CN111857976B - 一种基于分解的多目标优化的计算迁移方法 - Google Patents
一种基于分解的多目标优化的计算迁移方法 Download PDFInfo
- Publication number
- CN111857976B CN111857976B CN202010790128.8A CN202010790128A CN111857976B CN 111857976 B CN111857976 B CN 111857976B CN 202010790128 A CN202010790128 A CN 202010790128A CN 111857976 B CN111857976 B CN 111857976B
- Authority
- CN
- China
- Prior art keywords
- representing
- individual
- end user
- population
- service provider
- 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
- 230000005012 migration Effects 0.000 title claims abstract description 41
- 238000013508 migration Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000008901 benefit Effects 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000001010 compromised effect Effects 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了计算机领域的一种基于分解的多目标优化的计算迁移方法,包括如下步骤:步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型;步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化;步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移。本发明的优点在于:综合考虑终端用户的满意度以及边缘云服务提供商的收益的同时,极大的提升了计算迁移的速度。
Description
技术领域
本发明涉及计算机领域,特别指一种基于分解的多目标优化的计算迁移方法。
背景技术
近年来物联网技术得到大力发展,但物联网设备的计算能力是有限的,因此大量的计算密集型任务无法在本地的物联网设备进行计算。为了延长物联网设备的电池寿命并满足计算需求,移动云计算(MCC,Mobile Cloud Computing)应运而生,通过将部分计算密集型的任务请求计算迁移到云端进行处理。尽管MCC可以有效地降低物联网设备的计算开销和功耗,但与此同时MCC也面临着一些新的挑战。一方面,随着物联网设备的激增,越来越多的任务请求显著增加了云端的计算负担;另一方面,由于云端与物联网设备之间的地理距离非常遥远,会导致部分应用的请求时延和传输时延变大,进而影响用户体验,甚至导致有一些严格时间约束的任务执行失败。
移动边缘计算(MEC,Mobile Edge Computing)能够有效缓解以上挑战,MEC利用接近终端用户及边缘侧的网络设备的计算与存储功能辅佐用户,将任务请求迁移到距离终端用户更近的边缘服务器上执行,可以为终端用户提供效率更高、时延更低的计算服务、存储服务以及通信服务,进而提升终端用户的服务质量(Quality of Service,QoS)。
典型的MEC环境包括公有云服务提供商、边缘云服务提供商和终端用户,如图2所示。公有云服务提供商用于提供软硬件资源,完成对服务器集群的搭建和维护,通过资源池化生成统一资源池,向终端用户提供计算、存储和带宽等资源。边缘云服务提供商从公有云服务提供商租赁服务器资源,根据自身的服务类型构建好服务环境向终端用户提供诸如图像处理、科学计算、视频编解码等服务。终端用户向可以为其提供所需服务的边缘云服务提供商发送服务请求,根据服务等级协议(Service-Level Agreement,SLA)和边缘服务器的最终返回结果缴纳费用。
Ghamkhar等人在文献“Energy and Performance Management of Green DataCenters:A Profit Maximization Approach.2013”中考虑了数据中心及其客户之间当前存在的服务级别协议(SLA)以及数据中心工作负载的随机性等因素,提出了一种新的基于优化的数据中心利润最大化策略。李梦在文献“面向云计算资源的收益优化模型与任务分配算法的研究.2015”中提出的云计算收益优化模型,在考虑服务商的收益的同时兼顾SLA协议,利用排队理论估计服务请求的响应时间,并计算请求的处理时间,提出面向云资源收益模型的PAO-ACO算法对模型进行求解,证明了该算法能够动态寻找最优解,且在种群规模较大时,并行求解能节省运算的时间,提高执行效率。邵高原在文献“云计算环境中利润最大化的最优服务定价与多服务器***配置研究.2017”中在云计算环境中以利润最大化为目标研究云服务的最优定价以及多服务器最优配置问题,他的定价模式可以在符合市场环境中用户需求定律的前提下,根据服务价格的变化提出一个Monetary Reward返现奖励模型,设计出一个基于服务请求响应时间的低服务质量费用补偿算法。张锋辉等人在文献“基于马尔科夫博弈的云代理与微云收益优化.2018”中建立马尔科夫博弈模型对云服务器和微云进行分析,通过反向迭代算法求得纳什均衡策略,最后证明了采用马尔科夫博弈可以明显提高***收益。
上述文献都是针对云计算环境中收益的优化,然而随着MEC的发展,部分学者开始研究MEC服务提供商收益的最大化。如黄冬艳等人在文献“计算资源受限的MEC服务器收益优化策略.2020”中针对计算资源受限的MEC服务器的收益优化问题,以MEC服务器收益最大化为优化目标,提出了一种基于分支定界法的算法,以获得最优的接入策略和任务执行次序,该算法在重负载网络中能够有效提高MEC服务器的平均收益。
上述文献所记载的方法均存在计算迁移速度慢,且忽略了终端用户的满意度的问题。因此,如何提供一种基于多目标优化(MOEA/D)的计算迁移方法,实现综合考虑终端用户的满意度以及边缘云服务提供商的收益的同时,提升计算迁移的速度,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于分解的多目标优化的计算迁移方法,实现综合考虑终端用户的满意度以及边缘云服务提供商的收益的同时,提升计算迁移的速度。
本发明是这样实现的:一种基于分解的多目标优化的计算迁移方法,包括如下步骤:
步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型;
步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化;
步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移。
进一步地,所述步骤S10具体为:
创建终端用户满意度模型:
其中,表示终端用户的满意度;Smax表示最大的用户满意度;Tu表示用户期望完成的时间;TDDL表示服务请求的截至时间;ti,j(τp,q)表示第i个边缘服务器中第j个虚拟机的平均响应时间;τp,q表示终端用户p的第q个服务请求在边缘服务器的完成时间;M表示虚拟机的总数量;ui,j表示第i个边缘服务器中第j个虚拟机的任务处理速率;λi,j表示第i个边缘服务器中第j个虚拟机的任务到达速率;U表示终端用户的总数量;Vp表示服务请求的总数量;wp,q表示τp,q的指令数;B是一个布尔函数,B=0表示终端用户p的第q个服务请求没有迁移到第i个边缘服务器的第j个虚拟机中,B=1表示终端用户p的第q个服务请求迁移到第i个边缘服务器的第j个虚拟机中;i、j、M、p、q、U、Vp均为正整数;
边缘云服务提供商的总收益的计算公式如下:
其中R表示边缘云服务提供商的总收益;R(τp,q,ti,j(τp,q))表示边缘服务器处理终端用户p的第q个服务请求的收费;pm表示每条服务请求的价格;
边缘云服务提供商的成本的计算公式如下:
其中C表示边缘云服务提供商的成本;cm表示每条服务请求的成本;
将终端用户的满意度以及边缘云服务提供商的收益的两个目标定义为:
s.t.op,q∈{0,1,...,N+1};
其中op,q表示终端用户p的第q个服务请求所分配的迁移策略。
进一步地,所述步骤S20具体包括:
步骤S21、基于所述目标模型,在可行域Ω内随机产生一个规模为Qp的种群G0:
步骤S22、创建Qp个权重向量σj:
其中j为正整数,且j=1,2,...,Qp;k为正整数;
步骤S23、计算各所述权重向量σj两两之间的欧氏距离di,j,基于所述欧氏距离di,j生成距离矩阵d;
基于所述距离矩阵d选取Qnei个最近个体Xi(i=1,2,...,Qp),组成邻居集合:
步骤S24、计算各个体Xi(i=1,2,...,Qp)的目标函数值:
f1(Xi),f2(Xi),...,fk(Xi),;
设所述目标函数值的理想点为:
步骤S25、设外部种群O*=Φ,种群迭代次数为t,t为正整数,对各个体进行迭代进化:
更新各个体的邻居集合Ci:
令σi,l表示个体Xi的邻居集合Ci中各元素的权重向量,l=1,2,...,Qp,
更新外部种群O*:
步骤S26、对种群G0进行选择、交叉以及变异生成新种群,判断种群迭代次数t是否小于预设的最大迭代次数,若是,则进入步骤S24;若否,则进入步骤S30。
进一步地,所述步骤S30具体为:
设终端用户的满意度的实用价值为:
边缘云服务提供商的收益的实用价值为:
种群G0中各个体的实用价值为:
实用价值最大的个体为:
其中Smin表示终端用户满意度的最小值;Smax表示终端用户满意度的最大值;S(Xi)表示个体Xi的终端用户满意度;Rmin表示边缘云服务提供商收益的最小值;Rmax表示边缘云服务提供商收益的最大值;R(Xi)表示个体Xi的边缘云服务提供商收益;w1表示终端用户满意度的权值,w2表示边缘云服务提供商收益的权值,w1+w2=1。
本发明的优点在于:
通过终端用户的满意度以及边缘云服务提供商的收益创建目标模型,再利用遗传算法以及多目标优化算法对目标模型进行迭代进化,最终利用多准则决策、加权法以及迭代进化后的目标模型进行计算迁移,即找出实用价值最大的个体,使得终端用户满意度和边缘云服务提供商收益均最大,即实现综合考虑终端用户的满意度以及边缘云服务提供商的收益,且由于采用多目标优化算法,时间复杂度更低,时间开销成本低,收敛迅速,可靠性高,极大的提升了计算迁移的速度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于分解的多目标优化的计算迁移方法的流程图。
图2是本发明移动边缘计算网络体系架构图。
图3是本发明迁移策略编码示意图。
图4是本发明最小化问题示意图。
图5是本发明策略编码交叉示意图。
具体实施方式
请参照图1至图5所示,本发明一种基于分解的多目标优化的计算迁移方法的实施例之一,包括如下步骤:
步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型;
步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化;
步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移。
在步骤S10之前,需要搭建MEC网络架构,设定MEC网络架构中移动设备、边缘服务器以及云端服务器的处理器性能、虚拟机数量以及工作功率。
本发明采取整数编码的方式,令每个染色体中的每个基因都是一个整数,把终端用户的满意度以及边缘云服务提供商的收益作为优化目标,将每组的迁移策略视为一个由多个基因组成的染色体,当平台上有N个边缘服务器时,将迁移策略编码为0,1,...,N+1。迁移策略编码如图3所示,数字0代表任务不迁移,在本地设备执行计算;数字1至N表示任务将被迁移到指定的边缘服务器上执行;数字N+1表示任务将被迁移到云端服务器上执行。在遗传算法开始之前,需要确定种群规模Qp、权重向量σj、邻居集合的大小Qnei、最大迭代次数Gmax、交叉概率pc等参数。种群中的第i条染色体可以表示为Xi={op,q|p=1,2,...,U;q=1,2,...,V}。在种群中挑选出一部分个体用于之后的交叉和变异操作,以个体的适应度评估为基础,由此形成适应度较好的新种群。
所述步骤S10具体为:
创建终端用户满意度模型:
其中,表示终端用户的满意度;Smax表示最大的用户满意度;Tu表示用户期望完成的时间;TDDL表示服务请求的截至时间;ti,j(τp,q)表示第i个边缘服务器中第j个虚拟机的平均响应时间;τp,q表示终端用户p的第q个服务请求在边缘服务器的完成时间;M表示虚拟机的总数量;ui,j表示第i个边缘服务器中第j个虚拟机的任务处理速率;λi,j表示第i个边缘服务器中第j个虚拟机的任务到达速率,即j层子请求上每秒钟达到多少MIPS指令;U表示终端用户的总数量;Vp表示服务请求的总数量;wp,q表示τp,q的指令数;B是一个布尔函数,B=0表示终端用户p的第q个服务请求没有迁移到第i个边缘服务器的第j个虚拟机中,B=1表示终端用户p的第q个服务请求迁移到第i个边缘服务器的第j个虚拟机中;i、j、M、p、q、U、Vp均为正整数;
边缘云服务提供商的总收益的计算公式如下:
其中R表示边缘云服务提供商的总收益;R(τp,q,ti,j(τp,q))表示边缘服务器处理终端用户p的第q个服务请求的收费;pm表示每条服务请求的价格;
边缘云服务提供商的成本的计算公式如下:
其中C表示边缘云服务提供商的成本;cm表示每条服务请求的成本;边缘云服务提供商的收益等于总输入减去成本;
将终端用户的满意度以及边缘云服务提供商的收益的两个目标定义为:
s.t.op,q∈{0,1,...,N+1};
其中op,q表示终端用户p的第q个服务请求所分配的迁移策略。
所述步骤S20具体包括:
步骤S21、基于所述目标模型,在可行域Ω内随机产生一个规模为Qp的种群G0:
步骤S22、创建Qp个权重向量σj:
其中j为正整数,且j=1,2,...,Qp;k为正整数;
步骤S23、计算各所述权重向量σj两两之间的欧氏距离di,j,基于所述欧氏距离di,j生成距离矩阵d;
基于所述距离矩阵d选取Qnei个最近个体Xi(i=1,2,...,Qp),组成邻居集合:
步骤S24、计算各个体Xi(i=1,2,...,Qp)的目标函数值:
f1(Xi),f2(Xi),...,fk(Xi),;
设所述目标函数值的理想点为:
步骤S25、设外部种群O*=Φ,种群迭代次数为t,t为正整数,对各个体进行迭代进化:
更新各个体的邻居集合Ci:
令σi,l表示个体Xi的邻居集合Ci中各元素的权重向量,l=1,2,...,Qp,
更新外部种群O*:
步骤S26、对种群G0进行选择、交叉以及变异生成新种群,如图3和图5所示,判断种群迭代次数t是否小于预设的最大迭代次数,若是,则进入步骤S24;若否,则进入步骤S30。
所述步骤S30具体为:
设终端用户的满意度的实用价值为:
边缘云服务提供商的收益的实用价值为:
种群G0中各个体的实用价值为:
实用价值最大的个体为:
其中Smin表示终端用户满意度的最小值;Smax表示终端用户满意度的最大值;S(Xi)表示个体Xi的终端用户满意度;Rmin表示边缘云服务提供商收益的最小值;Rmax表示边缘云服务提供商收益的最大值;R(Xi)表示个体Xi的边缘云服务提供商收益;w1表示终端用户满意度的权值,w2表示边缘云服务提供商收益的权值,w1+w2=1。
本发明一种基于分解的多目标优化的计算迁移方法的实施例之二,假设MEC网络架构中存在4个边缘服务器,和1个云端服务器,考虑终端用户部分任务请求在本地执行的情况。
假设移动用户的集合U={u1,1,u1,2,…,u1,q,u2,1,u2,2,…,u2,q,…,up,1,up,2,…,up,q},其中up,q代表第p个用户的第q个应用;op,q表示为第p个用户的第q个请求所分配的迁移策略,op,q=1,2,…,N表示应用迁移到边缘服务器中进行,op,q=N+1表示应用迁移到云端执行;τp,q表示用户p的第q个服务请求;t(τp,q)表示为用户p的第q个服务请求的完成时间;R(τp,q,t(τp,q))表示为用户p的第q个服务请求的收费;N表示为***中边缘服务器个数集合;M表示为***中边缘服务器虚拟机的个数;wp,q表示为τp,q的指令数;pm表示为每个指令条数的价格;cm表示为每个指令条数的成本;Tu表示为用户希望的完成时间;TDDL表示为服务请求的截止时间;Sτp,q表示为τp,q的用户满意度;u表示为任务处理速率;λ表示为任务到达速率;Smax表示为最大的用户满意度。
假设任务请求不迁移的情况标记为up,q=0,迁移到第1个至第4个边缘服务器的情况标记为up,q=1,up,q=2,up,q=3和up,q=4,迁移到云端的情况标记为up,q=5。正如图3的迁移策略编码所示,每个迁移情况标记为一个染色体里的基因,大量的基因转化为一条染色体,在后续进化过程中进行交叉和编译的操作。
其中,B是一个布尔函数,B=0表示用户p的第q个服务子请求没有迁移到第i个服务器的第j个虚拟机中;B=1表示用户p的第q个服务子请求迁移到第i个服务器的第j个虚拟机中。
因此,用户p的第q个服务请求在第i个服务器中的完成时间为:
而R(τp,q,t(τp,q))的计算公式为:
总而言之,本发明所研究的计算迁移的总目标是在满足移动用户的任务需求的同时,将用户满意度最大化以及边缘云服务提供商的收益最大化,其中多目标优化问题可以定义为:
s.t.op,q∈{0,1,2,3,4,5};
每条染色体包含每个用户的任务请求的迁移情况,将迁移编码策略代入到上式的用户满意度和边缘云服务提供商收益的关系式中获得适应值,并进行进化操作。
当进化代数达到最大时,种群Ptmax存在种群规模Qp的个体,每一个个体代表最优解的计算迁移策略,将染色体的基因值带入上述建立的模型中,会得到最优解的目标值,但最优解中会出现部分个体不相同的情况,此时需要用多准则决策和简单加权法从中挑选最优解,Xi表示最优解种群中第i个个体,其实用价值的定义为:
LBmax和LBmin表示为最优解种群中用户满意度的目标值最大值和最小值。
Tmax和Tmin表示为最优解种群中边缘服务器收益的最大值和最小值。
最优解种群中的每个个体实用价值的满意度由权值w计算,其中w1+w2=1:
综上所述,本发明的优点在于:
通过终端用户的满意度以及边缘云服务提供商的收益创建目标模型,再利用遗传算法以及多目标优化算法对目标模型进行迭代进化,最终利用多准则决策、加权法以及迭代进化后的目标模型进行计算迁移,即找出实用价值最大的个体,使得终端用户满意度和边缘云服务提供商收益均最大,即实现综合考虑终端用户的满意度以及边缘云服务提供商的收益,且由于采用多目标优化算法,时间复杂度更低,时间开销成本低,收敛迅速,可靠性高,极大的提升了计算迁移的速度。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (1)
1.一种基于分解的多目标优化的计算迁移方法,其特征在于:包括如下步骤:
步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型;
步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化;
步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移;
所述步骤S10具体为:
创建终端用户满意度模型:
其中,表示终端用户的满意度;Smax表示最大的用户满意度;Tu表示用户期望完成的时间;TDDL表示服务请求的截止时间;ti,j(τp,q)表示第i个边缘服务器中第j个虚拟机的平均响应时间;τp,q表示终端用户p的第q个服务请求在边缘服务器的完成时间;M表示虚拟机的总数量;ui,j表示第i个边缘服务器中第j个虚拟机的任务处理速率;λi,j表示第i个边缘服务器中第j个虚拟机的任务到达速率;U表示终端用户的总数量;Vp表示服务请求的总数量;wp,q表示τp,q的指令数;B是一个布尔函数,B=0表示终端用户p的第q个服务请求没有迁移到第i个边缘服务器的第j个虚拟机中,B=1表示终端用户p的第q个服务请求迁移到第i个边缘服务器的第j个虚拟机中;i、j、M、p、q、U、Vp均为正整数;
边缘云服务提供商的总收益的计算公式如下:
其中R表示边缘云服务提供商的总收益;R(τp,q,ti,j(τp,q))表示边缘服务器处理终端用户p的第q个服务请求的收费;pm表示每条服务请求的价格;
边缘云服务提供商的成本的计算公式如下:
其中C表示边缘云服务提供商的成本;cm表示每条服务请求的成本;
将终端用户的满意度以及边缘云服务提供商的收益的两个目标定义为:
s.t.op,q∈{0,1,...,N+1};
其中op,q表示终端用户p的第q个服务请求所分配的迁移策略;
所述步骤S20具体包括:
步骤S21、基于所述目标模型,在可行域Ω内随机产生一个规模为Qp的种群G0:
步骤S22、创建Qp个权重向量σj:
其中j为正整数,且j=1,2,...,Qp;k为正整数;
步骤S23、计算各所述权重向量σj两两之间的欧氏距离di,j,基于所述欧氏距离di,j生成距离矩阵d;
基于所述距离矩阵d选取Qnei个最近个体Xi(i=1,2,...,Qp),组成邻居集合:
步骤S24、计算各个体Xi(i=1,2,...,Qp)的目标函数值:
f1(Xi),f2(Xi),...,fk(Xi),;
设所述目标函数值的理想点为:
步骤S25、设外部种群O*=Φ,种群迭代次数为t,t为正整数,对各个体进行迭代进化:
更新各个体的邻居集合Ci:
令σi,l表示个体Xi的邻居集合Ci中各元素的权重向量,l=1,2,...,Qp,
若gte(Xi|σi,l,y*)≤gte(Xi,l|σi,l,y*),则Xi,l=Xi;
更新外部种群O*:
步骤S26、对种群G0进行选择、交叉以及变异生成新种群,判断种群迭代次数t是否小于预设的最大迭代次数,若是,则进入步骤S24;若否,则进入步骤S30;
所述步骤S30具体为:
设终端用户的满意度的实用价值为:
边缘云服务提供商的收益的实用价值为:
种群G0中各个体的实用价值为:
实用价值最大的个体为:
其中Smin表示终端用户满意度的最小值;Smax表示终端用户满意度的最大值;S(Xi)表示个体Xi的终端用户满意度;Rmin表示边缘云服务提供商收益的最小值;Rmax表示边缘云服务提供商收益的最大值;R(Xi)表示个体Xi的边缘云服务提供商收益;w1表示终端用户满意度的权值,w2表示边缘云服务提供商收益的权值,w1+w2=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790128.8A CN111857976B (zh) | 2020-08-07 | 2020-08-07 | 一种基于分解的多目标优化的计算迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790128.8A CN111857976B (zh) | 2020-08-07 | 2020-08-07 | 一种基于分解的多目标优化的计算迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111857976A CN111857976A (zh) | 2020-10-30 |
CN111857976B true CN111857976B (zh) | 2023-06-02 |
Family
ID=72971189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790128.8A Active CN111857976B (zh) | 2020-08-07 | 2020-08-07 | 一种基于分解的多目标优化的计算迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111857976B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094973B (zh) * | 2021-03-18 | 2023-06-09 | 西北工业大学 | 一种基于多目标优化算法的民机需求优选方法 |
CN113112143B (zh) * | 2021-04-08 | 2024-04-23 | 杭州电子科技大学 | 云制造环境下多级别制造商协同生产任务分配方法及*** |
CN113139639B (zh) * | 2021-05-17 | 2023-05-30 | 华侨大学 | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102984137A (zh) * | 2012-11-14 | 2013-03-20 | 江苏南开之星软件技术有限公司 | 一种基于多目标遗传算法下的多目标服务器调度方法 |
CN107734558A (zh) * | 2017-10-26 | 2018-02-23 | 北京邮电大学 | 一种基于多服务器的移动边缘计算控制及资源调度方法 |
CN108984307A (zh) * | 2018-07-19 | 2018-12-11 | 中国联合网络通信集团有限公司 | 计算任务迁移方法及计算任务迁移器 |
CN109413676A (zh) * | 2018-12-11 | 2019-03-01 | 西北大学 | 一种超密异构网络中联合下上行的边缘计算迁移方法 |
CN109710374A (zh) * | 2018-12-05 | 2019-05-03 | 重庆邮电大学 | 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 |
CN110069319A (zh) * | 2019-04-15 | 2019-07-30 | 南京信息工程大学 | 一种面向朵云资源管理的多目标虚拟机调度方法及*** |
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8249981B2 (en) * | 2008-12-16 | 2012-08-21 | Ge Corporate Financial Services, Inc. | Methods and systems for generating transition probability matrices through an optimization framework |
-
2020
- 2020-08-07 CN CN202010790128.8A patent/CN111857976B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102984137A (zh) * | 2012-11-14 | 2013-03-20 | 江苏南开之星软件技术有限公司 | 一种基于多目标遗传算法下的多目标服务器调度方法 |
CN107734558A (zh) * | 2017-10-26 | 2018-02-23 | 北京邮电大学 | 一种基于多服务器的移动边缘计算控制及资源调度方法 |
CN108984307A (zh) * | 2018-07-19 | 2018-12-11 | 中国联合网络通信集团有限公司 | 计算任务迁移方法及计算任务迁移器 |
CN109710374A (zh) * | 2018-12-05 | 2019-05-03 | 重庆邮电大学 | 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 |
CN109413676A (zh) * | 2018-12-11 | 2019-03-01 | 西北大学 | 一种超密异构网络中联合下上行的边缘计算迁移方法 |
CN110069319A (zh) * | 2019-04-15 | 2019-07-30 | 南京信息工程大学 | 一种面向朵云资源管理的多目标虚拟机调度方法及*** |
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
Non-Patent Citations (6)
Title |
---|
云计算环境下数字图书馆云服务平台与云服务模式研究;陈臣;马晓亭;;情报资料工作(04);全文 * |
基于多目标遗传算法的云服务部署优化方法;颉斌;杨扬;旷毅;;华中科技大学学报(自然科学版)(S1);全文 * |
移动边缘环境下面向工作流管理的计算迁移方法;伏舒存;付章杰;邢国稳;刘庆祥;许小龙;;计算机应用(05);全文 * |
边缘计算迁移研究综述;朱友康;乐光学;杨晓慧;刘建生;;电信科学(04);全文 * |
面向多目标的云计算资源调度算法;廖大强;;计算机***应用(02);全文 * |
面向延迟敏感型物联网应用的计算迁移策略;郭棉;李绮琦;;计算机应用(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111857976A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111857976B (zh) | 一种基于分解的多目标优化的计算迁移方法 | |
CN112512056B (zh) | 一种移动边缘计算网络中多目标优化的计算卸载方法 | |
CN108182115B (zh) | 一种云环境下的虚拟机负载均衡方法 | |
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
Xu et al. | Multiobjective computation offloading for workflow management in cloudlet‐based mobile cloud using NSGA‐II | |
CN112888002B (zh) | 一种基于博弈论的移动边缘计算任务卸载及资源分配方法 | |
CN111813506B (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN108416465B (zh) | 一种移动云环境下的工作流优化方法 | |
CN113485826B (zh) | 一种边缘服务器负载均衡方法、*** | |
CN111836284B (zh) | 基于移动边缘计算的能耗优化计算、卸载方法和*** | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN110162390B (zh) | 一种雾计算***的任务分配方法及*** | |
CN114564304A (zh) | 一种边缘计算的任务卸载方法 | |
CN113992677A (zh) | 一种延迟与能耗联合优化的mec计算卸载方法 | |
He et al. | Intent-based resource matching strategy in cloud | |
CN117032902A (zh) | 一种基于负载的改进离散粒子群算法的云任务调度方法 | |
CN112835684A (zh) | 一种面向移动边缘计算的虚拟机部署方法 | |
CN113139639B (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
Yang et al. | NOSCM: A novel offloading strategy for NOMA-enabled hierarchical small cell mobile-edge computing | |
CN110996334A (zh) | 一种虚拟化无线网络功能编排策略 | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
Manavi et al. | Resource allocation in cloud computing using genetic algorithm and neural network | |
CN114219074A (zh) | 一种按需动态调整的无线通信网络资源分配算法 | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及*** | |
Yuan et al. | A DRL-Based Container Placement Scheme with Auxiliary Tasks. |
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 |