本發(fā)明屬于工業(yè)物聯(lián)網(wǎng)，涉及一種基于改進(jìn)決策樹id3算法的工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配方法。

背景技術(shù)：

1、隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展，工業(yè)生產(chǎn)對數(shù)據(jù)傳輸要求越來越高。未來的工業(yè)網(wǎng)絡(luò)將支持具有多種通信需求的應(yīng)用程序和服務(wù)，而采用單一通信技術(shù)很難滿足這些需求，構(gòu)建異構(gòu)網(wǎng)絡(luò)勢在必行。除此之外，現(xiàn)有很多工業(yè)無線網(wǎng)絡(luò)和工業(yè)有線網(wǎng)絡(luò)，特別是時間敏感網(wǎng)絡(luò)是近幾年工業(yè)網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn)，其通過一系列關(guān)鍵技術(shù)保證了數(shù)據(jù)傳輸?shù)拇_定性。多種網(wǎng)絡(luò)融合，可既滿足工廠移動設(shè)施的通信需求，又滿足工業(yè)控制對可靠性的嚴(yán)格要求。然而，兩套不同網(wǎng)絡(luò)要融合成為一個異構(gòu)網(wǎng)絡(luò)，就要對整個異構(gòu)網(wǎng)絡(luò)的信息流進(jìn)行聯(lián)合調(diào)度，以避免譬如碰撞、擁塞等問題，保證信息流的正常傳輸。但是，隨著技術(shù)和時代的發(fā)展，運(yùn)用在工業(yè)網(wǎng)絡(luò)服務(wù)系統(tǒng)中時，單一的異構(gòu)網(wǎng)絡(luò)調(diào)度缺乏一種靈活性、高效性以及智能化的匹配選擇。因此，既能保證異構(gòu)網(wǎng)絡(luò)在聯(lián)合調(diào)度要求的同時又要滿足用戶的多樣化、智能化以及高效性的選擇成為了當(dāng)下的一個挑戰(zhàn)。

2、機(jī)器學(xué)習(xí)作為一種實(shí)現(xiàn)人工智能的方法被廣泛的應(yīng)用于通信網(wǎng)絡(luò)調(diào)度的預(yù)測分析，科學(xué)的決策是現(xiàn)代管理者的一項(xiàng)重要職責(zé)，而機(jī)器學(xué)習(xí)分類方法中的決策樹算法作為一種決策技術(shù)，能夠有效的通過計(jì)算控制決策帶來的風(fēng)險，最終選出效益最大的決策結(jié)果。

3、多種異構(gòu)網(wǎng)絡(luò)調(diào)度算法集成在一個工業(yè)異構(gòu)網(wǎng)絡(luò)的調(diào)度系統(tǒng)中大大減少了網(wǎng)絡(luò)切換過程中的數(shù)據(jù)延時，由于工業(yè)網(wǎng)絡(luò)中通常存在多種不同類型的工業(yè)以太網(wǎng)網(wǎng)絡(luò)、工業(yè)有線網(wǎng)絡(luò)和工業(yè)無線網(wǎng)絡(luò)，不同網(wǎng)絡(luò)進(jìn)行跨網(wǎng)調(diào)度的時候也存在各種不同的調(diào)度算法，針對不同用戶的網(wǎng)絡(luò)調(diào)度需求往往需要進(jìn)行多種異構(gòu)網(wǎng)絡(luò)調(diào)度算法的切換選擇，如何快速、高效、準(zhǔn)確的根據(jù)用戶調(diào)度需求匹配最優(yōu)調(diào)度算法問題也未能得到很好的解決。因此，為解決工業(yè)網(wǎng)絡(luò)傳輸?shù)募磿r性，實(shí)現(xiàn)工業(yè)自動化和智能化選擇，亟需研究一種工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配方法應(yīng)用于工業(yè)異構(gòu)網(wǎng)絡(luò)的調(diào)度系統(tǒng)當(dāng)中。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于改進(jìn)決策樹id3算法的工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配方法，服務(wù)于工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度系統(tǒng)，協(xié)同調(diào)度系統(tǒng)作為控制核心，部署在工業(yè)軟件定義控制器(isdc)中，運(yùn)行在控制面，對網(wǎng)絡(luò)狀態(tài)信息進(jìn)行計(jì)算并生成調(diào)度表。

2、為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于改進(jìn)決策樹id3算法的工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配方法，包括以下步驟：

4、s1：用戶在工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度子系統(tǒng)前端搭建網(wǎng)絡(luò)拓?fù)溥x擇使用場景，輸入調(diào)度需求；

5、s2：工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度子系統(tǒng)根據(jù)用戶調(diào)度需求進(jìn)行傳參，構(gòu)建并訓(xùn)練基于改進(jìn)決策樹id3算法的工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配模型；

6、s3：將工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配預(yù)測模型部署到工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度子系統(tǒng)后端并添加環(huán)境依賴，工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度子系統(tǒng)前端通過api端點(diǎn)傳遞需求信息，工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配預(yù)測模型接收參數(shù)并匹配結(jié)果返回工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度子系統(tǒng)前端。

7、進(jìn)一步，步驟s1中，用戶在工業(yè)異構(gòu)網(wǎng)絡(luò)協(xié)同調(diào)度子系統(tǒng)前端搭建網(wǎng)絡(luò)拓?fù)溥x擇使用場景，包括工業(yè)有線網(wǎng)絡(luò)與工業(yè)無線網(wǎng)絡(luò)的調(diào)度，然后對調(diào)度需求進(jìn)行勾選或輸入，作為工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法的輸入特征參數(shù)。

8、進(jìn)一步，步驟s2具體包括以下步驟：

9、s21：收集工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)數(shù)據(jù)，作為工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配函數(shù)模型的訓(xùn)練數(shù)據(jù)集d和測試數(shù)據(jù)集v，然后進(jìn)行預(yù)處理；

10、s22：計(jì)算各工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)的信息增益g(d|wi)，選取對訓(xùn)練數(shù)據(jù)具有分類能力的算法輸入特征參數(shù)；

11、s23：采用遞歸的方法，選擇信息增益最大的特征參數(shù)作為當(dāng)前節(jié)點(diǎn)的確定標(biāo)準(zhǔn)，直到滿足停止約束條件達(dá)到預(yù)定擬合效果，由此創(chuàng)建一棵決策樹；

12、s24：采用后剪枝算法當(dāng)中的代價復(fù)雜度剪枝ccp對id3算法進(jìn)行改進(jìn)，在創(chuàng)建決策樹時對節(jié)點(diǎn)進(jìn)行條件判斷是否需要剪枝，對決策樹id3算法進(jìn)行參數(shù)的修改和調(diào)整，當(dāng)達(dá)到預(yù)測的擬合效果后，得到基于改進(jìn)決策樹id3算法的工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配模型算法。

13、進(jìn)一步，步驟s21中，用戶從各個異構(gòu)網(wǎng)絡(luò)調(diào)度的測試用例庫或從公共數(shù)據(jù)集平臺，收集工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)數(shù)據(jù)，作為工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配模型的輸入，將此數(shù)據(jù)集定義為機(jī)器學(xué)習(xí)模型的數(shù)據(jù)特征集w，其表式為：

14、w＝{c1,c2,c3,…cn}

15、cn表示工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入的特征參數(shù)，n代表在特定的工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法中的參數(shù)個數(shù)；

16、將數(shù)據(jù)特征集w劃分為訓(xùn)練數(shù)據(jù)集d和測試數(shù)據(jù)集t；然后對數(shù)據(jù)的缺失值、標(biāo)準(zhǔn)化、歸一化處理。

17、進(jìn)一步，步驟s22中具體包括以下步驟：

18、s221：將工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)匹配出的隨機(jī)調(diào)度算法結(jié)果稱為輸入調(diào)度算法特征參數(shù)的經(jīng)驗(yàn)熵，計(jì)算工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)數(shù)據(jù)集的經(jīng)驗(yàn)熵h(d)，用l(ri)表示為出現(xiàn)某一個調(diào)度算法結(jié)果的期望值，其表達(dá)式為：

19、l(ri)＝-log2p(ri)

20、其中p(ri)表示出現(xiàn)調(diào)度算法ri的結(jié)果概率，通過上式疊加得到工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法的所有匹配結(jié)果的信息期望值即熵，其表達(dá)式為：

21、

22、當(dāng)信息期望值的概率由訓(xùn)練集計(jì)算得到時，所對應(yīng)的熵成為經(jīng)驗(yàn)熵，訓(xùn)練集為d，則該訓(xùn)練集的經(jīng)驗(yàn)熵為h(d)，|d|表示該訓(xùn)練集樣本容量大小，其中調(diào)度算法輸入?yún)?shù)特征集w＝{c1,c2,c3,…cn}，|ci|表示在訓(xùn)練集d中特征為ci的樣本個數(shù)，經(jīng)驗(yàn)熵的公式寫為：

23、

24、s222：計(jì)算工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)數(shù)據(jù)集的條件熵，條件熵h(y|x)表示在已知隨機(jī)變量x的條件下隨機(jī)變量y的不確定性；

25、隨機(jī)變量x表示為調(diào)度算法輸入?yún)?shù)特征集w＝{c1,c2,c3,…cn}中的隨機(jī)可能取值，y代表當(dāng)x取值為特征集w中的某一特定值時，匹配結(jié)果為工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法集合r中的某一特定值ri，定義為x給定條件下y的條件概率分布的熵對x的數(shù)學(xué)期望：

26、

27、p(ri)表示為取值為特征集w中的某一特定值時，匹配結(jié)果為工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法集合r中的某一特定值ri的概率分布，即x＝ci時對應(yīng)y＝ri的概率分布，設(shè)|ci|為當(dāng)輸入特征參數(shù)值為ci的樣本容量大小，為參數(shù)特征為ci，調(diào)度算法匹配結(jié)果為ri的樣本容量大?。?/p>

28、

29、當(dāng)條件熵的概率由訓(xùn)練集計(jì)算得到時，所對應(yīng)的熵成為條件經(jīng)驗(yàn)熵，設(shè)|d|為工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)訓(xùn)練集的樣本容量大小，工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)數(shù)據(jù)集的條件經(jīng)驗(yàn)熵的公式寫為：

30、

31、s223：計(jì)算工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入特征參數(shù)數(shù)據(jù)集的目標(biāo)值信息增益，即調(diào)度算法的最優(yōu)輸入特征參數(shù)；工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入?yún)?shù)特征集w中的特征cn對調(diào)度算法匹配函數(shù)模型的訓(xùn)練數(shù)據(jù)集d的信息增益為g(d|w)，定義為調(diào)度算法匹配函數(shù)模型的訓(xùn)練數(shù)據(jù)集d的經(jīng)驗(yàn)熵h(d)與工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法輸入?yún)?shù)特征集w給定條件下d的經(jīng)驗(yàn)條件熵h(d|w)之差，即：

32、g(d|w)＝h(d)-h(d|w)

33、特征為cn的信息增益公式為：

34、

35、計(jì)算比較特征集中每一個參數(shù)特征的信息增益大小，選擇wi中的最大信息增益值作為最優(yōu)特征。

36、進(jìn)一步，步驟s23中，決策樹生成后，依據(jù)根節(jié)點(diǎn)特征參數(shù)的不同取值建立決策樹分枝：采用遞歸的方法，以選擇信息增益最大的特征參數(shù)作為當(dāng)前節(jié)點(diǎn)的確定標(biāo)準(zhǔn)，對分支節(jié)點(diǎn)不斷進(jìn)行劃分，直到所有的分枝節(jié)點(diǎn)子集中的數(shù)據(jù)的調(diào)度需求類別相同，由此構(gòu)造完成一棵決策樹；

37、改進(jìn)決策樹id3算法的約束停止條件有：如果樹的深度達(dá)到設(shè)定的闕值；如果該節(jié)點(diǎn)的子節(jié)點(diǎn)所含特征參數(shù)小于設(shè)定的闕值；如果沒有特征參數(shù)能滿足設(shè)定的分裂準(zhǔn)則的闕值；

38、若滿足決策樹停止約束條件，不再對剩下的數(shù)據(jù)集進(jìn)行劃分，將此特征作為葉子節(jié)點(diǎn)；

39、若不滿足決策樹停止約束條件，設(shè)此分支的最優(yōu)特征參數(shù)為a，將a中所有取值的訓(xùn)練集作為新的訓(xùn)練集，特征集w中除掉a剩下的特征集作為新的特征集ai，然后遞歸地構(gòu)建子樹；在每個節(jié)點(diǎn)處，根據(jù)最佳分裂特征將數(shù)據(jù)集劃分為兩個或多個子集，然后對每個子集遞歸地執(zhí)行這一過程，直到滿足終止條件。

40、進(jìn)一步，步驟s24中，決策樹開始生成后，從根節(jié)點(diǎn)到生成每一個分支的葉子節(jié)點(diǎn)前計(jì)算所有節(jié)點(diǎn)誤差率增益值，判斷該分支的誤差率增益值是否小于最小的非葉子節(jié)點(diǎn)，若不滿足則輪詢遍歷其他非葉子節(jié)點(diǎn)，直到滿足剪枝條件后再對該分支進(jìn)行剪枝操作，通過剪枝來修改和優(yōu)化算法模型參數(shù)；使用測試數(shù)據(jù)集t評估決策樹的性能通過評估工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配預(yù)測模型的準(zhǔn)確率、召回率、f1值對決策樹進(jìn)行調(diào)整，包括進(jìn)行重新剪枝或重新訓(xùn)練，從而對算法參數(shù)的調(diào)整和優(yōu)化，得到工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配預(yù)測模型。

41、進(jìn)一步，步驟s24中，采用代價復(fù)雜度剪枝ccp方法進(jìn)行剪枝，ccp選擇節(jié)點(diǎn)表面誤差增益值最小的非葉子節(jié)點(diǎn)，刪除該非葉子節(jié)點(diǎn)的左右子節(jié)點(diǎn)，若有多個非葉子節(jié)點(diǎn)的表面誤差率增益值相同，則選擇非葉子節(jié)點(diǎn)中子節(jié)點(diǎn)最多的非葉子節(jié)點(diǎn)進(jìn)行剪枝，剪枝過程中將子樹刪除，用一個葉子結(jié)點(diǎn)來替代，該結(jié)點(diǎn)的類別同樣也可以通過測試集上的準(zhǔn)確率來判斷，如果剪枝過后準(zhǔn)確率有提升，則進(jìn)行剪枝；

42、ccp算法為子樹tt定義代價和復(fù)雜度，以及一個衡量代價與復(fù)雜度之間關(guān)系的參數(shù)α：從決策樹分支t0開始自下而上不斷剪枝直到t0的根節(jié)點(diǎn)，形成一個子樹序列{t0,t1,…,tn}，然后逐個遍歷對比非葉子節(jié)點(diǎn)上的誤差率增益值，判斷分支t0是否小于遍歷中的最小值，從而對該分支進(jìn)行剪枝，計(jì)算分類的誤差率增益值數(shù)學(xué)推導(dǎo)公式如下：

43、

44、α衡量的是每個節(jié)點(diǎn)所能減少的分類誤差率增益值，e(t)表示葉子節(jié)點(diǎn)的誤差代價，e(tt)則表示子樹的誤差代價，e(t)為節(jié)點(diǎn)的錯誤率，p(t)為節(jié)點(diǎn)的數(shù)量占比，n(t)表示決策樹葉子節(jié)點(diǎn)總數(shù)；α越小，說明該節(jié)點(diǎn)所能減少的分類誤差率越??；當(dāng)α＝0時，e(t)＝e(tt)，進(jìn)行剪枝，并將該節(jié)點(diǎn)作為葉子節(jié)點(diǎn)。

45、進(jìn)一步，步驟s3中，將工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配預(yù)測模型部署在工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度系統(tǒng)的后端，包括以下步驟：

46、s31：在項(xiàng)目中添加與web開發(fā)和機(jī)器學(xué)習(xí)加載相關(guān)環(huán)境依賴，來實(shí)現(xiàn)兩種機(jī)器語言的交互；

47、s32：在工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度系統(tǒng)后端加載工業(yè)異構(gòu)網(wǎng)絡(luò)調(diào)度算法匹配預(yù)測模型，將模型以文件的形式保存并直接調(diào)用該輸出文件；

48、s33：通過設(shè)計(jì)api端點(diǎn)，創(chuàng)建一個服務(wù)類封裝對api的調(diào)用，將輸入數(shù)據(jù)轉(zhuǎn)換為適當(dāng)?shù)母袷?，發(fā)送請求，并將響應(yīng)轉(zhuǎn)換對象，確保能夠正常接收輸入并返回預(yù)測結(jié)果；

49、s34：確保從后端應(yīng)用到調(diào)取模型服務(wù)的通信正常工作，機(jī)器學(xué)習(xí)模型的推理結(jié)果符合預(yù)期，根據(jù)需要優(yōu)化模型服務(wù)的性能。

50、本發(fā)明的有益效果在于：本發(fā)明針對不同用戶的網(wǎng)絡(luò)調(diào)度需求往往需要進(jìn)行多種異構(gòu)網(wǎng)絡(luò)調(diào)度算法的切換選擇，快速、高效、準(zhǔn)確的根據(jù)用戶調(diào)度需求匹配最優(yōu)調(diào)度算法問題，提高了工業(yè)網(wǎng)絡(luò)傳輸?shù)募磿r性，實(shí)現(xiàn)了工業(yè)自動化和智能化選擇。

51、本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說明書中進(jìn)行闡述，并且在某種程度上，基于對下文的考察研究對本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可以通過下面的說明書來實(shí)現(xiàn)和獲得。