鄒 淵，孫文景，張旭東，溫 雅，曹萬科，張兆龍

（1.北京理工大學機械與車輛學院，北京 100081；2.北京理工大學，電動車輛國家工程研究中心，北京 100081；3.北京新能源汽車股份有限公司，北京 100176）

前言

隨著車輛向智能化、網(wǎng)聯(lián)化發(fā)展，車輛功能變得更加復雜，控制器之間需要更大的通信帶寬來傳輸越來越復雜的信息，軟件定義、數(shù)據(jù)驅動汽車推動了新型電子電氣架構的發(fā)展［1］。新型電子電氣架構逐步從基于域控制器的電子電氣架構（domain based architectures）演化到基于區(qū)域-功能域控制器架構（zone-domain based architectures）［2］。

區(qū)域-功能域架構的基本思想將功能處理集中在車輛的單個或多個域控制器中，如圖1 所示，該架構將車輛在幾何上分成了多個區(qū)域，每個區(qū)域配備一個區(qū)域控制器（zone control unit，ZCU）負責對該區(qū)域內的傳感器和執(zhí)行器進行信息采集和控制，但是ZCU 并不進行復雜功能處理而是將數(shù)據(jù)上傳到相應的功能域控制器（domain control unit，DCU）中，DCU和ZCU 之間通過高速通信網(wǎng)絡互聯(lián)。為了提高車輛處理復雜功能能力，區(qū)域-功能域架構將一種典型復雜功能的處理集中到一個DCU 中，并在該DCU 中進行相應軟件組件的聚類，目前被業(yè)界廣泛認可的功能域包括：自動駕駛域控制器（MDC）負責進行高級別自動駕駛、座艙域控制器（CDC）負責進行顯示和娛樂系統(tǒng)，以及車控域控制器（VDC）負責進行車輛的底盤和動力控制［3］。區(qū)域-功能域架構功能升級僅需要在ZCU 中增加接口或在DCU 中增加軟件組件即可完成，相比于傳統(tǒng)的分布式架構，有效提高了架構的可擴展性。隨著功能復雜性的增加，ZCU和DCU 的大規(guī)模數(shù)據(jù)交互需要架構具有更強的通信性能，一個既能保證傳輸?shù)脱訒r同時又能實現(xiàn)傳輸?shù)拇_定性、安全性的通信網(wǎng)絡成為了架構實施的基礎［4］。引入時間敏感網(wǎng)絡（time sensitive network，TSN）的以太網(wǎng)在目前被認為是最優(yōu)潛力的解決方案［5］。TSN 定義了一個IEEE 標準化協(xié)議組，是一種確保以太網(wǎng)流量實時傳輸?shù)臋C制。其主要特點是能夠滿足多種信息流的需求，如低延遲、低抖動和高可靠性等［6］。

圖1 區(qū)域-控制域架構

基于IEEE 802.1Qbv 協(xié)議的流量調度機制是TSN 實現(xiàn)低延時的核心機制［7］。該協(xié)議定義了一種時間感知整形器（TAS），如圖2 所示。TAS 為端口中的每個隊列設置一個“門”進行控制，只用門打開的時候信息才能傳輸，否則必須排隊等待。通過調度算法確定所有數(shù)據(jù)幀的傳輸順序和傳輸時間，生成門控制列表（GCL）是TAS 實現(xiàn)TSN 確定性和低延時的關鍵［8］。流量調度問題是一個典型的NP-Hard 問題［9］，在可接受時間內獲得可行的調度方案是評估架構合理性的基礎。程希文等［10］提出了一種禁忌搜索算法，在無等待調度模型下優(yōu)化流量調度的最大完成時間。Wang 等［11］提出了一種蟻群算法能夠較好地調度TSN中的時間觸發(fā)流，在收斂速度、優(yōu)化能力和跳出局部最優(yōu)方面具有優(yōu)勢。但是以上研究并未考慮車載網(wǎng)絡的特殊性，并未在車內網(wǎng)絡環(huán)境下進行驗證。Kim 等［12］提出了一種基于小規(guī)模車內網(wǎng)的啟發(fā)式車載TSN 網(wǎng)絡調度策略，仿真證明了該算法相比于嚴格按照優(yōu)先級進行調度的算法能夠有效降低延時。Patti 等［13］提出了一種基于截止時間的TSN 在線調度策略并構建了基于域控制器的現(xiàn)實車輛環(huán)境進行仿真。然而以上研究主要通過改進求解策略以提高調度效果減少延時，而忽略了網(wǎng)絡架構本身對延時的影響，進一步降低延時需要考慮架構優(yōu)化設計。

圖2 時間感知整形器

車載網(wǎng)絡中眾多傳感器、執(zhí)行器和控制器的連接關系構成了車輛網(wǎng)絡架構。網(wǎng)絡架構對成本、網(wǎng)絡負載分布和網(wǎng)絡延時有著直接影響。目前針對電子電氣架構的網(wǎng)絡架構已有許多研究。關志偉等［14-15］以線束成本最低、線束質量最小和線路負載最小作為優(yōu)化目標，將CAN、以太網(wǎng)、LIN 和LVDS 的總線長度作為變量，使用NSGA-II 算法針對傳統(tǒng)電子電氣架構進行了多目標優(yōu)化。魏翼鷹等［16］對優(yōu)化目標進行了擴展，以擴展率、安全性和設計成本為優(yōu)化目標使用NSGA-III 進行多目標參數(shù)優(yōu)化。Klee等［17］在優(yōu)化架構的通信開銷的同時考慮了新架構的接受度，并在實際案例研究中進行了測試，結果表明只需對系統(tǒng)進行微小的更改即可實現(xiàn)高度改進。Huang 等［18］將無線通信引入車內網(wǎng)絡來取代某些設備之間的布線電纜，在考慮傳輸延遲的同時最小化布線質量和無線發(fā)射功率。然而以上工作都沒有將TSN 引入到架構優(yōu)化設計中。與基于CAN、FlexRay和傳統(tǒng)以太網(wǎng)的架構不同，面向TSN的區(qū)域-功能域架構引入了新的優(yōu)化問題。首先TSN的流量調度機制讓信息流的端到端延時成為優(yōu)化的重點［19］，快速求解車載網(wǎng)絡的流量調度，同時根據(jù)網(wǎng)絡架構進一步優(yōu)化延時是成為車載TSN網(wǎng)絡架構設計的研究重點。其次區(qū)域-功能域架構的環(huán)網(wǎng)拓撲使得鏈路負載設計上從分布式架構的總線負載設計轉變?yōu)楣歉删W(wǎng)絡上的負載分布的設計。最后車載傳感器和執(zhí)行器的分布位置與功能具有很強的相關性，單純地按照空間距離將傳感器與ZCU 就近連接不一定能夠獲得最好的傳輸效果和成本，因此確定合理的連接關系和switch 端口數(shù)也是電子電氣架構優(yōu)化設計的關鍵。

基于以上問題，本文中提出了面向TSN的區(qū)域-功能域架構的以太網(wǎng)網(wǎng)絡架構多目標優(yōu)化設計框架。首先，抽象了車輛架構模型和信息流模型，基于該模型構建了基于ZCU 的switch 端口數(shù)均勻、骨干網(wǎng)負載均衡和信息流端到端延時最低的多目標優(yōu)化數(shù)學模型。其次，為了有效評估信息流延時，將TSN流量調度問題抽象為周期性車間調度問題（JSP），提出適用于流量調度的MPGA 算法進行求解，該算法極大地提高了求解速度和調度效果。然后，基于改進NSGA-II 算法求解網(wǎng)絡架構多目標優(yōu)化，為提高算法的求解效率，對NSGA-II 的交叉變異概率進行基于擁擠程度和迭代次數(shù)的自適應改進。最后對試驗結果進行分析，厘清了端口數(shù)、負載占用和延時對架構設計的影響，并提出了一種網(wǎng)絡架構設計思路。

1 車載以太網(wǎng)網(wǎng)絡架構數(shù)學建模

1.1 車載以太網(wǎng)網(wǎng)絡拓撲建模

隨著高級別自動駕駛的發(fā)展，負責環(huán)境感知的傳感器越來越多，傳輸?shù)臄?shù)據(jù)量也越來越大。本文中傳感器分布參考北汽集團正在研發(fā)的一款ARCFOX車型，接入以太網(wǎng)的傳感器有3個激光雷達（Lidar）、6 個毫米波雷達（Radar）和11 個攝像頭（Camera）。定義4 個區(qū)域控制器（ZCU）均勻地分布在車身4 個區(qū)域，組成一個環(huán)形拓撲。定義3 個DCU 分別是VDC、MDC和CDC。圖3是傳感器、ZCU和DCU分布示意圖。

圖3 傳感器與域控制器分布示意圖

本文中將架構拓撲抽象為一個有向圖［20］，如式（1）所示：

式中：V表示N個節(jié)點的集合；E表示物理鏈路的集合。定義A∈RN×N為鄰接矩陣，該矩陣由0 和1 組成，Aij=1 表示i，j兩個節(jié)點可以連接，Aij=0 表示i，j兩個節(jié)點不可以連接。為每條邊eij賦予權重uij代表鏈路的帶寬。cij表示在一個超周期內負載占用的帶寬。一種基于專家經(jīng)驗設計的網(wǎng)絡拓撲模型圖如圖4所示。

圖4 架構拓撲模型圖

將ZCU 抽象為兩個節(jié)點，一個節(jié)點代表具備收發(fā)功能的控制終端節(jié)點，另一個節(jié)點代表switch 功能，負責連接其余節(jié)點完成信號交換，這兩個節(jié)點直接相連。將DCU 抽象為具有收發(fā)功能的終端節(jié)點，將傳感器抽象為發(fā)送感知數(shù)據(jù)的終端節(jié)點。DCU的節(jié)點和傳感器節(jié)點均可以與鄰近矩陣中Aij=1 的一個switch節(jié)點相連。

1.2 車載以太網(wǎng)網(wǎng)絡信息流建模

信息流是周期性從一個節(jié)點向另一個節(jié)點發(fā)送的數(shù)據(jù)，圖4 中展示了3 條流的示意。如式（2）所示使用六維元組來表示信息流［21］：

式 中：ns，k表示源節(jié)點；nd，k表示終端節(jié)點，ns，k，nd，k∈V；ck表示fk需要占用的帶寬大小；pk表示發(fā)送周期；Dk表示截至期限；τk表示優(yōu)先級。

對于fk的路由選擇，通過兩個單一節(jié)點的最短路徑法獲得，如式（3）所示。

式中：P表示路由路徑；G表示網(wǎng)絡拓撲有向圖。

信息流端到端延時是信息流從源節(jié)點發(fā)送到終端節(jié)點接收的時間差，以太網(wǎng)延時主要由4 部分組成：傳輸延時、排隊延時、傳播延時和處理延時［20］。傳輸延時主要是發(fā)送一個信息流所需要的時間，與帶寬和信息流大小有關；當多個信息流在同一時間需要通過同一個端口發(fā)送時會產(chǎn)生排隊延時；處理延時主要取決于switch 的設計，是switch 的固有屬性；傳播延時主要取決于信號在線束中的傳輸速度和線束長度。處理延時是固定值對優(yōu)化設計并沒有任何的影響，因此不做考慮。車內網(wǎng)絡中線束長度很短因此傳播延時也忽略不計，所以對延時的計算重點考慮傳輸延時和排隊延時。端到端延時如式（4）所示：

表1 中列出了網(wǎng)絡中各類信息流參數(shù)。每個域控制器相對于其他域控制器都以10、20 和50 ms 周期發(fā)送控制信號、生命信號、狀態(tài)信號和非安全相關信號等，通過這種高頻率、大數(shù)據(jù)量的信息模擬車內高負載網(wǎng)絡通信。為了區(qū)分信息的優(yōu)先級，將信息流分為以下3 類：（1）安全相關控制信號流，此類信號優(yōu)先級最高，要求延時極低；（2）傳感器信號流，此類信號流也與安全相關，優(yōu)先級中等，要求延時盡可能低；（3）安全不相關信號流，此類信號延時主要影響行駛的體驗感，優(yōu)先級低。

表1 信息流參數(shù)

1.3 網(wǎng)絡架構多目標優(yōu)化問題構建

汽車電子電氣架構優(yōu)化中設計變量和目標函數(shù)眾多，往往在多個目標函數(shù)之間存在相關性或者相互沖突，因此需要使用高效的多目標優(yōu)化算法進行求解。新一代網(wǎng)絡架構以支持TSN的以太網(wǎng)作為骨干網(wǎng)絡，具有傳輸數(shù)據(jù)量大、傳輸?shù)脱訒r和傳輸確定性高等優(yōu)勢，因此針對通信性能選擇骨干網(wǎng)負載均衡和信息流端到端延時最低這兩個表征通信特性的參數(shù)進行優(yōu)化。ZCU 的switch 端口數(shù)既直接影響網(wǎng)絡架構的連接關系從而對通信性能產(chǎn)生影響也對架構的可擴展性和成本有著直接影響，因此選擇ZCU的switch 端口數(shù)作為另一個優(yōu)化目標。在下文對3個優(yōu)化目標的建模進行詳細的說明。

（1）端口模型

ZCU 端口數(shù)量是由switch 芯片決定的，關系到網(wǎng)絡架構的成本，端口數(shù)越多，芯片價格越高。從整車設計的角度考慮，端口數(shù)過多往往會對ZCU 造成很高的通信負載，設計復雜度變高，一旦崩潰會危及車輛安全［3］。同時端口數(shù)均衡，有利于整車總體設計時switch 的統(tǒng)一選型，提高ZCU 的通用性和后續(xù)架構升級的可擴展性，有效避免資源浪費，降低成本。但是考慮到總體設計，某些位置的傳感器可能確實多于其他位置，因此允許有一個switch 的端口數(shù)較多，其余switch 的端口數(shù)要盡可能的平均。為了保證環(huán)網(wǎng)架構和每個ZCU 的有效性，保證每個ZCU 必須與至少一個傳感器或DCU 連接，將最小端口數(shù)約束為4。為了避免出現(xiàn)端口數(shù)極端分散的情況，提高求解效率，約束最多只能有兩個ZCU 可能出現(xiàn)連接1 個傳感器或DCU 的情況，將最大端口數(shù)約束為13。最終得到switch 端口數(shù)量的適應度函數(shù)和約束如式（5）所示：

式 中：port_numberi表示第i個switch 的端口數(shù)；port_numberi′表示去掉最大端口數(shù)之后的第i個switch的端口數(shù)。

（2）負載模型

骨干網(wǎng)絡上的負載分布均衡可以有利于減少信息流之間的影響，提高架構總體的安全性。骨干網(wǎng)負載分配的適應度函數(shù)被定義為

（3）延時模型

在車載通信中希望信息流的端到端延時越低越好，延時適應度的求解就是對流量調度問題的求解，具體建模和求解過程在下一章詳細說明。用式（7）表示端到端延時的適應度函數(shù)。

根據(jù)以上推導，對于3 個目標函數(shù)都取最小值，輸入變量為DCU和傳感器相對于4個ZCU的連接關系，連接關系必須遵從鄰接矩陣，因此確定多目標優(yōu)化的約束函數(shù)及約束如式（8）所示：

式中α，β，γ為權重系數(shù)。

2 基于多種群遺傳算法求解TSN流量調度問題

2.1 TSN流量調度問題數(shù)學構建

本文中對TSN 信息流的流量調度基于TAS，車載網(wǎng)絡一經(jīng)確定通常不會發(fā)生改變，基于TAS 的流量調度能夠確定每個信息流的每次傳輸?shù)膫鬏敃r間和延時，信息流實時性和確定性極高。傳統(tǒng)JSP 問題不考慮周期問題因此不能直接用于流量調度問題的求解，本文在傳統(tǒng)JSP 模型基礎上添加周期性約束，將流量調度問題抽象為周期性的JSP 模型，如圖5 所示。將信息流抽象為需要作業(yè)的工件，將每個發(fā)送端口抽象為機器，將信息流的路由過程抽象為工序。流量調度問題需要滿足JSP 問題的基本規(guī)則［22］：（1）每個switch 的端口同一時刻只能發(fā)送一幀數(shù)據(jù)，同一幀數(shù)據(jù)同一時刻只能在一個發(fā)送端口中；（2）信息流的發(fā)送過程一旦開始不得中斷，數(shù)據(jù)流的抖動為0。流量調度問題也引入了一下新規(guī)則：（1）不同于JSP 問題工件必須在上一步加工時間全部完成后才可以進行下一步加工，流量調度問題的信息路由下一跳在信息流的第一幀發(fā)送完成后就可以開始；（2）周期性的信息首次發(fā)送的時間是自由的但是后續(xù)周期的發(fā)送時間需要滿足的約束如式（9）所示。

圖5 流量調度問題抽象的JSP模型

式中：tk，n，1表示fk的第n個周期第一跳的發(fā)送開始時間；tk，n，last表示fk的第n個周期最后一跳的發(fā)送開始時間；tk，1，1表示fk首次發(fā)送時間；tlast_arrive表示超周期內的最后一幀信息到達的時間；Hyper_Period代表信息流的超周期，是所有流發(fā)送周期的最小公倍數(shù)，一個超周期內的最后一幀信息到達的時間必須小于超周期，這樣避免影響新周期在零時刻開始。

流量調度問題的約束函數(shù)為各優(yōu)先級的通信流的端到端延遲最小，如式（10）所示：

式中：ω1、ω2和ω3是3種信息流延時的權重系數(shù)；FH、FM、FL分別代表上述3 種優(yōu)先級的信息流的集合；dfk表示fk的端到端延時；D表示信息流的截止時間。

2.2 適用于流量調度的多種群遺傳算法求解

遺傳算法（GA）是一種模擬生物邏輯進化的隨機搜索技術，具有很強的全局搜索能力［23］。但是種群的初始化、交叉算子Pc和變異算子Pm對于算法能否獲得全局最優(yōu)的影響極大［24］。為了擺脫對初始化和交叉變異概率的依賴，本文中提出適用于流量調度的多種群遺傳算法（MPGA），該算法突破單個種群的進化框架，引入多個種群進行優(yōu)化搜索的同時為不同種群賦予同的交叉變異概率，使算法兼顧全局搜索和局部搜索。各個種群之間通過移民算子實現(xiàn)協(xié)同優(yōu)化。

成千上萬匹蒙古馬聚集在一起，呼嘯奔騰，那是一幅奔騰的美、力量的美交織在一起的奇異畫面。如今，經(jīng)過歷史的沉淀與實踐的熔鑄，“蒙古馬精神”已融入各族人民的血脈，成為各族群眾團結奮斗、開拓進取的重要精神源泉與紐帶。隨著時代的發(fā)展，“蒙古馬精神”的內在價值和重要性更加凸顯出來。弘揚“蒙古馬精神”，已經(jīng)成為時代的需要。

MPGA 的總體架構如圖6 所示。以NP個種群為例，這些種群收尾相連，每個種群都是單獨進化的，但是在每次迭代后，將Pi+1的最差解替換為Pi的最優(yōu)解，對于PNp則是將最優(yōu)解傳遞給P1。通過最優(yōu)種群的遷移和各種種群獨立進化，MPGA 能夠避免陷入局部最優(yōu)，提高優(yōu)化效果，加快了收斂速度。

圖6 MPGA總體框架

本文的編碼方式采用基于工序的編碼方式，每個染色體是所有信息流發(fā)送順序的一個排列，例如34321表示先傳輸流3的第1跳，接著傳輸流4的第1跳，再接著傳輸流3 的第2 跳，依此類推。不同于傳統(tǒng)的JSP 問題，流量調度問題必須考慮周期問題，在編碼時需要將超周期內的信息流fi的所有傳輸都進行考慮，在一個染色體中fi出現(xiàn)次數(shù)與自身周期有關，如式（11）所示：

式中：Ki是染色體中fi總的出現(xiàn)次數(shù)；ki是fi每次發(fā)送需要經(jīng)過的switch 端口數(shù)。在解碼過程中第n次出現(xiàn)的第i個信息流，通過n與ki相除的商和余數(shù)獲得發(fā)送周期和發(fā)送節(jié)點。根據(jù)發(fā)送周期、上一跳完成的時間和發(fā)送端口的占用情況確定本次發(fā)送的開始時間。

選擇操作選用混合錦標選擇和最佳個體保存兩種方式。交叉方式選擇基于工序編碼的交叉算子（POX），它能夠很好地繼承父代的優(yōu)良特征同時保證子代的可行性［25］。變異操作采用互換變異，隨機選擇一個基因然后將其插入到一個隨機的位置。由于大規(guī)模網(wǎng)絡的染色體長度通常很長，因此本文選擇每次變異的基因個數(shù)為染色體總長度的2%。在迭代結束后，對所有種群的最優(yōu)解進行比較，選擇適應度最低染色體所代表的調度策略作為本次求解的最優(yōu)解。

3 網(wǎng)絡架構多目標優(yōu)化框架與求解

3.1 網(wǎng)絡架構多目標優(yōu)化框架構建

本文中構建了基于改進NSGA-II算法求解的網(wǎng)絡架構多目標優(yōu)化框架，優(yōu)化框架如圖7 所示。優(yōu)化輸入的初值為傳感器、控制器的鄰接矩陣，對于鄰接矩陣定義以下連接原則：（1）傳感器與switch 的連接并不是以距離最近為連接依據(jù)而是兼顧周圍的switch，位于車身的傳感器都與相鄰的兩個switch 存在連接的可能，而位于車內的攝像頭等傳感器與4個switch 都存在連接的可能；（2）DCU 的位置是自由的，因此也與4個ZCU都存在連接的可能。

圖7 網(wǎng)絡架構多目標優(yōu)化框架

根據(jù)鄰接矩陣，首先通過NSGA-II 算法的編碼過程獲得可行的網(wǎng)絡架構模型，生成初始種群。然后使用MPGA 算法求解每個架構的TSN 流量調度，獲得各信息流延時。接著將MPGA 的求解結果用于計算NSGA-II 的延時適應度。根據(jù)負載、端口和延時的適應度對架構進行非支配排序選擇，通過改進的自適應交叉變異因子對種群進行反復迭代。在NSGA-II收斂后輸出Pareto前沿解的網(wǎng)絡架構。

3.2 基于改進NSGA-II算法的多目標優(yōu)化求解

NSGA-II 算法是一種基于Pareto 最優(yōu)解的多目標優(yōu)化算法。傳統(tǒng)的NSGA-II算法的交叉變異通常是盲目的，這可能會破壞最優(yōu)解，同時使迭代結果陷入局部最優(yōu)［26］。因此本文中提出具有自適應交叉變異的改進NSGA-II 算法，加強算法的搜索能力和加快收斂速度。

本算法的編碼方式為染色體中第i個基因所代表的數(shù)值j代表節(jié)點i與節(jié)點j連接，其中i∈N，j∈Ns，i≠j且Aij=1。例如4321 的染色體表示傳感器1 與ZCU4 相連，傳感器2 與ZCU3 相連，依此類推。在種群的初始化設計中考慮端口數(shù)的約束，保證所有染色體都滿足約束可以快速過濾到很多無效解，提高種群質量，加快求解速率。采用快速非支配排序算法進行排序，使用錦標賽選擇算法，優(yōu)先選擇支配等級低的個體，當支配等級相同時，選擇擁擠距離大的個體。

為了提高求解效果，加快收斂速度，將個體擁擠距離與該個體所在的支配等級的擁擠距離的平均值作對比，引入迭代因子I和擁擠因子D，實現(xiàn)交叉變異概率根據(jù)擁擠距離和進化次數(shù)的自適應調節(jié)。I和D分別如式（12）和式（13）所示：

式中：G表示總的迭代次數(shù)；t表示當前代數(shù)；Dj（t）表示當前解的擁擠距離。自適應調節(jié)的基本理念是在進化初期使用較大的交叉變異概率提高搜索能力，在進化后期使概率趨向于平均值。對擁擠距離較小的個體，選擇較大的交叉和變異概率，提高搜索能力；對擁擠距離較大的個體，選用小的交叉和變異概率防止破壞該解。因此自適應交叉和變異概率如式（14）和式（15）所示：

式中：Pc代表交叉概率；Pm代表變異概率。改進NSGA-II 算法求解網(wǎng)絡架構多目標優(yōu)化的流程如圖8所示。

圖8 改進NSGA-II求解網(wǎng)絡架構多目標優(yōu)化流程

4 仿真驗證

因為流量調度問題輸出的延時是架構多目標參數(shù)優(yōu)化的基礎，所以在本章首先驗證MPGA 求解的優(yōu)越性。選用的仿真場景為基于專家經(jīng)驗設計的架構拓撲，如圖9 所示。鏈路上的信息流如表1 所示。然后對網(wǎng)絡架構多目標優(yōu)化框架進行驗證，驗證場景是圖 3 介紹的車輛。最后對Pareto 前沿解所代表的網(wǎng)絡架構進行了分析比較，提出了一種網(wǎng)絡架構設計思路。

圖9 基于專家經(jīng)驗設計的網(wǎng)絡架構示意圖

4.1 基于MPGA求解TSN流量調度驗證

（1）仿真參數(shù)

本部分選用的對比算法是已經(jīng)在其他流量調度求解研究中使用的禁忌搜索算法（TS）［10］、蟻群優(yōu)化算法（ACO）［11］和傳統(tǒng)遺傳算法（GA）［19］。本文中提出的MPGA 使用4個種群，每個種群數(shù)100，4個種群的交叉概率分別為（0.7，0.85，0.9，0.95），變異概率分別為（0.3，0.15，0.1，0.05）。

（2）仿真結果

MPGA 與對比算法的收斂結果對比如圖10 所示。從圖中可見，MPGA 在前20 回合適應度下降速率明顯高于其他算法，是所有算法中收斂最快的。MPGA 收斂后的適應度是所有算法中最低的，相比于GA提升了16%，調度效果最好。同時MPGA 的初始適應度最高，初始種群質量最差，但是結果最優(yōu)，這說明相比于其他對比算法，MPGA 擺脫初始種群限制的能力更強。

圖10 MPGA與對比算法的收斂結果對比

MPGA 與對比算法的各類信息流的端到端平均延時如圖11 所示。總體來看所有算法求解的優(yōu)先級最高的兩個控制信號延時都很低，遠遠小于其他信號。安全不相關的50 ms 信號延時高于周期和數(shù)據(jù)量都相同毫米波雷達和數(shù)據(jù)量更大的攝像頭信息流，說明了調度策略能夠滿足優(yōu)先級要求。激光雷達的平均延時大于同優(yōu)先級的其他數(shù)據(jù)，甚至大于低優(yōu)先級信息的原因是：信息流一旦開始傳輸，不允許被打斷，傳輸抖動為0。激光雷達的數(shù)據(jù)量非常大，一旦優(yōu)先傳輸會增加其他數(shù)據(jù)流的傳輸延時。另外在確定信息流在某一跳的傳輸開始時間時，會在滿足最小開始時間且不影響已經(jīng)調度的流的前提下，將信息流插入到switch兩個信息流的發(fā)送間隔中，而激光雷達的傳輸時間過長導致很難被插入，因此通常會被放置在該switch的已經(jīng)調度的最后一個流的結束，這也導致排隊延時增大。MPGA 求解的激光雷達的平均延時是發(fā)送周期的4%，但是由于文中的策略保證了零抖動，所以認為該現(xiàn)象是可以接受的。相比于對比策略，MPGA 在保證激光雷達延時明顯降低的同時，保證了其他信息流的延時，尤其是高優(yōu)先級控制信息流的延時是最低的，調度效果明顯提升。

圖11 MPGA與對比策略中信號流平均延時對比

以上結果得益于移民因子定期會將種群中的較差解移除，同時引入了別的種群的較優(yōu)解，使得每個種群在每次迭代中都有更大概率探索出更優(yōu)解。另外每個種群不同的交叉變異參數(shù)讓算法兼顧全局探索與局部探索，保證了種群的多樣性，解決了容易早熟、對初始化種群依賴性較強的問題。

4.2 面向TSN的網(wǎng)絡架構多目標優(yōu)化驗證

（1）仿真參數(shù)

Improved-NSAG-II 的最大交叉概率為0.95，最小交叉概率為0.75，最大變異概率為0.2，最小變異概率為0.1。作為對比算法的NSAG-II 的交叉變異概率是改進算法的平均值分別為0.85 和0.15。兩種算法的種群數(shù)都設置為200。

（2）自適應交叉變異有效性驗證

Improved-NSAG-II 和NSGA-II 的負載適應度與延時適應度對比如圖12 和圖13 所示。兩個算法求解的兩個適應度的最低值是相等的，但是改進算法在兩個適應度上獲得最低值的回合數(shù)均提升25%左右，充分說明改進的交叉變異概率能夠更合理地進行全局和局部探索，使算法更快收斂到最優(yōu)點。

圖12 負載適應度對比

圖13 延時適應度對比

（3）Pareto前沿解對比分析

本部分首先根據(jù)仿真結果分析負載、端口和延時之間的聯(lián)系，然后對Pareto 前沿中的幾個典型拓撲進行對比分析，最后總結了負載占用、端口數(shù)和延時對架構設計的影響。

Improved-NSAG-II 的Pareto 前沿解分布如圖14～圖16 所示。從圖14 中可以看出Pareto 前沿解的端口適應度與延時適應度基本成反比。從圖15 中可以看出端口數(shù)適應度越大，負載利用適應度越小。延時適應度越小代表各種信息流的總體延時越小，負載適應度越小代表負載的分布更加均勻。端口數(shù)目的適應度函數(shù)主要與最大端口數(shù)和剩余端口數(shù)的均方差有關，其中最大端口數(shù)主要影響了端口的適應度函數(shù)的整數(shù)部分，端口適應度函數(shù)越大，最大端口上連接的傳感器數(shù)量越多。這導致更多的傳感器與功能域控制器能夠直接連在同一個switch 上，信息路由的跳數(shù)少，降低了排隊延時。同時需要通過骨干網(wǎng)絡傳輸?shù)男畔⒘恳矔p少，這也更有利于骨干網(wǎng)絡的負載均勻分配。圖16 中延時適應度較低的個體集中在負載利用適應度較低的區(qū)域，這是因為均勻的負載分配能夠減小每條線路上的排隊延時。

圖14 延時與端口Pareto前沿圖

圖15 負載與端口Pareto前沿圖

圖16 延時與負載Pareto前沿圖

表2 中分別列出了負載最均衡、延時最低、端口數(shù)均衡的解，端口分配的數(shù)組中分別對應4 個域控制器連接的傳感器數(shù)量，Pareto 端口均衡拓撲1-3都是僅有兩種不同的端口數(shù)，因此認為它們具有相同的價值。

表2 Pareto前沿解拓撲對比

相比于上文基于專家經(jīng)驗設計的拓撲，通過Improved-NSAG-II 求解的拓撲在延時上都具有明顯的優(yōu)勢。延時最低拓撲和負載最均衡拓撲都出現(xiàn)在ZCU2 達到最大端口數(shù)約束時，但是它們端口分布過于分散。此外，負載適應度降低雖然有助降低延時適應度，但是負載適應度低并不代表著延時適應度一定低。這是因為減少路由距離可以有效減小排隊延時，因此算法會將無法直接連接在同一個域控制器上的兩個終端盡可能地連接在相鄰的區(qū)域控制器上，對于必須進行多跳路由的信號則選擇數(shù)據(jù)量小的。這導致信息集中在連接兩個控制器之間的骨干網(wǎng)上，從而造成負載分配不均，最大負載變大。

圖17 對比了這6 個拓撲的各類信息流的延時。延時最低拓撲的各個信息流的延時都是最低的，負載均衡拓撲次之。隨著最大端口數(shù)的增大，端口均衡拓撲3 相比于拓撲1 和拓撲2 各個信息流的平均延時也明顯降低。不同于基于專家經(jīng)驗設計拓撲的延時，這5 個拓撲中激光雷達的平均延時非常低，只有傳輸延時12 μs，這是因為這5 種拓撲都選擇將激光雷達與MDC 連接到同一個switch 上，沒有排隊延時，同時激光雷達的信息流對其余信息流的影響也降到了最低。因此雖然專家設計拓撲的其余信息流的延時都低，但是由于激光雷達的高延時導致總體延時高于端口均衡拓撲1，這也說明了對于傳輸效果的優(yōu)化不僅在于提升調度算法，更重要的是對網(wǎng)絡拓撲進行優(yōu)化。

圖17 各類信號流平均延時對比圖

根據(jù)以上試驗結果，對端口數(shù)、負載占用和延時對架構設計的影響進行歸納并提出以下設計思路：（1）延時最低和負載分配最均勻的情況下通常switch 的端口數(shù)分配分散，會出現(xiàn)一個switch 的端口數(shù)很多，與它不直接相連的switch 的端口數(shù)很少的情況，但是這不利于ZCU 設計的成本、可拓展性和安全性，在設計時，ZCU 的switch 端口數(shù)目應當盡可能設計的一致；（2）在保證端口數(shù)分布均勻的情況下，為了降低總體延時，可以提高最大端口數(shù)，將數(shù)據(jù)量大的信息流與接收終端連接到同一個switch上，例如本文的仿真結果將激光雷達與MDC 連接到同一個ZCU 上，總體延時降低明顯；（3）負載均勻通?？梢越档脱訒r，但是也存在為了降低排隊延時而造成的某段網(wǎng)絡負載變高的情況。在延時能夠接受的情況下，應選擇負載均衡的拓撲，這更有助于應對突發(fā)的數(shù)據(jù)流。

5 結論

本文針對面向TSN 的區(qū)域-功能域電子電氣架構從端口、負載和延時3 個角度構建了網(wǎng)絡架構多目標優(yōu)化框架。提出了適用于流量調度問題的多種群遺傳算法求解信息流延時，并將求解的延時用于多目標優(yōu)化中延時適應度的計算，相比于傳統(tǒng)遺傳算法求解效果提高16%?；诟倪MNSGA-II算法求解了架構拓撲多目標優(yōu)化，引入自適應交叉變異概率對算法進行改進，優(yōu)化效率提高了25%。最后仿真結果證明了該優(yōu)化框架的有效性，總結了端口、負載和延時對架構設計的影響并提出了面向TSN的車載以太網(wǎng)網(wǎng)絡架構設計思路。在未來的研究中，將進一步考慮成本、功能安全等更多的優(yōu)化目標。將TSN 的冗余機制引入架構優(yōu)化設計，進一步提高架構設計的可靠性和安全性。