CN112995289A - 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 - Google Patents
一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 Download PDFInfo
- Publication number
- CN112995289A CN112995289A CN202110156669.XA CN202110156669A CN112995289A CN 112995289 A CN112995289 A CN 112995289A CN 202110156669 A CN202110156669 A CN 202110156669A CN 112995289 A CN112995289 A CN 112995289A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- task
- node
- subtask
- unloading
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 34
- 230000005540 biological transmission Effects 0.000 claims description 32
- 108090000623 proteins and genes Proteins 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 125000002015 acyclic group Chemical group 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims 1
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a 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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,属于车联网领域,将计算任务切分成小的有依赖关系且可并行处理的子任务,提出相应的时延与能耗模型。构建了车联网计算任务卸载的约束多目标优化模型,使用非支配排序遗传策略(NSGS)来优化目标函数,对于车联网中计算任务卸载问题提出新的非支配关系与约束。此外,进行了一系列的实验,并与其他的卸载方法进行了比较。实验结果证明了本发明提出使用非支配排序遗传策略解决计算任务卸载的时延与能耗问题,与其他的卸载方法相比有更好的性能,具有一定的实用价值。
Description
技术领域
本发明属于车联网领域,具体涉及一种基于非支配排序遗传策略的多目标计算任务卸载调度方法。
背景技术
近几年来,智能交通***和自动驾驶技术不断地发展,出现了各种吸引人的应用。使得车联网得到了大家的广泛关注。大量计算密集型和延迟敏感型应用提高了对车辆计算和存储容量的要求,但是受到物理空间和经济成本的限制,车辆计算资源和能耗有限很难满足应用的需求。
移动边缘计算(MEC)技术是近些年来发展的一项十分有前途的技术,在移动边缘计算中,车辆网可以使用基站或者路边单元(road side unit,RSU)来对车辆进行服务,可以将边缘服务器部署在离车辆更近的基站或者路边单元,这就使得车辆与服务器之间距离变得很短,使得车辆可以将计算任务卸载到边缘服务器上,这就减少了处理计算任务的时延和能耗。计算任务卸载作为边缘计算的关键技术之一,通过在车辆MEC网络中对车辆进行计算任务卸载,可以实现更多计算密集型和延迟敏感型的应用。
发明内容
为了解决卸载计算任务受MEC服务器资源限制的问题,将车辆计算任务切分成小的有依赖关系的子任务,切分后的子任务可并行处理,构建了车联网计算任务卸载的约束多目标优化模型,并提出非支配排序遗传策略(nondominated sorting geneticstrategy,NSGS)来优化目标函数,特定于车联网中计算任务卸载问题提出新的非支配关系与约束,使得车辆计算任务可以同时在车辆和边缘服务器上同时处理,缩减了计算任务处理所需要的时长与能耗。此外,经过一系列的实验,同时与其他的卸载方法进行了相应地比较,来证明所提出算法的有效性。实验结果证明了本发明提出的算法有更好的性能。
本发明的基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,主要包括如下步骤:
第1、车联网***模型的构建:
第1.1、对车联网***的通用名词进行定义;
第1.2、建立通信模型;
第1.3、建立计算时延模型;
第1.4、建立计算能耗模型;
第2、车联网任务卸载策略的构建:
第2.1、计算任务节点的调度约束;
第2.2、根据目标函数构建问题模型;
第3、NSGS算法的设计:
第3.1、根据遗传算法,设计车辆种群并进行初始化;
第3.2、设定约束条件;
第3.3、使用快速非支配排序方法对个体进行排序;
第3.4、计算拥挤度;
第3.5、设计交叉和变异策略;
第3.6、设计种群更新策略。
进一步的,步骤第1.1中对车联网***的通用名词进行定义,即一条道路上有M={1,2,3,...,m}个车辆,N={1,2,3,...,n}个信道,K={1,2,3,...,k}个边缘服务器。车辆在一个时间段最多只能连接一个信道,同时约束每辆车只能选择一个MEC服务器执行任务。将每辆车的计算任务分割成互相依赖的若干个子任务,这些子任务可以卸载到边缘服务器进行处理,但是有些任务必须在本地执行,例如车辆GPS获取车辆的位置。所以约束车辆第一个子任务与最后一个子任务将在本地执行。本发明提出使用有向无环图Dm=(Vm,Rm)代表车辆的计算任务,其中表示车辆m的所有子任务集合,使用来表示车辆m的子任务和之间的依赖关系,这两个子任务是邻居节点,当子任务是的直接父节点时,必须在之前完成。当这两个子任务一个在本地卸载而另一个在边缘服务器卸载时会产生额外的通信代价。每一个车辆m的子任务节点用表示。表示车辆m的子任务节点i的数据大小,表示车辆m的子任务节点i在本地进行任务卸载时消耗的CPU资源,表示车辆m的子任务节点i在边缘服务器进行任务卸载时消耗的CPU资源。表示一个决策因子,当决策因子等于1时表示子任务i在边缘服务器进行卸载,当决策因子等于0时表示子任务i在本地服务器进行卸载;
步骤第1.2中建立通信模型的方法如下,将车辆计算任务切分成子任务可提高任务卸载的并行能力,将车辆的任务节点化为与两个不相交的集合,分别表示在本地卸载与在边缘服务器卸载的任务集合。使用表示有向无环图中被划分了的边的集合。根据香农公式可以得到传输速率
步骤第1.3中建立计算时延模型的方法如下:使用Tm表示车辆m进行计算任务卸载时的时延,Tm由三个部分组成:1)任务节点在本地服务器进行任务卸载时的延迟2)任务节点在边缘服务器进行任务卸载时的延迟3)有依赖关系的两个任务节点与之间的额外传输延迟
上式中fk表示边缘服务器k的计算能力。
由于本发明考虑到计算任务的并行处理,所以总时延Tm并不是三部分的简单相加。将车辆一部分的计算任务卸载到边缘处理器去进行处理可以达到并行处理任务,从而减小时延与能耗。
因为车辆m的子任务节点i既可以在本地执行,又可以在边缘服务器执行,所以得到:
由上述可知,车辆m的总的计算卸载任务时间是最后一个任务的结束时间,其中v是最后一个任务节点。即:
步骤第1.4中建立计算能耗模型的方法如下:Em来车辆m进行计算任务卸载时的能量消耗,Em由两个部分组成:1)车辆m的所有子任务节点的计算任务卸载能耗2)有向无环图中被切割边之间的数据传输产生的能耗不考虑数据传输回车辆的能量消耗。
上式中μ表示本地服务器中每个CPU的能耗系数。i表示车辆的所有子任务中的任意一个子任务节点。
综上所述,可以得到车辆m总的能量消耗为:
进一步的,步骤第2.1中计算任务节点的调度约束,实现方法如下,根据(9)和(12)给出的目标函数,子任务节点需要满足以下约束:
1)执行优先级约束:
2)卸载截止期限约束:
卸载截止期限是指车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间;
3)完成卸载约束:
车辆m的每一个子任务节点都必须在其所有前驱子任务节点全部完成之后才能进行本身任务的卸载,子任务节点的开始卸载时间不能早于其前驱节点的结束时间。当子任务节点与其前驱节点不在同一个位置进行卸载还需要进行计算两个节点的传输时间。
步骤第2.2中建立目标函数优化问题模型的方法如下:车辆m的卸载延迟主要涉及到的是车辆计算任务卸载的时间延迟与车辆传输通信延迟,车辆的平均延迟可以表示为:
上式中ηm,n,k∈{0,1},如果车辆m通过信道n将计算任务卸载到边缘服务器k上,则ηm,n,k=1,如果没有则ηm,n,k=0。
车辆m的能量消耗主要涉及到的是本地进行卸载时的能量消耗与通过信道的能量消耗,车辆的平均消耗可以表示为:
把优化延迟与能耗的问题看作是一个约束多目标优化问题(CMOP),优化函数主要是由时延函数与能耗函数组成。优化目标就是最小化平均时延与平均能耗,优化策略可以表示为满足优化目标的情况下符合以下六个约束:约束C1为车辆m的任务节点只能在一处卸载,要么是本地卸载要么是边缘服务器卸载;约束C2为车辆m有没有通过信道n连接到边缘服务器k上;约束C3为一辆车在一次选择时只可以连接一个信道;约束C4为当节点是节点的直接父节点时;约束C5为车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间;约束C6为子任务节点的开始卸载时间不能早于其前驱节点的结束时间。
进一步的,步骤第3.1中初始化种群的方法为:染色体中的基因对应一辆车,基因数则表示车辆的总数量。车辆m由v个计算任务组成,染色体中的基因值可以表示为value∈{0,1,2,...,2v-1}。基因的值可以将value转换为二进制表示车辆m的计算任务卸载决策;
步骤第3.2所述设定约束条件如下:
步骤第3.3所述使用快速非支配排序算法如下,计算种群P中每个个体p的两个参数np(种群中支配个体p的个体数目)和Sp(种群中被个体p支配的个体集合)。
1)找出种群中所有np=0的个体,保存在集合F1中(也就是第一层)。
2)对F1中的每个个体p,其所支配的个体集合为Sp,遍历Sp中每个个体l,nl=nl-1,若nl=0,将l保存在集合F2中(第二层)。
3)以F2为当前集合,重复步骤2),直到整个种群被分层;
步骤第3.4所述拥挤度的计算方法的描述如下:
上式中nd,i表示解i的拥挤度,表示平均延迟函数,表示平均能耗函数。与表示平均延迟函数中的最大值与最小值,与表示平均能耗函数中的最大值与最小值。同时,对于排序后两个边界的拥挤度置为∞。当两个解的支配等级相同时,选择拥挤度大的解;
步骤第3.5所述交叉和变异算法的描述如下:
交叉概率CP通常设置为1.5;变异概率MP计算公式如下:
上式中,mp表示初始化时给定的变异概率值,n表示当前迭代次数,N表示最大迭代次数。
进行交叉操作按如下公式进行:
上式中,x1和x2表示父代染色体中p1和p2的交叉基因值,x1'和x'2表示子代染色体中c1和c2交叉后的基因值,同时基因位置与其对应的父代相同,α∈[0,1]是一个随机变量。
进行变异操作按如下公式进行:
x'm,i=2v-1-xm,i (18)
上式中,xm,i表示染色体m上的第i个基因值,x'm,i表示经过变异后生成的子代;
步骤第3.6所述种群更新方法的描述如下:
经过自适应交叉和变异操作后得到新的子代种群,接着计算新的子代种群的目标函数值和约束违规程度,采用锦标赛算法将父代种群与子代种群合成新的种群,使用快速非支配排序方法对新的种群进行排序,计算每个个体的拥挤度,通过比较非支配等级与拥挤度来进行排序,得到最优的染色体保留生成下一代。迭代终止后,将Pareto最优前沿的解转换成二进制表示为最佳计算卸载策略。否则,返回初始化种群操作,不断迭代直至满足迭代的终止条件为止。
本发明的优点和积极效果:
本发明主要设计了基于非支配排序遗传策略的多目标计算任务卸载调度方法,在该方法中,主要研究了MEC服务器的有限资源限制了对车辆计算任务的卸载,影响了处理计算任务的时延与能耗等问题。由于MEC服务器的资源有限,所以将车辆计算任务切分成可并行执行的子任务,一部分在本地处理,一部分卸载到MEC服务器。提出使用非支配排序遗传策略解决解决计算任务卸载的时延与能耗问题。与其他的卸载方法进行了相比,本发明提出的算法有更好的性能,具有一定的实用价值。
附图说明
图1是并行处理示意图;
图2是车辆密度和平均时延的关系图;
图3是车辆密度和平均能耗的关系图;
图4是子任务数量和平均时延的关系图;
图5是非支配排序遗传策略的多目标计算任务卸载调度方法的流程图。
具体实施方式
参见附图5,本发明基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,主要包括如下步骤:
第1、车联网***模型的构建:
第1.1、对车联网***的通用名词进行定义;
第1.2、建立通信模型;
第1.3、建立计算时延模型;
第1.4、建立计算能耗模型;
第2、车联网任务卸载策略的构建:
第2.1、计算任务节点的调度约束;
第2.2、根据目标函数构建问题模型;
第3、NSGS算法的设计:
第3.1、根据遗传算法,设计车辆种群并进行初始化;
第3.2、设定约束条件;
第3.3、使用快速非支配排序方法对个体进行排序;
第3.4、计算拥挤度;
第3.5、设计交叉和变异策略;
第3.6、设计种群更新策略。
本发明步骤第1.1中对车联网***的通用名词进行定义,即一条道路上有M={1,2,3,...,m}个车辆,N={1,2,3,...,n}个信道,K={1,2,3,...,k}个边缘服务器。车辆在一个时间段最多只能连接一个信道,同时约束每辆车只能选择一个MEC服务器执行任务。将每辆车的计算任务分割成互相依赖的若干个子任务,这些子任务可以卸载到边缘服务器进行处理,但是有些任务必须在本地执行,例如车辆GPS获取车辆的位置。所以约束车辆第一个子任务与最后一个子任务将在本地执行。本发明提出使用有向无环图Dm=(Vm,Rm)代表车辆的计算任务,其中表示车辆m的所有子任务集合,使用来表示车辆m的子任务和之间的依赖关系,这两个子任务是邻居节点,当子任务是的直接父节点时,必须在之前完成。当这两个子任务一个在本地卸载而另一个在边缘服务器卸载时会产生额外的通信代价。每一个车辆m的子任务节点用表示。表示车辆m的子任务节点i的数据大小,表示车辆m的子任务节点i在本地进行任务卸载时消耗的CPU资源,表示车辆m的子任务节点i在边缘服务器进行任务卸载时消耗的CPU资源。表示一个决策因子,当决策因子等于1时表示子任务i在边缘服务器进行卸载,当决策因子等于0时表示子任务i在本地服务器进行卸载;
步骤第1.2中建立通信模型的方法如下,将车辆计算任务切分成子任务可提高任务卸载的并行能力,将车辆的任务节点化为与两个不相交的集合,分别表示在本地卸载与在边缘服务器卸载的任务集合。本发明使用表示有向无环图中被划分了的边的集合。根据香农公式可以得到传输速率
步骤第1.3中建立计算时延模型的方法如下:本发明中,使用Tm表示车辆m进行计算任务卸载时的时延,Tm由三个部分组成:1)任务节点在本地服务器进行任务卸载时的延迟2)任务节点在边缘服务器进行任务卸载时的延迟3)有依赖关系的两个任务节点与之间的额外传输延迟
上式中fk表示边缘服务器k的计算能力。
由于本发明考虑到计算任务的并行处理,所以总时延Tm并不是三部分的简单相加。将车辆一部分的计算任务卸载到边缘处理器去进行处理可以达到并行处理任务,从而减小时延与能耗。
因为车辆m的子任务节点i既可以在本地执行,又可以在边缘服务器执行,所以得到:
由上述可知,车辆m的总的计算卸载任务时间是最后一个任务的结束时间,其中v是最后一个任务节点。即:
步骤第1.4中建立计算能耗模型的方法如下:Em来车辆m进行计算任务卸载时的能量消耗,Em由两个部分组成:1)车辆m的所有子任务节点的计算任务卸载能耗2)有向无环图中被切割边之间的数据传输产生的能耗在本发明中不考虑数据传输回车辆的能量消耗。
上式中μ表示本地服务器中每个CPU的能耗系数。i表示车辆的所有子任务中的任意一个子任务节点。
综上所述,可以得到车辆m总的能量消耗为:
本发明步骤第2.1中计算任务节点的调度约束,实现方法如下,根据(9)和(12)给出的目标函数,子任务节点需要满足以下约束:
1)执行优先级约束:
2)卸载截止期限约束:
卸载截止期限是指车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间;
3)完成卸载约束:
车辆m的每一个子任务节点都必须在其所有前驱子任务节点全部完成之后才能进行本身任务的卸载,子任务节点的开始卸载时间不能早于其前驱节点的结束时间。当子任务节点与其前驱节点不在同一个位置进行卸载还需要进行计算两个节点的传输时间。
步骤第2.2中建立目标函数优化问题模型的方法如下:本发明中车辆m的卸载延迟主要涉及到的是车辆计算任务卸载的时间延迟与车辆传输通信延迟,车辆的平均延迟可以表示为:
上式中ηm,n,k∈{0,1},如果车辆m通过信道n将计算任务卸载到边缘服务器k上,则ηm,n,k=1,如果没有则ηm,n,k=0,是车辆m的最后一个子任务节点的前一个任务节点的集合,p是中任意一个任务节点;
本发明中的车辆m的能量消耗主要涉及到的是本地进行卸载时的能量消耗与通过信道的能量消耗,车辆的平均消耗可以表示为:
把优化延迟与能耗的问题看作是一个约束多目标优化问题(CMOP),优化函数主要是由时延函数与能耗函数组成。优化目标就是最小化平均时延与平均能耗,优化策略可以表示为满足优化目标的情况下符合以下六个约束:约束C1为车辆m的任务节点只能在一处卸载,要么是本地卸载要么是边缘服务器卸载;约束C2为车辆m有没有通过信道n连接到边缘服务器k上;约束C3为一辆车在一次选择时只可以连接一个信道;约束C4为当节点是节点的直接父节点时;约束C5为车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间;约束C6为子任务节点的开始卸载时间不能早于其前驱节点的结束时间。
本发明步骤第3.1中初始化种群的方法为:染色体中的基因对应一辆车,基因数则表示车辆的总数量。车辆m由v个计算任务组成,染色体中的基因值可以表示为value∈{0,1,2,...,2v-1}。基因的值可以将value转换为二进制表示车辆m的计算任务卸载决策;
步骤第3.2所述设定约束条件如下:
步骤第3.3所述使用快速非支配排序算法如下,计算种群P中每个个体p的两个参数np(种群中支配个体p的个体数目)和Sp(种群中被个体p支配的个体集合)。
1)找出种群中所有np=0的个体,保存在集合F1中(也就是第一层)。
2)对F1中的每个个体p,其所支配的个体集合为Sp,遍历Sp中每个个体l,nl=nl-1,若nl=0,将l保存在集合F2中(第二层)。
3)以F2为当前集合,重复步骤2),直到整个种群被分层;
步骤第3.4所述拥挤度的计算方法的描述如下:
上式中nd,i表示解i的拥挤度,表示平均延迟函数,表示平均能耗函数。与表示平均延迟函数中的最大值与最小值,与表示平均能耗函数中的最大值与最小值。同时,对于排序后两个边界的拥挤度置为∞。当两个解的支配等级相同时,选择拥挤度大的解;
步骤第3.5所述交叉和变异算法的描述如下:
交叉概率CP通常设置为1.5;变异概率MP计算公式如下:
上式中,mp表示初始化时给定的变异概率值,n表示当前迭代次数,N表示最大迭代次数。
进行交叉操作按如下公式进行:
上式中,x1和x2表示父代染色体中p1和p2的交叉基因值,x1'和x'2表示子代染色体中c1和c2交叉后的基因值,同时基因位置与其对应的父代相同,α∈[0,1]是一个随机变量。
进行变异操作按如下公式进行:
x'm,i=2v-1-xm,i (18)
上式中,xm,i表示染色体m上的第i个基因值,x'm,i表示经过变异后生成的子代;步骤第3.6所述种群更新方法的描述如下:经过自适应交叉和变异操作后得到新的子代种群,接着计算新的子代种群的目标函数值和约束违规程度,采用锦标赛算法将父代种群与子代种群合成新的种群,使用快速非支配排序方法对新的种群进行排序,计算每个个体的拥挤度,通过比较非支配等级与拥挤度来进行排序,得到最优的染色体保留生成下一代。迭代终止后,将Pareto最优前沿的解转换成二进制表示为最佳计算卸载策略。否则,返回初始化种群操作,不断迭代直至满足迭代的终止条件为止。
实施例1:
本实施例设计的方法是基于Matlab 2018a来对NSGS卸载算法进行验证。验证的主要目标是确定非支配排序遗传策略对车辆计算任务的卸载的影响。除此之外,想要检查在不同车辆数目的情况下在大车流量的城市场景中使用所提出的计算任务卸载调度方法的好处。
在实验中使用不同的参数来验证非支配排序遗传策略算法的性能。主要涉及的实施操作有非支配排序遗传算法的实现,模拟场景的构建以及具体的算法计算过程。
本实例中构建了一个模拟场景,在车流量较大的城市道路上,双向四车道,每隔300米设置一个MEC服务器,车速在40-60公里每小时。
每个车道的车速都遵循正态分布,所有车辆沿道路匀速行驶,车辆在道路上的分布依照泊松定理分布,每一辆车都是相互独立的。各个参数的设置如表1和表2:
表1 实验参数
表2 NSGS参数
Parameter | Value |
种群数量 | [40,80] |
最大迭代次数 | 100 |
ε | 1.5 |
本模拟实验将考虑两个性能指标,其分别是:
本实例的仿真实验结果如下:
1.不同车辆密度对两个性能指标的影响
1)车辆密度和平均时延的关系
附图2为车辆密度和平均时延的关系。从图中可以看出,当车辆密度增加时,五种算法的平均延迟都随之增加,而本发明提出的NSGS算法平均延迟在五种算法当中是最低的。这主要是因为充分考虑了计算卸载任务切分后子任务划分过程中的环境因素,如边缘服务器的计算能力和信道的传输速率等,因此在进行任务划分时更加准确高效。由于联合传输时延和能耗的动态感知机制是对卸载任务节点进行划分之后再进行信道选择和服务器匹配,这导致节点划分不明确,所以需要花费较多的时间与能量,从而不能达到最优的节能效果。传统的NSGA-Ⅱ算法没有引入快速非支配、精英策略等方法,导致其在约束处理方面与本发明提出的算法有所差距。MOEA/D算法相比较传统的NSGA-Ⅱ算法可以根据其相邻子问题的信息来进行优化,使得其复杂度较低,时延也更低。随机分配(random)节点的卸载位置则没有使用优化算法,所以在时延与能耗方面表现都不佳。
2)车辆密度和平均能耗的关系
附图3表明了车辆密度和平均能耗的关系。从图中可以看到,随着车辆密度的增加,5种算法的平均能耗都有所增加,但NSGS的效果最好。车辆密度与平均能耗的关系分析与车辆密度与平均时延的关系的分析相似。
2.不同数量子任务对平均时延的影响
附图4为子任务数量和平均时延的关系。子任务数量和平均时延的关系与车辆密度与平均时延的关系的分析相似。
仿真结果表明,在所有测试的算法中,NSGS能够达到最好的效果。
Claims (4)
1.一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,其特征在于该方法主要包括如下步骤:
第1、车联网***模型的构建:
第1.1、对车联网***的通用名词进行定义;
第1.2、建立通信模型;
第1.3、建立计算时延模型;
第1.4、建立计算能耗模型;
第2、车联网任务卸载策略的构建:
第2.1、计算任务节点的调度约束;
第2.2、根据目标函数构建问题模型;
第3、NSGS算法的设计:
第3.1、根据遗传算法,设计车辆种群并进行初始化;
第3.2、设定约束条件;
第3.3、使用快速非支配排序方法对个体进行排序;
第3.4、计算拥挤度;
第3.5、设计交叉和变异策略;
第3.6、设计种群更新策略。
2.如权利要求1所述的基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,其特征在于,步骤第1.1中对车联网***的通用名词进行定义,即一条道路上有M={1,2,3,...,m}个车辆,N={1,2,3,...,n}个信道,K={1,2,3,...,k}个边缘服务器;车辆在一个时间段最多只能连接一个信道,同时约束每辆车只能选择一个MEC服务器执行任务;将每辆车的计算任务分割成互相依赖的若干个子任务,这些子任务可以卸载到边缘服务器进行处理,但是有些任务必须在本地执行,约束车辆第一个子任务与最后一个子任务将在本地执行;使用有向无环图Dm=(Vm,Rm)代表车辆的计算任务,其中表示车辆m的所有子任务集合,使用来表示车辆m的子任务和之间的依赖关系,这两个子任务是邻居节点,当子任务是的直接父节点时,必须在之前完成;当这两个子任务一个在本地卸载而另一个在边缘服务器卸载时会产生额外的通信代价,每一个车辆m的子任务节点用表示,表示车辆m的子任务节点i的数据大小,表示车辆m的子任务节点i在本地进行任务卸载时消耗的CPU资源,表示车辆m的子任务节点i在边缘服务器进行任务卸载时消耗的CPU资源,表示一个决策因子,当决策因子等于1时表示子任务i在边缘服务器进行卸载,当决策因子等于0时表示子任务i在本地服务器进行卸载;
步骤第1.2中建立通信模型的方法如下,将车辆计算任务切分成子任务可提高任务卸载的并行能力,将车辆的任务节点化为与两个不相交的集合,分别表示在本地卸载与在边缘服务器卸载的任务集合,表示有向无环图中被划分了的边的集合;根据香农公式可以得到传输速率
步骤第1.3中建立计算时延模型的方法如下:使用Tm表示车辆m进行计算任务卸载时的时延,Tm由三个部分组成:1)任务节点在本地服务器进行任务卸载时的延迟2)任务节点在边缘服务器进行任务卸载时的延迟3)有依赖关系的两个任务节点与之间的额外传输延迟
上式中fk表示边缘服务器k的计算能力;
因为车辆m的子任务节点i既可以在本地执行,又可以在边缘服务器执行,所以得到:
由上述可知,车辆m的总的计算卸载任务时间是最后一个任务的结束时间,其中v是最后一个任务节点,即:
步骤第1.4中建立计算能耗模型的方法如下:Em来车辆m进行计算任务卸载时的能量消耗,Em由两个部分组成:1)车辆m的所有子任务节点的计算任务卸载能耗2)有向无环图中被切割边之间的数据传输产生的能耗不考虑数据传输回车辆的能量消耗;
上式中μ表示本地服务器中每个CPU的能耗系数,i表示车辆的所有子任务中的任意一个子任务节点;
综上所述,得到车辆m总的能量消耗为:
3.如权利要求1所述的基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,其特征在于,步骤第2.1中计算任务节点的调度约束,实现方法如下,根据权利要求2中式(9)和(12)给出的目标函数,子任务节点需要满足以下约束:
1)执行优先级约束:
2)卸载截止期限约束:
卸载截止期限是指车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间;
3)完成卸载约束:
车辆m的每一个子任务节点都必须在其所有前驱子任务节点全部完成之后才能进行本身任务的卸载,子任务节点的开始卸载时间不能早于其前驱节点的结束时间,当子任务节点与其前驱节点不在同一个位置进行卸载还需要进行计算两个节点的传输时间;
步骤第2.2中建立目标函数优化问题模型的方法如下:车辆m的卸载延迟主要涉及到的是车辆计算任务卸载的时间延迟与车辆传输通信延迟,车辆的平均延迟可以表示为:
上式中ηm,n,k∈{0,1},如果车辆m通过信道n将计算任务卸载到边缘服务器k上,则ηm,n,k=1,如果没有则ηm,n,k=0;
车辆m的能量消耗主要涉及到的是本地进行卸载时的能量消耗与通过信道的能量消耗,车辆的平均消耗可以表示为:
4.如权利要求1所述的基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法,其特征在于,步骤第3.1中初始化种群的方法为:染色体中的基因对应一辆车,基因数则表示车辆的总数量,车辆m由v个计算任务组成,染色体中的基因值可以表示为value∈{0,1,2,...,2v-1},基因的值可以将value转换为二进制表示车辆m的计算任务卸载决策;
步骤第3.2所述设定约束条件如下:
步骤第3.3所述使用快速非支配排序算法如下,计算种群P中每个个体p的两个参数np(种群中支配个体p的个体数目)和Sp(种群中被个体p支配的个体集合);
1)找出种群中所有np=0的个体,保存在集合F1中,即第一层;
2)对F1中的每个个体p,其所支配的个体集合为Sp,遍历Sp中每个个体l,nl=nl-1,若nl=0,将l保存在集合F2中,即第二层;
3)以F2为当前集合,重复步骤2),直到整个种群被分层;
步骤第3.4所述拥挤度的计算方法的描述如下:
上式中nd,i表示解i的拥挤度,表示平均延迟函数,表示平均能耗函数,与表示平均延迟函数中的最大值与最小值,与表示平均能耗函数中的最大值与最小值,同时,对于排序后两个边界的拥挤度置为∞,当两个解的支配等级相同时,选择拥挤度大的解;
步骤第3.5所述交叉和变异算法的描述如下:
交叉概率CP通常设置为1.5;变异概率MP计算公式如下:
上式中,mp表示初始化时给定的变异概率值,n表示当前迭代次数,N表示最大迭代次数;
进行交叉操作按如下公式进行:
上式中,x1和x2表示父代染色体中p1和p2的交叉基因值,x'1和x'2表示子代染色体中c1和c2交叉后的基因值,同时基因位置与其对应的父代相同,α∈[0,1]是一个随机变量;
进行变异操作按如下公式进行:
x'm,i=2v-1-xm,i (18)
上式中,xm,i表示染色体m上的第i个基因值,x'm,i表示经过变异后生成的子代;
步骤第3.6所述种群更新方法的描述如下:
经过自适应交叉和变异操作后得到新的子代种群,接着计算新的子代种群的目标函数值和约束违规程度,采用锦标赛算法将父代种群与子代种群合成新的种群,使用快速非支配排序方法对新的种群进行排序,计算每个个体的拥挤度,通过比较非支配等级与拥挤度来进行排序,得到最优的染色体保留生成下一代,迭代终止后,将Pareto最优前沿的解转换成二进制表示为最佳计算卸载策略,否则,返回初始化种群操作,不断迭代直至满足迭代的终止条件为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156669.XA CN112995289B (zh) | 2021-02-04 | 2021-02-04 | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156669.XA CN112995289B (zh) | 2021-02-04 | 2021-02-04 | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112995289A true CN112995289A (zh) | 2021-06-18 |
CN112995289B CN112995289B (zh) | 2022-05-17 |
Family
ID=76347103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110156669.XA Expired - Fee Related CN112995289B (zh) | 2021-02-04 | 2021-02-04 | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112995289B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542376A (zh) * | 2021-07-01 | 2021-10-22 | 广东工业大学 | 一种基于能耗与时延加权的任务卸载方法 |
CN113742077A (zh) * | 2021-09-08 | 2021-12-03 | 吉林大学 | 一种基于5g车联网的计算迁移方法 |
CN114296814A (zh) * | 2021-12-10 | 2022-04-08 | 中国科学院深圳先进技术研究院 | 一种边云计算任务卸载方法、***、终端以及存储介质 |
CN114327526A (zh) * | 2022-01-05 | 2022-04-12 | 安徽大学 | 一种移动边缘计算环境中的任务卸载方法及其应用 |
CN114637552A (zh) * | 2022-03-09 | 2022-06-17 | 天津理工大学 | 一种基于模糊逻辑策略的雾计算任务卸载方法 |
CN114980216A (zh) * | 2022-06-01 | 2022-08-30 | 江南大学 | 基于移动边缘计算的依赖型任务卸载***及方法 |
CN114980029A (zh) * | 2022-05-20 | 2022-08-30 | 重庆邮电大学 | 车联网中基于任务关联性的卸载方法 |
CN116708581A (zh) * | 2023-06-02 | 2023-09-05 | 暨南大学 | 面向无服务器边缘计算的高可靠函数调度方法 |
CN117971348A (zh) * | 2024-04-01 | 2024-05-03 | 西安邮电大学 | 基于膜计算的物联网边缘计算卸载方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111836283A (zh) * | 2020-07-03 | 2020-10-27 | 重庆邮电大学 | 一种基于mec多服务器的车联网资源分配方法 |
US10866836B1 (en) * | 2019-08-20 | 2020-12-15 | Deke Guo | Method, apparatus, device and storage medium for request scheduling of hybrid edge computing |
-
2021
- 2021-02-04 CN CN202110156669.XA patent/CN112995289B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10866836B1 (en) * | 2019-08-20 | 2020-12-15 | Deke Guo | Method, apparatus, device and storage medium for request scheduling of hybrid edge computing |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111836283A (zh) * | 2020-07-03 | 2020-10-27 | 重庆邮电大学 | 一种基于mec多服务器的车联网资源分配方法 |
Non-Patent Citations (5)
Title |
---|
USMAN AHMAD: "A Time Domain Passivity Approach for Asymmetric Multilateral Teleoperation System", 《IEEE》 * |
张德干等: "一种面向边缘计算节点能量优化的QoS约束路由算法", 《北京邮电大学学报》 * |
张海波等: "车联网中一种基于软件定义网络与移动边缘计算的卸载策略", 《电子与信息学报》 * |
王登辉等: "面向物联网的移动边缘计算任务卸载方法研究", 《内江师范学院学报》 * |
莫瑞超等: "面向车联网边缘计算的智能计算迁移研究", 《应用科学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542376A (zh) * | 2021-07-01 | 2021-10-22 | 广东工业大学 | 一种基于能耗与时延加权的任务卸载方法 |
CN113742077B (zh) * | 2021-09-08 | 2024-03-01 | 吉林大学 | 一种基于5g车联网的计算迁移方法 |
CN113742077A (zh) * | 2021-09-08 | 2021-12-03 | 吉林大学 | 一种基于5g车联网的计算迁移方法 |
CN114296814A (zh) * | 2021-12-10 | 2022-04-08 | 中国科学院深圳先进技术研究院 | 一种边云计算任务卸载方法、***、终端以及存储介质 |
CN114327526A (zh) * | 2022-01-05 | 2022-04-12 | 安徽大学 | 一种移动边缘计算环境中的任务卸载方法及其应用 |
CN114327526B (zh) * | 2022-01-05 | 2024-05-28 | 安徽大学 | 一种移动边缘计算环境中的任务卸载方法及其应用 |
CN114637552A (zh) * | 2022-03-09 | 2022-06-17 | 天津理工大学 | 一种基于模糊逻辑策略的雾计算任务卸载方法 |
CN114980029A (zh) * | 2022-05-20 | 2022-08-30 | 重庆邮电大学 | 车联网中基于任务关联性的卸载方法 |
CN114980216B (zh) * | 2022-06-01 | 2024-03-22 | 江南大学 | 基于移动边缘计算的依赖型任务卸载***及方法 |
CN114980216A (zh) * | 2022-06-01 | 2022-08-30 | 江南大学 | 基于移动边缘计算的依赖型任务卸载***及方法 |
CN116708581A (zh) * | 2023-06-02 | 2023-09-05 | 暨南大学 | 面向无服务器边缘计算的高可靠函数调度方法 |
CN116708581B (zh) * | 2023-06-02 | 2024-03-29 | 暨南大学 | 面向无服务器边缘计算的高可靠函数调度方法 |
CN117971348A (zh) * | 2024-04-01 | 2024-05-03 | 西安邮电大学 | 基于膜计算的物联网边缘计算卸载方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112995289B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112995289B (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
CN112380008B (zh) | 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
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 | |
Chen et al. | Efficiency and fairness oriented dynamic task offloading in internet of vehicles | |
CN111813506A (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 | |
CN113918240B (zh) | 任务卸载方法及装置 | |
CN115134242B (zh) | 一种基于深度强化学习策略的车载计算任务卸载方法 | |
CN105323166A (zh) | 一种面向云计算的基于网络能效优先的路由方法 | |
CN115297171B (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及*** | |
CN113641417B (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN113709249B (zh) | 辅助驾驶业务安全均衡卸载方法及*** | |
CN109635998A (zh) | 一种求解带时间窗车辆路径问题的自适应多目标优化方法 | |
CN115065683B (zh) | 基于车辆聚类的车辆边缘网络任务分配卸载方法 | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载***及方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN115514405B (zh) | 联合计算和通信资源分配的leo边缘卸载方法 | |
CN114520772B (zh) | 一种5g切片资源调度方法 | |
CN117938959A (zh) | 基于深度强化学习和遗传算法的多目标sfc部署方法 | |
CN118113484A (zh) | 一种资源调度方法、***、存储介质及车辆 | |
Zhou et al. | A reliable edge server placement strategy based on DDPG in the Internet of Vehicles | |
CN116744312A (zh) | 一种无人机基站部署及用户关联方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220517 |
|
CF01 | Termination of patent right due to non-payment of annual fee |