CN109376374B - 一种基于多射频通信的多用户计算迁移方法 - Google Patents
一种基于多射频通信的多用户计算迁移方法 Download PDFInfo
- Publication number
- CN109376374B CN109376374B CN201811017232.2A CN201811017232A CN109376374B CN 109376374 B CN109376374 B CN 109376374B CN 201811017232 A CN201811017232 A CN 201811017232A CN 109376374 B CN109376374 B CN 109376374B
- Authority
- CN
- China
- Prior art keywords
- user
- radio frequency
- sub
- migration
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013508 migration Methods 0.000 title claims abstract description 66
- 230000005012 migration Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004891 communication Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 230000009286 beneficial effect Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 3
- 240000000037 Prosopis spicigera Species 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于移动云计算领域,具体涉及一种基于多射频通信的多用户计算迁移方法,包括以下步骤:控制器依据收集到的全体用户信息及***的目标,利用基于参数分析的多射频多用户计算迁移建模方法对多射频多用户计算迁移问题进行建模,得到初始问题模型Θ;控制器根据上一步得到的初始问题模型Θ的特点,利用基于McCormick envelope的松弛与线性化方法对模型进行松弛与转化,得到松弛后的问题模型Θ*;控制器利用分支限界法对上一步得到的松弛后的问题模型Θ*进行求解,使得总体受益用户最多,并且使得用户迁移代价减少。本发明提出的方法同时考虑到用户的计算时延和计算能量问题,可以满足用户需求的多样性,高了用户传输数据的速率,极大提高了多射频的利用效率。
Description
技术领域
本发明属于移动云计算领域,具体涉及一种基于多射频通信的多用户计算迁移方法。
背景技术
随着智能手机的普及,出现了越来越多的手机应用,比如:语音识别,人脸识别,增强现实等。这些应用都需要消耗大量的资源,包括手机计算资源(CPU)以及手机电量,而手机自身体积小的特点决定了手机的计算资源和电池能量都很有限。因此,手机资源紧缺和应用资源需求过大,这两者的关系对未来手机平台的发展提出了巨大的挑战。计算迁移是一种解决上述问题的新兴技术。它通过利用无线网络将移动终端的计算任务迁移到资源充足的云设施上计算,即移动云计算,解决了移动终端资源不足的问题。
计算迁移的主要问题就是如何提高用户的设备性能以及节省用户设备的能量消耗。以前的很多工作研究了计算迁移节省能耗和延时的问题。第一类,主要研究单用户多射频条件下的计算迁移问题。其通过对一个用户使用多个射频上传任务时的通信资源进行优化以最小化任务执行能耗,但没有考虑到多用户同时传输的情况(Mahmoodi,S.Eman,K.P.Subbalakshmi,and Vidya Sagar."Cloud offloading for multi-radio enabledmobile devices."Communications(ICC),2015 IEEE International Conferenceon.IEEE,2015.)。第二种类型研究了多用户单信道条件下的计算迁移问题。其通过对信道资源及用户的发射功率进行优化以最小化全体用户的发射功率之和。但其只考虑了多个用户共用一个信道进行数据传输的情况,没有考虑到利用多个频段进行数据传输(Barbarossa,S.,S.Sardellitti,and P.D.Lorenzo."Joint allocation of computationand communication resources in multiuser mobile cloud computing."395.6(2013):26-30.)。第三类主要研究了多用户多信道条件下的计算迁移问题。其通过对多信道通信资源进行优化使得全体用户任务执行代价之和最小。但其只考虑了将一个频段划分为多个信道供不同用户传输,没有考虑到多射频通信时可以同时利用多个频段资源(D.Huang,P.Wang,and D.Niyato,"A dynamic offloading algorithm for mobile computing."IEEE Transactions on Wireless Communications,vol.11,no.6,pp.1991–1995,2012.)。此外,经检索,现有关于计算迁移的专利并未涉多用户多射频的场景。
综上所述,现有技术主要存在以下问题:
(1)多射频通信中只考虑了单用户,没有考虑到用户之间的资源竞争问题。
(2)多用户通信中只考虑了单信道通信和多信道通信,而没有考虑到利用多射频进行通信。没有充分利用多个频段的传输资源,且不能同时利用多个信道进行传输。
发明内容
本发明提出一种基于多射频通信的多用户计算迁移方法。其主要思想是通过对多用户多射频计算迁移进行建模;然后利用Mccormick envelope方法对模型进行转化松弛;最后利用分支限界对问题进行求解,得到最优的资源分配方案。
在进行资源优化前,需要先完成如下操作。首先,用户获取设备剩余电量、计算能力、射频数以及每一个射频传输功率等信息;然后,用户获取需要计算的任务属性。包括计算任务的数据量大小,计算所需CPU周期信息;最后,用户设置自己对计算延迟和能量的偏好信息并将上述所有用户相关信息发送至控制器。控制器一般部署在服务器端,用来控制整个流程的运行,主要任务包括对用户数据进行收集、对基于多射频通信的多用户计算迁移问题进行建模、对模型进行松弛与优化、对模型进行求解等。
一种基于多射频通信的多用户计算迁移方法,包括以下步骤:
(1.1)控制器依据收集到的全体用户信息及***的目标,利用基于参数分析的多射频多用户计算迁移建模方法对多射频多用户计算迁移问题进行建模,得到初始问题模型Θ;
(1.2)控制器根据上一步得到的初始问题模型Θ的特点,利用基于McCormickenvelope的松弛与线性化方法对模型进行松弛与转化,得到松弛后的问题模型Θ*;
(1.3)控制器利用分支限界法对上一步得到的松弛后的问题模型Θ*进行求解,使得总体受益用户最多,并且使得用户迁移代价减少。
所述步骤(1.1)包括:
(2.1)分别计算用户i在本地完成任务Ji所需的时间Ti (m)及消耗的能量Ei (m):
其中,任务Ji@(gi,Di),gi代表完成任务Ji所需要的CPU周期数,Di代表完成任务Ji所需要上传的数据量,fi (m)代表用户i的设备计算能力(CPU周期数),ρi表示用户i的设备每CPU周期消耗的能量,U为用户集合,N为用户个数,为射频集合,K为射频个数;
其中,Di表示用户i完成任务Ji需要上传的数据量,Pi j代表用户i的移动设备上射频j的传输功率;
其中,fi (c)表示用户i在云端被分配的计算能力,Pi (IDLE)表示用户i的设备在闲置状态下的功率;
(2.8)由于只有当用户在云端计算的代价小于在本地计算的代价时,用户才会受益,才会进行迁移,所以得到如下约束:
所述步骤(1.2)包括:
即如下两个约束:
(3.5)对上述约束进行化简,替换后得到如下约束:
所述步骤(1.3)包括:
(4.1)设置上界UB0=+∞,下界LB=-∞,目标函数值obj=0,等待队列wlist=φ,迭代计数变量k=0;
(4.2)设置松弛子问题SP(ωkth,βkth),其中kth代表第k个子问题,并且将约束β={0,1}松弛为0≤β≤1,将松弛子问题添加至队列wlist
(4.3)判断队列是否为空,若否,执行以下步骤;
(4.4)从队列中选取一个子问题,将其移除队列并对该子问题进行求解;
(4.5)如果该子问题无解,剪掉该分支;
(4.7)如果得到该子问题最优解而不全为整数,对子问题SP(ωk,βk)添加约束得到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj;然后,对子问题SP(ωk,βk)添加约束到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj;
(4.8)跳转至步骤(4.3),直到得到最优解。
本发明的有益效果在于:
(1)本发明提出的方法同时考虑到用户的计算时延和计算能量问题,可以满足用户需求的多样性。
(2)本发明提出的方法同时利用多个射频进行数据传输,射频之间互相不干扰,极大提高了用户传输数据的速率。
(3)本发明提出的资源分配方法通过对用户的任务计算地点,用户利用的射频集合以及每个射频传输的数据量进行优化,使得总体受益用户最多,极大提高了多射频的利用效率。
(4)本发明提出的资源分配方法同时考虑用户在本地和云端计算代价,有效减少了总体用户的计算代价。
附图说明
图1是基于多射频通信的多用户计算迁移方法流程图;
图2是基于多射频通信的多用户计算迁移方法中用户问题建模的流程图;
图3是基于多射频通信的多用户计算迁移方法中利用新建变量以及McCormickenvelope松弛对问题转化的流程图;
图4是基于多射频通信的多用户计算迁移方法利用分支限界法的求解流程图;
图5是本发明实例图;
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于移动云计算领域,尤其是一种基于多射频通信的多用户计算迁移方法,对通信资源分配进行优化,使受益用户数量最多,并降低整个用户群体的计算代价。
随着智能手机的普及,出现了越来越多的手机应用,比如:语音识别,人脸识别,增强现实等。这些应用都需要消耗大量的资源,包括手机计算资源(CPU)以及手机电量,而手机自身体积小的特点决定了手机的计算资源和电池能量都很有限。因此,手机资源紧缺和应用资源需求过大,这两者的关系对未来手机平台的发展提出了巨大的挑战。计算迁移是一种解决上述问题的新兴技术。它通过利用无线网络将移动终端的计算任务迁移到资源充足的云设施上计算,即移动云计算,解决了移动终端资源不足的问题。
计算迁移的主要问题就是如何提高用户的设备性能以及节省用户设备的能量消耗。以前的很多工作研究了计算迁移节省能耗和延时的问题。第一类,主要研究单用户多射频条件下的计算迁移问题。其通过对一个用户使用多个射频上传任务时的通信资源进行优化以最小化任务执行能耗,但没有考虑到多用户同时传输的情况(Mahmoodi,S.Eman,K.P.Subbalakshmi,and Vidya Sagar."Cloud offloading for multi-radio enabledmobile devices."Communications(ICC),2015 IEEE International Conferenceon.IEEE,2015.)。第二种类型研究了多用户单信道条件下的计算迁移问题。其通过对信道资源及用户的发射功率进行优化以最小化全体用户的发射功率之和。但其只考虑了多个用户共用一个信道进行数据传输的情况,没有考虑到利用多个频段进行数据传输(Barbarossa,S.,S.Sardellitti,and P.D.Lorenzo."Joint allocation of computationand communication resources in multiuser mobile cloud computing."395.6(2013):26-30.)。第三类主要研究了多用户多信道条件下的计算迁移问题。其通过对多信道通信资源进行优化使得全体用户任务执行代价之和最小。但其只考虑了将一个频段划分为多个信道供不同用户传输,没有考虑到多射频通信时可以同时利用多个频段资源(D.Huang,P.Wang,and D.Niyato,"A dynamic offloading algorithm for mobile computing."IEEE Transactions on Wireless Communications,vol.11,no.6,pp.1991–1995,2012.)。此外,经检索,现有关于计算迁移的专利并未涉多用户多射频的场景。
综上所述,目前的研究工作主要存在以下问题:
多射频通信中只考虑了单用户,没有考虑到用户之间的资源竞争问题
多用户通信中只考虑了单信道通信和多信道通信,而没有考虑到利用多射频进行通信。没有充分利用多个频段的传输资源,且不能同时利用多个信道进行传输。
根据以上分析,目前研究工作的不足,主要是在多射频计算迁移时需要额外考虑以下几个关键因素:
(1)用户如何选择合适的射频集合进行通信可以使得对用户最有利。
(2)用户利用不同射频传输任务的比例。
(3)多用户如何进行资源分配。
如果一个用户通过计算迁移产生的开销(计算延迟以及电量消耗)小于在本地执行的开销,那么就称这个用户是受益用户。受益用户的概念在计算迁移中非常重要。首先,从用户角度考虑,它确保了用户是理性的,因为用户只有在迁移代价小于本地执行代价时才会进行迁移;其次,从运营商角度考虑,受益用户越多意味着云端服务器利用率越高以及计算服务的收入更多。
因此,本发明研究了多用户多射频下的计算迁移问题,并且每个用户可以同时利用多个频段进行传输,提出了基于多射频条件的多用户计算迁移问题,对资源分配进行优化,可以使总体受益用户最多,并显著减少全体计算代价。换言之,本发明综合考虑了以下要素对问题进行了优化:(1)每个用户是否进行任务迁移,(2)迁移用户选择合适的射频集合进行迁移,(3)用户使用每个射频迁移数据的比例,(4)如何分配使总体受益用户最多。
本发明提出一种基于多射频通信的多用户计算迁移方法。其主要思想是通过对多用户多射频计算迁移进行建模;然后利用Mccormick envelope方法对模型进行转化松弛;最后利用分支限界对问题进行求解,得到最优的资源分配方案。
在进行资源优化前,需要先完成如下操作。首先,用户获取设备剩余电量、计算能力、射频数以及每一个射频传输功率等信息;然后,用户获取需要计算的任务属性。包括计算任务的数据量大小,计算所需CPU周期信息;最后,用户设置自己对计算延迟和能量的偏好信息并将上述所有用户相关信息发送至控制器。控制器一般部署在服务器端,用来控制整个流程的运行,主要任务包括对用户数据进行收集、对基于多射频通信的多用户计算迁移问题进行建模、对模型进行松弛与优化、对模型进行求解等。
上述基于多射频通信的多用户计算迁移方法,主要包括以下具体步骤:
(1)控制器依据收集到的全体用户信息及***的目标,利用基于参数分析的多射频多用户计算迁移建模方法对多射频多用户计算迁移问题进行建模,得到初始问题模型Θ。
(2)控制器根据上一步得到的初始问题模型Θ的特点,利用基于McCormickenvelope的松弛与线性化方法对模型进行松弛与转化,得到松弛后的问题模型Θ*。
控制器利用分支限界法对上一步得到的松弛后的问题模型Θ*进行求解,使得总体受益用户最多,并且使得用户迁移代价减少。
前述的步骤(1)中基于参数分析的多射频多用户计算迁移建模方法具体还包括以下步骤:
其中任务Ji@(gi,Di),gi代表完成任务Ji所需要的CPU周期数,Di代表完成任务Ji所需要上传的数据量,fi (m)代表用户i的设备计算能力(CPU周期数),ρi表示用户i的设备每CPU周期消耗的能量。用户集合为U,用户个数为N,射频集合为射频个数为K。
其中Di表示用户i完成任务Ji需要上传的数据量,Pi j代表用户i的移动设备上射频j的传输功率。
其中fi (c)表示用户i在云端被分配的计算能力,Pi (IDLE)表示用户i的设备在闲置状态下(即没有传输数据时)的功率。
(1.8)由于只有当用户在云端计算的代价小于在本地计算的代价时,用户才会受益,才会进行迁移,所以可以得到如下约束:
前述的步骤(2)中基于McCormick envelope的松弛与线性化方法具体还包括以下步骤:
即如下两个约束:
(2.5)对上述约束进行化简,替换后可以得到如下约束:
前述的步骤(3)中分支限界法具体还包括以下步骤:
(3.1)设置上界UB0=+∞,下界LB=-∞,目标函数值obj=0,等待队列wlist=φ,迭代计数变量k=0。
(3.2)设置松弛子问题SP(ωkth,βkth),其中kth代表第k个子问题,并且将约束β={0,1}松弛为0≤β≤1。将松弛子问题添加至队列wlist。
(3.3)当队列不为空时,执行以下步骤:
(3.4)从队列中选取一个子问题,将其移除队列并对改子问题进行求解。
(3.5)如果该子问题无解,剪掉该分支。
(3.7)如果得到该子问题最优解而不全为整数,对子问题SP(ωk,βk)添加约束得到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj。然后,对子问题SP(ωk,βk)添加约束的到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj。
(3.8)跳转至步骤(3.3),直到得到最优解。
本专利提出基于多射频通信的多用户计算迁移方法:
(1)本发明提出的方法同时考虑到用户的计算时延和计算能量问题,可以满足用户需求的多样性。
(2)本发明提出的方法同时利用多个射频进行数据传输,射频之间互相不干扰,极大提高了用户传输数据的速率。
(3)本发明提出的资源分配方法通过对用户的任务计算地点,用户利用的射频集合以及每个射频传输的数据量进行优化,使得总体受益用户最多,极大提高了多射频的利用效率。
(4)本发明提出的资源分配方法同时考虑用户在本地和云端计算代价,有效减少了总体用户的计算代价。
图1基于多射频通信的多用户计算迁移方法流程图。
图2基于多射频通信的多用户计算迁移方法中用户问题建模的流程图。
图3基于多射频通信的多用户计算迁移方法中利用新建变量以及McCormickenvelope松弛对问题转化的流程图。
图4基于多射频通信的多用户计算迁移方法利用分支限界法的求解流程图。
如图5,在该实施实例中,一共有两个用户User 1和User 2,每个用户的移动设备上有两个射频。每个用户都有一个计算任务Ji=(gi,Di),gi代表完成任务Ji所需要的CPU周期数,Di代表完成任务Ji所需要上传的数据量。从图中可以看出User1的任务J1=(1GHZ,5000KB),User2的任务J2=(1.2GHZ,5100KB)。User 1和User 2都可以通过AP 1和AP 2进行数据上传。在开始计算前,用户先执行如下操作。首先,User 1和User 2分别获取其设备的计算能力(CPU),射频数(此处都为2),射频的传输功率;其次,User 1和User 2分别获取其计算任务的属性。其中User 1的计算任务需要的计算量为1GHZ,需要上传的数据量为5000KB,User 2的计算任务需要的计算量为1.2GHZ,需要上传的数据量为5100KB;然后,User 1和User 2分别设置自己的计算延迟和能量偏好的权重和最后,User1和User 2将上述信息发送至控制器。
然后,基于多射频通信的多用户计算迁移方法主要包括以下具体步骤:
(2)控制器添加约束及约束 以上约束分别代表用户的本地代价小于等于用户在云端计算的代价和用户的迁移决策等式。都代表用户是否进行迁移。此时,时代表用户在本地进行计算,时代表用户在云端进行计算。此时,得到基于多射频通信的多用户计算迁移问题的初始模型。
(4)控制器添加约束:
(6)控制器设置上界UB0=+∞,下界LB=-∞,目标函数值obj=0,等待队列wlist=φ,迭代计数变量k=0,利用如下分支限界法对问题进行求解。
(7)设置松弛子问题SP(ωkth,βkth),其中kth代表第1个子问题,并且将约束β={0,1}松弛为0≤β≤1。将松弛子问题添加至队列wlist。
(8)当wlist非空时,执行以下步骤:
(9)从wlist选取一个子问题,将其移除队列并利用常见凸优化求解器(matlab,cvx)对该子问题进行求解。
(10)如果该子问题无解,剪掉该分支。
(12)如果得到该子问题最优解而不全为整数,对子问题SP(ωk,βk)添加约束得到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj。然后,对子问题SP(ωk,βk)添加约束的到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj。
(13)跳转至步骤11,直到得到最优解。
最终,本专利提出基于多射频通信的多用户计算迁移方法能达到如下有益效果:
(1)本发明提出的方法同时考虑到用户的计算时延和计算能量问题,可以满足用户需求的多样性。
(2)本发明提出的方法同时利用多个射频进行数据传输,射频之间互相不干扰,极大提高了用户传输数据的速率。
(3)本发明提出的资源分配方法通过对用户的任务计算地点,用户利用的射频集合以及每个射频传输的数据量进行优化,使得总体受益用户最多,极大提高了多射频的利用效率。
(4)本发明提出的资源分配方法同时考虑用户在本地和云端计算代价,有效减少了总体用户的计算代价。
Claims (1)
1.一种基于多射频通信的多用户计算迁移方法,其特征在于,包括以下步骤:
(1.1)控制器依据收集到的全体用户信息及***的目标,利用基于参数分析的多射频多用户计算迁移建模方法对多射频多用户计算迁移问题进行建模,得到初始问题模型Θ;
(1.2)控制器根据上一步得到的初始问题模型Θ的特点,利用基于McCormickenvelope的松弛与线性化方法对模型进行松弛与转化,得到松弛后的问题模型Θ*;
(1.3)控制器利用分支限界法对上一步得到的松弛后的问题模型Θ*进行求解,使得总体受益用户最多,并且使得用户迁移代价减少;
所述步骤(1.1)包括:
其中,任务Ji@(gi,Di),gi代表完成任务Ji所需要的CPU周期数,Di代表完成任务Ji所需要上传的数据量,fi (m)代表用户i的设备计算能力(CPU周期数),ρi表示用户i的设备每CPU周期消耗的能量,U为用户集合,N为用户个数,为射频集合,K为射频个数;
其中,Di表示用户i完成任务Ji需要上传的数据量,Pi j代表用户i的移动设备上射频j的传输功率;
其中,fi (c)表示用户i在云端被分配的计算能力,Pi (IDLE)表示用户i的设备在闲置状态下的功率;
(2.8)由于只有当用户在云端计算的代价小于在本地计算的代价时,用户才会受益,才会进行迁移,所以得到如下约束:
所述步骤(1.2)包括:
即如下两个约束:
(3.5)对上述约束进行化简,替换后得到如下约束:
所述步骤(1.3)包括:
(4.1)设置上界UB0=+∞,下界LB=-∞,目标函数值obj=0,等待队列wlist=φ,迭代计数变量k=0;
(4.2)设置松弛子问题SP(ωkth,βkth),其中kth代表第k个子问题,并且将约束β={0,1}松弛为0≤β≤1,将松弛子问题添加至队列wlist
(4.3)判断队列是否为空,若否,执行以下步骤;
(4.4)从队列中选取一个子问题,将其移除队列并对该子问题进行求解;
(4.5)如果该子问题无解,剪掉该分支;
(4.7)如果得到该子问题最优解而不全为整数,对子问题SP(ωk,βk)添加约束得到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj;然后,对子问题SP(ωk,βk)添加约束到子问题SP(ωk+1,βk+1),设置k=k+1,UBk=obj;
(4.8)跳转至步骤(4.3),直到得到最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017232.2A CN109376374B (zh) | 2018-09-01 | 2018-09-01 | 一种基于多射频通信的多用户计算迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017232.2A CN109376374B (zh) | 2018-09-01 | 2018-09-01 | 一种基于多射频通信的多用户计算迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376374A CN109376374A (zh) | 2019-02-22 |
CN109376374B true CN109376374B (zh) | 2023-04-07 |
Family
ID=65404088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811017232.2A Active CN109376374B (zh) | 2018-09-01 | 2018-09-01 | 一种基于多射频通信的多用户计算迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376374B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535700B (zh) * | 2019-08-30 | 2022-07-15 | 哈尔滨工程大学 | 一种多用户多边缘服务器场景下的计算卸载方法 |
CN112188551B (zh) * | 2020-09-29 | 2023-04-07 | 广东石油化工学院 | 一种计算迁移方法、计算终端设备及边缘服务器设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106912079A (zh) * | 2017-02-20 | 2017-06-30 | 北京邮电大学 | 一种缓存异构网络中联合用户接入选择及资源分配方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10492102B2 (en) * | 2009-01-28 | 2019-11-26 | Headwater Research Llc | Intermediate networking devices |
WO2012164328A1 (en) * | 2011-05-27 | 2012-12-06 | Nokia Corporation . | Method and apparatus for sharing connectivity settings via social networks |
CN105245265B (zh) * | 2014-06-20 | 2021-01-01 | 中兴通讯股份有限公司 | 3d波束下的用户服务模式选择方法、导频信息发送及装置 |
CN107919986B (zh) * | 2017-11-09 | 2020-09-08 | 北京邮电大学 | 超密集网络中mec节点间vm迁移优化方法 |
-
2018
- 2018-09-01 CN CN201811017232.2A patent/CN109376374B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106912079A (zh) * | 2017-02-20 | 2017-06-30 | 北京邮电大学 | 一种缓存异构网络中联合用户接入选择及资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109376374A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240818B (zh) | 一种边缘计算网络中基于用户体验的任务卸载方法 | |
CN109814951B (zh) | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 | |
CN110351754B (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN109885397B (zh) | 一种边缘计算环境中时延优化的负载任务迁移算法 | |
CN108880893A (zh) | 一种移动边缘计算服务器联合能量收集及任务卸载方法 | |
Shi et al. | Toward energy-efficient federated learning over 5G+ mobile devices | |
Liu et al. | Minimization of offloading delay for two-tier UAV with mobile edge computing | |
CN114189892A (zh) | 一种基于区块链和集体强化学习的云边协同物联网***资源分配方法 | |
CN104619029B (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN113286317B (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
CN109376374B (zh) | 一种基于多射频通信的多用户计算迁移方法 | |
CN109905888A (zh) | 移动边缘计算中联合优化迁移决策和资源分配方法 | |
CN104869646B (zh) | 异构无线网络中能量有效的资源分配方法 | |
CN109246761A (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
CN111093226A (zh) | 基于非正交多址接入与移动边缘计算多任务并行迁移方法 | |
CN108990067B (zh) | 一种应用于超密集异构网络的能效控制方法 | |
CN110058934A (zh) | 一种在大规模云雾计算环境中制定最优任务卸载决策的方法 | |
CN112867066A (zh) | 基于5g多小区深度强化学习的边缘计算迁移方法 | |
CN116939866A (zh) | 一种基于协同计算和资源分配联合优化的无线联邦学习效率提升方法 | |
CN115473896A (zh) | 基于dqn算法的电力物联网卸载策略和资源配置优化方法 | |
CN110191489B (zh) | 一种超密集网络中基于强化学习的资源分配方法及装置 | |
CN109981340B (zh) | 雾计算网络***中联合资源优化的方法 | |
CN116916386A (zh) | 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法 | |
CN110139282A (zh) | 一种基于神经网络的能量采集d2d通信资源分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |