建差异性传感器网络故障节点定位模型。由于差异性传感器网络故障节点拥有不同的特征,因此,应依据对数距离节点信息模型反映差异化信息。当差异性传感器网络中的传感器节点获取随机性故障信息节点时,需要通过对数距离特征模型搜索差异传感器网络故障节点的有效信息。该模型中包含的内容分为两部分:

第一部分为路线耗能模型,其对比距离为ds(s0),中心点的邻近距离为s0,预测距离为s,平均采集功值为ds(s),则二者之间的比值为:

式中:s0的对比值为ds(s0);β用于描述差异性传感器网络路径的减弱情况。

第二部分描述的是维持通信平稳的差异性传感器网络环境,若该环境中的信号功率服从正态随机分布,则有:

式中,ϕ用于描述均值为零的高斯分布变量,该值不会对结果的准确性造成干扰。

通过上述分析,结合故障节点特征数据,即可获取差异性节点故障特征距离s,公式描述如下:

1.2.2 残差融合

因为传感器网络存在差异性,所以得到的故障信息距离值大小不一,此时,可依据残差融合理论实现误差的合理调控,以期获取有价值的故障信息距离值,完成故障节点定位。依据差异性节点故障特征距离,利用节点距离残差融合法对原始故障节点定位特征数据进行线性变换,则有:

差异性传感器网络节点距离运算模型基函数为:

式中:节点距离参数为β;属性范围的中心坐标参数为uq;能量属性均值为wq,则各信号参数为:

差异性传感器网络节点距离残差参数的属性向量可通过式(15)求出:

式中:节点距离属性向量的极大值和极小值为umax和umin;节点距离残差分析结果为Fq;经最大值量化处理后的结果为Zq。

汇总全部运算结果,能够得到差异性传感器网络全部故障节点数。依据故障节点提取基函数,得到故障节点距离的中点以及平均值。故障节点的距离误差可通过式(16)进行计算:

如果节点距离误差负荷阈值要求,则说明该节点距离准确;否则,基于逆向误差调控法更新节点距离误差。差异性传感器网络故障节点定位距离的误差参数可通过式(17)求出:

通过式(18)对得到的节点距离进行优化,有:

通过上述分析的过程,对差异性节点故障特征距离进行残差融合操作,对节点距离误差进行调整,从而使传感器网络有很大差异的情况下,也能得到准确的故障节点定位信息。

2 实验结果及分析

通过实验检验提出的基于对数距离节点信息和残差融合的差异性传感器网络故障节点定位模型的性能。实验将随机网络模型作为对比进行分析。

2.1 平均定位误差分析

在实验中传感器网络节点分布情况存在一定的复杂性,实验通过本文模型以及随机网络模型,对弱差异性传感器网络中的故障节点进行定位分析,获取的结果如图1所示。

分析图1可以看出,在传感器网络差异性不大的情况下,虽然整体看来,采用本文模型的定位误差略低于随机网络模型,但差别不大,故障节点定位精度基本一致。

实验通过本文模型以及随机网络模型,对强差异性传感器网络中的故障节点进行定位分析,获取的结果如图2所示。

由图2可以看出,在传感器网络差异较大的情况下,采用本文模型的平均定位误差曲线明显低于随机网络模型,说明本文模型和随机网络模型相比,具有一定的优越性。综合图1、图2可知,在传感器网络差异较大的情况下,本文模型和随机网络模型的定位误差均在一定程度上有所增加,但本文模型的增加幅度明显低于随机网络模型,说明本文模型不仅具有较低的故障节点定位误差,而且具有很高的适应能力。

2.2 故障节点定位结果

为了进一步验证本文模型的有效性,在传感器网络差异不大的状态下,采用本文模型和随机网络模型实现故障节点的定位分析,得到的定位结果如表1所示。

传感器网络差异较大情况下,本文模型和随机网络模型故障节点定位比较结果如表2所示。由表1、表2可知,与随机网络模型相比,采用本文模型对差异性传感器网络故障节点进行定位,不管是在差异较小还是差异较大的情况下,定位结果与实际结果更加接近,而且,随机网络模型在传感器网络差异性较大的情况下,定位结果和实际结果相差甚远,说明本文模型能够在很大程度上提高定位精度,验证了本文模型的有效性。

3 结论

本文提出一种基于对数距离节点信息和残差融合的差异性传感器网络故障节点定位模型,对不同传感器网络的故障节点特征进行提取,求出相应权重,对特征提取误差进行补偿,获取差异性传感器网络的差异性故障节点特征,依据获取的特征建立差异性传感器网络故障节点定位模型。采用一种对数距离节点信息模型反映收集到的差异化信息,获取差异性节点故障特征距离。通过残差融合方法调控误差,得到有价值的故障信息距离值,完成故障节点定位。进行调整,以获取更加准确的故障信息距离值,从而有效实现故障节点定位。仿真实验结果表明,本文方法的故障节点定位精度较优。

摘要：随着传感器网络规模的逐渐扩大,网络中节点的分布呈差异性和随机性,破坏了节点之间的位置关系,传统故障节点定位方法不能有效分析传感器网络节点的相关特征,无法得到准确的故障节点定位结果。因此,提出一种基于对数距离节点信息和残差融合的差异性传感器网络故障节点定位模型,采集不同传感器网络的故障节点特征,求出相应权重,对特征提取误差进行补偿,获取差异性传感器网络的差异性故障节点特征,依据获取的特征建立差异性传感器网络故障节点定位模型。采用一种对数距离节点信息模型反映收集到的差异化信息,获取差异性节点故障特征距离。通过残差融合方法调整相关误差,以获取更加准确的故障信息距离值,实现故障节点定位。仿真实验结果表明,所提方法具有很高的故障节点定位精度。

关键词：差异性故障节点,传感器网络,故障节点定位,仿真实验

参考文献

[1]王岩,李洪亮.无线传感网络局部离群节点定位模型仿真[J].计算机仿真,2013,30(12):253-256.

[2]徐凯华,赵雪琴.多层传感器故障数据的挖掘模型仿真[J].计算机仿真,2014,31(12):393-396.

[3]闫艳霞,崔建华.复杂生物传感网络的节点优化定位模型仿真[J].微电子学与计算机,2015(2):129-132.

[4]孔凡兴.无线传感器网络节点感知进化计算模型研究[J].计算机仿真,2013,30(5):293-297.

[5]鲁银芝,仲元昌,杨柳,等.大规模带状无线传感器网络节点定位算法[J].传感器与微系统,2015,34(1):138-141.

[6]宫娜娜,武海艳.传感器网络节点分布均匀性与定位性能的关系[J].电子测量技术,2014,37(12):80-85.

[7]周亮,肖婷婷,李广军.基于信赖域的无线传感器网络节点定位算法[J].电子科技大学学报,2014(5):674-677.

[8]崔建华,闫艳霞.基于信道质量分析传感器弱节点定位模型仿真[J].计算机仿真,2015,32(2):332-336.

网络仿真训练模型 第6篇

钢铁制造流程是由一类不同功能但又相互联系、相互支撑、相互制约的多种工序和多种装置及

其相关设施构成的、工序串联并集成运行的复杂过程系统, 从根本上看是物质、能量、时间、空间等基本因子的转化和推进过程[1]。钢铁企业能源的产生和消耗(简称产消)涉及能源的生产、转换、回收和库存等设备,几乎每个设备都存在能源的消耗或释放[2]。由于钢铁制造流程具有这些特点,因此系统地分析这些能源动态流动过程并非易事。

作者从典型的钢铁企业现场提取与能源产消相关的生产、转换、回收、库存设备逻辑模型,分析企业生产运营的能源产消的历史数据,建立企业能源产消单元模型,分析单元模型之间的关系,利用计算机仿真技术,建立含有各种单元模型的模型库,构建可以自动拖放和动态重绘的可视化组态工厂设计界面,开发了实现钢铁企业组态的软件。使用该软件可以针对某一工厂现场设计出组态工厂模型,为进一步的仿真计算提供可视化管理界面,能更直观地分析评估工厂现场,从而对能源产消现状提出改进建议。

1 模型的建立

现代钢铁生产是一个复杂而庞大的系统,其中包括焦化、炼铁、炼钢、轧钢等工序以及煤气、蒸汽、电力等传输管网,采用各种运输方式。建立钢铁企业的能源仿真模型,必须能模拟出钢铁企业中各工序、传输管网、运输方式等涉及能源产消的各个组成部分及其之间的关系。生产系统每个单元有10多种物流,能源种类有20多种,任何一种物流的变化几乎对每一种能源都有影响,这些特点大大增加了研究能源产消模型的难度。因此,对钢铁企业系统应采用系统分析法,找出系统之间和单元之间在物料和能源方面的关系。

根据典型的钢铁企业生产工艺流程、各个工序的不同功能及其物料和能源输入输出的特点,可以将钢铁生产划分为五大功能:

(1)铁素流运行功能,即铁产品制造功能,对应生产系统,包括焦化、焦化化产、造球、烧结、石灰窑、高炉、喷煤、细粉、铸铁机、铁水预处理、转炉、CAS精炼、RH精炼、钢包精炼、连铸、热处理、加热炉、热轧、冷轧、钢管等工序或设备。

(2)碳量流运行功能,即能源转换和使用功能,对应能源转换系统,包括燃气-蒸汽联合发电机组(CCPP)、热电联产发电(CHP)、锅炉、原水处理、污水处理、海水淡化、供水、制氧、空压机、减温减压、加压、混合、精制、制氢、放散塔等工序或设备。

(3)能量流回流功能,即废烟、废气、显热等能量回收功能,对应能源回收系统,包括干熄焦余热发电(CDQ)、汽化冷却、换热器、余热锅炉、高炉炉顶余压发电(TRT)等工序或设备。

(4)物料和能源介质存储功能,对应存储系统,包括氧气、氩气、氮气、氢气、石灰、石灰石、焦炭、煤粉、矿石、球团矿、烧结矿、高炉煤气、焦炉煤气、转炉煤气、天然气、钢管、冷轧材、热轧材、废钢、铸坯、混铁炉等的存储设备。

(5)介质传输运送功能,即各种管网、运输工具等对介质的传输功能,对应连接系统,包括煤气、蒸汽、水等管网连接以及公路、铁路、天车等运输方式。

针对钢铁生产的五大功能,首先建立相应的子系统模型,即能源产消单元模型,然后再建立能源系统网络模型。

1.1 能源产消单元模型

经过对焦化、烧结、炼铁、炼钢和轧钢等工序涉及到的生产设备、能源转换设备、回收设备、库存设备的物料和能源的消耗及产生情况进行分析和抽象,同时考虑到钢铁生产流程中各工序的物流和能源约束关系,为能源产消单元建立统一的抽象单元模型[3,4],模型中对物料和能源的输入、输出进行了定义(见图1)。

M+i,j和M-i,j的具体内容为(m1,m2,…,mr)i,j,其中m1,m2,…,mr为设备输入输出具体物料种类,包括:块矿、烧结矿、球团矿、石灰、铁水、废钢、钢水、铸坯、热轧卷、冷轧卷、钢管、炉渣、石灰石、高炉水渣、细粉等;r为物料种类的总数。E+i,j和E-i,j的具体内容为(e1,e2,…,es)i,j,其中e1,e2,…,es为设备输入输出具体能源种类,包括:高炉煤气、焦炉煤气、转炉煤气、混合煤气、高压蒸汽、中压蒸汽、低压蒸汽、压缩空气、氧气、中压氮气、低压氮气、氩气、电、水、洗精煤、无烟煤、冶金焦炭、天然气、煤粉等;s为能源种类的总数。

1.1.1 生产设备单元模型

对于生产设备,物流的原料和产品(M+i,j和M-i,j)按工序正常生产时单位时间产量来给定;能流的输入和输出(E+i,j和E-i,j)按单位产量消耗或产出的能源介质给出。

生产设备模型参数包括:物料和能源介质输入集合、物料和能源介质输出集合、设计产量、作业率、成材率、输入波动上限、输入波动下限、生产周期、主产品等。

1.1.2 能源转换设备单元模型

对于能源转换设备,能流的输入和输出(E+i,j和E-i,j)按单位产量消耗或产出的能源介质给出。

能源转换设备模型参数包括:物料和能源介质输入集合、物料和能源介质输出集合、蒸汽效率、发电效率、额定功率、综合效率、发电上限、发电下限、热值要求、启动时间、启动成本、波动上限、波动下限、主产品等。

1.1.3 回收设备单元模型

对于回收设备,模型的输入既有物料也有能源,如:生产工序产生的产品量、产品的温度;生产工序产生的渣量、渣的温度;生产工序产生的各种烟气的量、温度和压强。

回收设备模型参数包括:物料和能源介质输入集合、物料和能源介质输出集合、产品回收效率、渣回收效率、烟气回收效率、产品热量是否回收、渣热量是否回收、烟气热量是否回收、额定功率。

1.1.4 库存设备单元模型

由于库存设备只是对介质进行存储,不会对所存储介质有任何转换,所以物料和能源的输入、输出都是同一种介质。

由于整个钢铁工业工艺涉及到的物料和能源介质繁多,所以对于库存设备的建模需要按介质的不同形态来分类,具体分为固体、液态、气态库存和其他库存(主要是指蓄能器存储的高压蒸汽,一部分是汽态,一部分是液态)。对于煤气、蒸汽、压缩空气等气态库存,需要考虑其库存压力、库存温度和环境温度,这些属性决定着所存储的能量随时间散失的度量。

库存设备模型参数包括:物料和能源介质输入集合、物料和能源介质输出集合、库存类型、最大库存、最小库存、初始库存、当前库存、存储内容、存储形态。

1.1.5 连接单元模型

这里把钢铁企业的能源系统划分成多层网络结构,可以根据所传输的介质和连接的类型对连接网络进行分层。考虑到不同设备以及不同物料或能源介质之间的连接有着不同的属性和特点,而且整个企业的物料能源介质大概共有60多种,所以针对不同介质分别建立网络结构,可以简化整个企业物流和能流网络结构,也利于建立合理高效的连接系统。对于煤气、蒸汽、电、水、压缩空气、技术气体等介质的管网分别建立网络模型,不同介质的网络模型具有该介质的相关属性和特点;对于石灰石、焦油、煤粉等连接比较简单的介质,则建立一个统一的网络模型。网络模型的建立过程将在后文阐述。

连接单元模型参数包括:源设备、目标设备、物料/能源介质、连接类型、运输时间、运输量等。在连接单元的始端包括M+i,j和E+i,j,在连接单元的末端包括M-i,j和E-i,j,在能源传输过程中,消耗或释放的能量由运输时间和运输量来决定。

1.2 能源系统网络模型

在已建立的单元模型的基础上,建立能源系统的抽象网络模型,并且对网络的表示进行了分析,最后建立了能源系统的形式化模型。

1.2.1 抽象网络模型

在钢铁生产过程中,某一生产工序和与其配套的能源转换设备、回收设备、库存设备之间构成了复杂的能源网络结构。图2描述了钢铁企业能源系统的抽象网络模型,是一个有向加权图网络。

图2显示了在钢铁企业内部,为满足某一生产工序生产单位产品,从外界购入的各种能源物料的转换、存储、回收、使用的情况。沿着钢铁工业生产工艺路径,物料携带着能量顺序进入下一级生产工序,各种能源经过能源转换设备、存储设备、生产工序、回收设备,直到最后废气排放的过程,组成了企业的能流物流网络[5]。从图中可以看出:

(1)钢铁企业购入能量E0的部分(1-a)E0经能源转换设备后,进入存储分配环节,然后给能量用户供能;另一部分aE0直接进入存储分配环节,然后给能量用户供能;两种方式总共为生产工序i提供能量Ei。

(2)生产工序i生产单位产品的过程中,需重新分配的能量为Ei,需要进行回收的能量为b2Ei,同时产生主产品产量Mi+1及主产品携带的能量E${}_{i+1}^{\text{m}}$。

(3)在能源转换设备和生产工序都有余热(b1Ei)、余能(b2Ei)生成,生成的余热、余能进入回收设备进行回收,一部分回收自用(φ1b1Ei,φ2b2Ei),另一部分回收他用(φ′1b1Ei及φ′2b2Ei),其余Ei排放到环境中。

1.2.2 网络的表示

根据上面的分析,可得到钢铁能源系统网络模型的一个有向加权图结构,如图3所示。有向图的结构可以分为两部分:节点和边的集合。图中的节点1～6是生产、能源转换、库存、回收系统等设备的单元模型;图中的边是钢铁生产工艺过程中物料和能源介质的流动路径;边的权值l1～l5是物料或能源在该路径流动的过程中能量的散失量和消耗量的和。

由于钢铁企业内部设备众多,各工序设备只与相关工序设备有直接的物料能源交换,而与多数其他设备没有直接连接,所以采用邻接表的方式表示能源网络结构。邻接表是链式存储结构,对网络中的边采取离散存储的办法,直接忽略没有任何直接联系的设备间的关系,对于始于同一设备的所有边,采用指针串联起来,这样通过某一节点可以迅速找到所有始于该节点的边。对于钢铁企业内某一设备,可以迅速找到该设备的所有物料或能源介质的产出情况及相应的下游设备。

1.2.3 形式化模型

前面建立的各子系统的单元模型,还不能反映设备各种状态下的能源产消情况。单元模型中物料和能源的输入、输出及其关系,都是在设备正常生产的情况下得出的,然而实际中所有设备都需要更新换代和维修保养,并且即使在正常生产的情况下,操作人员和外界环境不同,输入输出设备的各物料和能源介质也不同。因此根据钢铁生产过程中单元设备的实际情况,我们对单元仿真模型的定义添加了不同的状态,包括正常生产、检修、故障、待工、准备等状态,这样才能更加合理地反映工厂现场的真实情况。

形式化方法基于数学描述系统性质,提供一个严密逻辑框架,在框架中以精确规范的符号语言描述和验证系统,是系统软件设计和开发的数学基础。下面定义了能源系统的形式化模型。

(1)能源网络模型

G = (D,L)

式中,G为能源网络图;D为节点(单元设备)d 的集合,D=(d1,d2,…,dn),n为节点总数,即能源网络中设备总数;L为边(连接)的集合,L={lijk},k为连接所传输的介质或信息。

(2)单元设备模型

di=(In,Out,State)

式中,In为设备的输入,Out为设备的输出,In和Out都可表示为(M,E,Info),其中M为输入输出的物料向量,M=(m1,m2,…,mr),E为输入输出的能源介质向量,E=(e1,e2,…,es),Info为输入输出信息向量,Info=(f1,f2,…,ft),t为输入输出信息的总数;State为设备的状态,State={工作,故障,检修,空闲,待工,准备}。

(3)设备间连接模型

lijk=(di,dj,Flowk)

式中,Flowk={mk,ek,fk},mk为传送物料,ek为传送能源,fk为传送信息。

2 软件设计与实现

在软件开发过程中,借鉴了一些相对成熟的开源项目的经验,并在开源项目代码的基础上加以优化改进。多任务、多窗口框架设计中引入了开源的Dockpanel控件,组态工厂实现时采用了多种设计模式思想,模型的拖放、重绘吸取了RectTracker的部分源码,物流和能流动态连接、重绘采用了dpatoolkit项目中的相关方法。

如图4所示,系统包括三大模块:模型库、数据存储、组态工厂。模型库是在钢铁企业单元模型的基础上,添加了一些基本属性,如大小、位置等,并且添加了相关状态,如正常、故障等,是整个平台的基础。数据存储对数据的保存采取了数据库和本地文件两种方式。组态工厂是利用模型库对实际工厂进行组态设计,包括设备图形的放大、拖拽,物流、能流连接的重绘,是整个平台开发的难点和关键。

2.1 模型库

模型库包含三大部分:Windows的系统控件,如按钮、标签和文本框等;钢铁企业通用设备模型,有生产、能源、回收和库存设备模型;钢铁企业物流、能流连接模型。

模型之间的约束设计以及设备模型之间的物流、能流连接是由工艺流程顺序结构决定的,所以在进行工厂组态设计时应该有连接的限制。在设备模型中根据介质参数的种类建立其可以连接的相关设备,在连接重绘时,判断连接的另一端设备是否是其相关设备。

2.2 数据存储

设备模型本身不可序列化,然而工厂设计界面必须要保存,所以需建立系统控件和设备模型的可序列化机制。由于系统控件里的每个属性参数是可序列化的,因此适当调整设备模型也能使其内部参数可序列化。对系统控件和设备模型的序列化,采用含有一个hasttable的类CBFormCtrlItem,把控件和模型中的各个属性映射到hasttable中,然后创建CBFormCtrlItem的可序列化函数。

2.3 组态工厂

组态工厂设计模块是系统的关键部分,是利用模型库中的模型对某一钢铁企业组态和设计界面,系统各个模块的设计开发工作都体现在这个模块的功能上。该模块包括三大部分:

(1)窗口框架。包括工具栏、设计界面、属性和任务管理器等窗口及之间的动态切换和数据传递。采用了开源的Dockpanel控件,加以修改达到类似Visual Studio 2008开发环境的界面效果:各窗口可拖放到任何位置,并且在重新启动系统时,可使用和上一次相同的布局定位窗口;在设计组态工厂时,选择任意模型,属性框可自动显示该模型的相关属性;使用系统可同时进行几个仿真工程的开发,每个仿真工程可包含多个仿真工厂的设计,并用项目管理器中的树状结构图表示。

(2)拖放重绘功能。包括设备模型的拖放、自动缩放和重绘,连接模型的动态重绘。该部分是系统开发的技术难点,功能的实现主要使用了三个类:RectTracker,对单个模型控件的拖动、放大、缩小等操作;FormRectTracker,对工厂窗体的拖动、放大、缩小等操作;MultiRectTracker,在一个工厂窗体内对多个模型控件进行拖动、放大、缩小,位置排列等操作。实现重绘功能的难点在于物流、能流连接随设备模型拖放的动态重绘,主要使用了下面几个类:IUIRelation,定义连接关系的接口;UIInheritance,实现连接关系接口,可以根据连接两端的模型,动态画出横平竖直的连接线条;PenCapProvider,在连接线条上添加方向箭头。

(3)数据业务。包括设备的动态生成和数据传递,该部分是系统架构核心。功能的实现主要采用抽象工厂模式和组合模式。在设计工厂组态时,产生的设计数据保存到数据库和本地XML文件中,并建立通用的数据库读写类和XML文件读写类,在每个模型中加入了对应类的相关方法。

3 仿真结果

以某年产量900万t的钢铁公司为研究对象,首先直接使用该组态软件构建企业能源系统的工厂组态模型,然后针对现场设备具体状况,修改相关模型的具体参数,最后把整个企业的组态模型及其具体参数保存到数据库或本地文件中,为仿真计算工作提供基础模型。

图5以正常生产中整个企业内高炉煤气为例,给出了各时间步仿真计算结果。

结果显示,高炉煤气的产生和消耗比较平稳,在整个企业内产消基本平衡,符合实际工厂现状。验证了本文建立的仿真模型及组态软件。

4 结论

通过分析钢铁流程工业的特点,建立了钢铁能源单元产消模型和能源系统网络模型,并实现了用于钢铁能源仿真的组态软件。利用该软件设计出了某公司能源系统的组态模型,并得到如下结论:

(1)在钢铁企业能源仿真中,把整个系统划分成生产、能源转换、回收、存储和连接系统,能够较好地描述钢铁企业能源的动态流动的特点。

(2)在钢铁企业能源系统网络模型中,引入形式化的描述方式,可以逻辑清楚地表示复杂关系,简化软件系统设计开发的难度。

(3)在组态软件的设计实现中,采用开源项目中部分设计思想和高质量代码,提高了系统的易用性和稳定性。

(4)采用该组态软件设计的钢铁能源系统模型,能够反映企业能源产消现状,仿真计算结果数据与实际数据误差较小。

参考文献

[1]殷瑞钰.冶金流程工程学[M].北京:冶金工业出版社,2005.

[2]李文兵,纪扬.钢铁企业能源仿真系统初探[C]//2007中国钢铁年会论文集.北京:冶金工业出版社,2007:372-377.

[3]刘献礼,李文兵.钢铁企业生产环节能源仿真模型的研究与实现[J].冶金自动化,2010,34(增刊1):495-497.

[4]黄银祥,孙彦广.钢铁企业电力系统能源仿真模型研究[J].冶金自动化,2010,34(6):25-28.HUANG Yin-xiang,SUN Yan-guang.A simulation modelfor electrical power system in steel enterprise[J].Metal-lurgical Industry Automation,2010,34(6):25-28.

网络仿真训练模型 第7篇

文章提出了一种基于移动IP的异构无线网络智能垂直切换模型,移动终端用户在可行性无线网络间执行智能垂直切换。该模型利用网络的影响因子衡量可行性无线网络的性能,根据移动终端的服务来划定影响因子的权重,并将它们的对应值作为利益函数BF(Benefit Function)的输入,同时计算出它们各自的利益大小,选出利益最大者,从而快速而正确地切换到最佳的网络。在称动IP进行垂直切换时,利用缓冲池存储切换期间发往移动终端的数据包。通过仿真实验与分析,这种切换模型既能缓解切换的延迟,又能减少切换期间数据包的丢失。

1 相关工作

切换是移动通信系统最重要的技术之一,当用户在两个不同的访问点AP(Access Point)转换时,切换就发生了。根据使用的网络接口不同,切换分成水平切换HH(Horizontal Handoff)和垂直切换VH(Vertical Handoff)[5]。前者是指在同构的蜂窝网络中移动台(MS)在小区间的切换(如图1(a)所示),而后者是移动台在异构网络区间的切换(如图1(b)所示)。当前,针对水平切换技术的研究较多,而垂直切换由于其特殊性和复杂性,一直成为业界的研究热点。文献[1]中作者提出了一种无线异构网无缝切换控制方案,它降低了切换延迟、数据包丢失并且阻止了乒乓效应;但它主要局限于WLAN和GPRS两个无线网络之间的。文献[2]主要是利用缓存请求来减少垂直切换过程中数据包的丢失。但它主要针对的是单一的服务,并且对于切换的延迟也没有提出更有效的解决方法。文献[3]中作者介绍了一种最优垂直切换决定算法,依据花费来选择切换的目标网络。该算法适用于用户执行的各类服务;它在资源利用和开销方面达到了用户的满意度,而在切换延迟、数据包丢失等方面考虑欠缺。文献[4]提出了一种智能垂直切换模型,它主要是利用可行性网络接口参数来进行切换决策;这种切换决策简单并且实用,但是它忽视了切换过程中可能产生的数据包丢失问题。

本文提出的是一种智能垂直切换模型。它依据影响无线网络选择的各类因子如服务类型、服务开销、网络条件、系统性能和移动终端自身的条件等来进行智能垂直切换。该模型分成两大部分:1)改进的MIP工作流程。切换期间MIP利用外部代理来缓存了要传送到移动主机MH(Mobile Host)的数据包,降低了数据包的丢失;2)智能切换模型。切换前利用智能卡提前获取周围可行网络的对当前服务的利益,并与移动终端当前的利益进行比较,从而得到可切换的最佳网络,达到了缓解切换延迟的目的。

2 智能垂直切换模型和算法

2.1 影响因子

有线网络能保证高带宽和对因特网的持续访问,而无线网络同样能让移动用户在移动中访问各类服务。因此,在无线网络间进行无缝切换变得越来越重要,低延迟和低丢包率的无缝切换成为影响移动用户执行切换的关键因子。

Mobile IP无缝切换的关键就是能够在给定的时间内正确地做出切换的决定。在传统HH中,信号强度SS(Signal Strength)是个主要的测量指标,但是在多类无线网络环境中,根据单一因子就执行垂直切换,这是很有挑战性的,也是很难达到的。如果只是依靠已接收的信号强度RSS(Received Signal Strength)来决定切换,那将容易产生乒乓效应(Ping-pong effect)[5]。垂直切换的正确执行,有很多影响因子需要考虑,这里我们主要考虑下列因子,若能及时地获得各网络的影响因子值,我们就能根据模型快速而正确地执行切换。

服务类型(Service type):不同的服务,要求的可靠性、延迟和数据率都是不一样的。

服务开销(Cost of service):对于不同的用户,服务开销可能会是个关键的因素,有时候它能够决定一个网络的选择。不同网络服务的提供商提供的计费计划可能是不一样的,这可能影响到网络的选择和切换决定的选择。

网络条件(Network conditions):为了有效地利用网络,与网络相关的参数如流量、可用带宽、网络延迟和拥塞(包丢失)等都可能需要考虑。在选择网络时,网络信息的使用对于不同网络的负载平衡是很有用的,也很可能缓解拥塞。

系统性能(System performance):要保证系统的性能,决定切换时,很多参数都可能要涉及到,如:信道的传输特点、路径迷失、信道间的干扰、信噪比SNR(Signal-to-noise ratio)和比特误差率BER(Bit error rate)等。

移动终端条件(Mobile terminal conditions):移动终端条件包括动态因子,如:速度、移动方式、移动历史和位置信息等。

2.2 智能垂直切换模型和算法

智能垂直切换模型SVHM(Smart Vertical Handoff Model),它能够很灵活地支持垂直切换的配置。如图2所示:一个智能切换中心SHC(Smart Handoff Center)提供了网络接口和上层应用之间的连接。SHC由两个组件构成:智能决策SD(Smart Decision)和切换执行HE(Handoff executor)。在SD中包含有一张智能卡SC(Smart Card),它集成了一段程序代码,能够自动检测和存储当前系统的基本情况,如当前系统剩下的电量等。该智能卡SC还能够定时发送信令消息给周围存在的网络,请求该网络接口的状态,如:信号强度SS、链路容量LC、能耗PC等,并对这些网络返回的信息进行挂牌存储。当然,如果SC一直向周围发送请求消息,这会很容易消耗系统能量;但是我们的智能卡是周期性地向周围广播消息,这样就减少了能量的消耗。智能卡通过广播向周围网络发送请求来获得周围网络返回的性能参数信息,依据当前移动终端的应用,网络反馈信息到达的顺序是不一致的;最适合该应用的反馈会优先被接收,这样不仅减少了链路拥塞而且能够得到更新的网络信息。

在图2中,在智能决策组件中有实线框的A和虚线框的B、C,这表示A中存储的是最新的Bluetooth网反馈信息,说明它最适合当前的应用;BC分别表示UMTS(通用移动通信系统)网和WLAN还没有应答最近的网络请求,它们的当前值还是上次的反馈。智能卡动态地进行信息更新对用户终端是透明的,不会给系统带来多余的负担。如果当前获得的最优网络对当前应用的利益大于当前移动终端所存在的网络,那么HE执行垂直切换。SD算法描述如下:

1)获得各网络性能值:

(1)SD向周围广播信令消息,请求周围各网络的性能。

(2)周围网络接到请求,收集本网络的性能,发送给SD。

(3)SD收集周围网络的反馈,挂牌存储反馈值。

(4)把收集的数据挂牌存储到缓冲池中。

(5)周期性的重复步骤1-4,缓冲池中存储的是最近的更新值。

(2)垂直切换选择:

(1)从缓冲池中取出各网络的信息作为利益函数BF的输入,根据用户目前的服务类型来计算BF值,从而得出最高的利益Bhandoff。

(2)收集当前系统的信息作为BF的输入,来获得当前的利益Bcurrent。

(3)比较Bhandoff和Bcurrent,如果Bcurrent

2.3 垂直切换利益函数

通过上述算法描述,移动终端根据当前的业务需要自动选择利益最大的网络进行切换。智能决策SD利用了利益函数BF来衡量周围的无线网络,切换的目标就是利益最大的网络。在SD中提出的垂直切换利益函数VHBF[2],它是用来计算移动终端当前执行的服务能从周围可行网络中获得的利益,并与当前运行的网络给出的贡献进行比较,从而得到能够切换的最佳网络。

上述网络影响因子作为垂直切换利益函数VHBF的参数,根据参数的相应值来计算当前服务能从网络中获得的利益:

i表示某一网络;为了表示不同的服务对网络条件的需求是不一样的,显然,很有必要给予影响因子一个权重比W,W表示影响因子在选择切换网络时所起作用的比重。添加了权重W的等式如下:

Ws,Wc,Wp,Wt和Wn是网络影响因子的权重。每个权重的值都是分数,它们的范围是:

所有影响因子的权重总和不能超过1.0,必须等于1.0:

在垂直切换决定中,每个权重值都是跟对应的影响因子的重要性成比例的。影响因子的权重越大,该因子对用户来说就越重要。

由于影响因子的单位各不相同,我们不能把这些影响因子如(5)式简单地相加来求网络的最终利益,所以必须对它们进行标准化。对于n个网络最终的标准化等式为:

如果移动终端发现了一个新网络,它能够自动收集新网络的利益Bi和它目前所处网络的利益,不同的服务权值不同,但对于具体服务影响因子的权值是固定的。VHBF(垂直切换利益函数)根据公式(6)收集到各网络对当前应用的利益Bhandoff,如果有高于目前网络利益Bcurrent,那么就执行VH;否则,终端仍然连接到当前运行的网络中。

3 仿真结果与分析

切换技术的优劣是保证服务质量的关键。切换的性能直接影响到移动终端的通信质量,而评价切换性能的指标一般有两个:一是切换的时延,二是切换的丢包率。本文分别在WLAN和UMTS两种异构网络下,对基于Mobile IP直接切换(MIP)算法与智能垂直切换模型(SVHM)在切换延迟、数据包丢失等方面进行仿真分析与比较。由图3可知,切换延迟随着无线链路延迟的增加而变化,但SVHM的切换延迟比MIP要少。对于一次会话最大的延迟容忍度大约是200ms,当无线链路的延迟在50ms以下时,SVHM已经能满足这个要求。

从图4可以看出,在区间停留时间对数据包的丢失的影响。当MN在某一个区间驻留时间很短时,MIP有比较大的丢包数,而SVHM却比较理想。SVHM使用了智能切换策略来触发切换,这使得终端无需等待就可以根据需要随时执行切换。从理论上来说,正常情况下SVHM是不会发生丢包的,并且从图中SVHM的切换丢包率曲线描绘也正好验证了这点。

4 总结

基于MIP的智能垂直切换技术利用了Mobile IP转换过程的外部代理来存储传送到MH的数据包,又利用了智能卡来获得对当前服务利益最大的网络,这样既减少了数据包的丢失,又能达到缓解切换延迟目的。通过仿真结果表明,文章提出的异构无线网络智能垂直切换模型,在维持较小丢包率的情况下,有效地减少了切换的延迟,取得较好的切换性能,并且易于向其他形式的异构网络推广。

摘要：提出了一种基于移动IP的异构无线网络智能垂直切换模型。该模型综合考虑了切换过程中的影响因子,分析了相关参数的设置和算法,并对该模型的性能进行了切换延迟和丢包率的仿真实验。仿真结果表明,该模型在维持较小丢包率的情况下,有效地减少了切换的延迟,取得较好的切换性能。

关键词：移动IP,异构无线网络,智能垂直切换,影响因子,利益函数

参考文献

[1]Lin H W,Chen J C,Jiang M C.Inegration of GPRS and Wireless LANs with mul-timedia applications.IEEE Pacific Rim Conference on Multimedia,Taiwan:Springer,2002:704-711.

[2]Muhammed Salamah,Fatma Tansu,Nabil Khalil,"Buffering Requirements for Lossless Vertical Handoffs in Wireless Overlay Net-works",Vehicular Technology Conference,2003.VTC 2003-Spring.The 57th IEEE Semiannual,2003,22(3):1984-1987.

[3]Fang Zhu,Janise McNair,"Optimizations for Vertical Handoff Decision Algorithms",Proc.IEEE WCNC,2004:867-872.

[4]Ling-Jyh Chen,Tony Sun,Benny Chen,Venkatesh Rajendran,Mario Gerla,"A Smart Decision Model for Vertical Handoff",The 4thANWIRE International Workshop on Wireless Internet and Reconfigurability(ANWIRE 2004).