CN114143814B - 一种基于异构边缘云架构的多任务卸载方法及*** - Google Patents
一种基于异构边缘云架构的多任务卸载方法及*** Download PDFInfo
- Publication number
- CN114143814B CN114143814B CN202111520166.2A CN202111520166A CN114143814B CN 114143814 B CN114143814 B CN 114143814B CN 202111520166 A CN202111520166 A CN 202111520166A CN 114143814 B CN114143814 B CN 114143814B
- Authority
- CN
- China
- Prior art keywords
- unloading
- scheme
- unloading scheme
- fitness
- schemes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 108
- 239000002245 particle Substances 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 description 37
- 230000006870 function Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于异构边缘云架构的多任务卸载方法及***。所述方法包括:初始化每个个体的初始卸载方案;采用粒子群算法对各初始卸载方案进行处理得到各个体的待选卸载方案;计算各待选卸载方案的适应度,对各待选卸载方案平均分组得到多组卸载方案群;根据各待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并对剩余卸载方案群进行处理得到多个操作卸载方案;计算各操作卸载方案的适应度并判断是否达到总体迭代停止条件;若没有则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代;若达到则确定适应度最大的操作卸载方案中的位置为最优卸载策略。本发明可以解决多任务的卸载问题。
Description
技术领域
本发明涉及移动边缘计算技术领域,特别是涉及一种基于异构边缘云架构的多任务卸载方法及***。
背景技术
随着移动通信技术的发展和智能终端的普及,增强现实、虚拟现实和无人驾驶等各种新兴的应用不断涌现,用户对服务质量和体验质量有了更高的要求。预计到2030年,移动数据流量将出现***式增长,全球移动终端数将接近1000亿,中国可能达到200亿。在终端设备上运行这些数据量较大的应用程序,需要大量的计算资源、存储资源以及较高的能耗,而移动设备的计算能力、资源存储和电池电量往往是有限的,无法满足这些需求。
移动云计算(Mobile Cloud Computing,MCC)的出现为解决这些问题提供了思路。欧洲电信标准化协会在2014年成立了移动边缘计算(Mobile Edge Computing,MEC)规范工作组,促进业界对移动边缘计算的研究。移动边缘计算是指在移动网络边缘部署计算和存储资源,为移动网络提供IT服务环境和云计算能力,从而为用户提供超低时延和高带宽的网络服务解决方案。MEC是推动5G发展的关键技术,与物联网(Internet ofThings,IoT)相互促进,共同发展。MEC的关键技术是计算卸载,计算卸载技术就是将移动终端的计算任务卸载到边缘网络,解决移动设备在资源存储、计算性能以及能效等方面的问题。目前关于计算卸载已有许多相关研究,主要包括卸载决策和卸载资源分配。卸载的过程中可能会受到不同因素的影响,如用户的使用习惯、无线信道的干扰、通信链路的质量、移动设备的性能等,计算卸载的关键在于制定适合的卸载决策,这也是近年来的研究热点。
研究人员建立了MEC模型,并采用不同的方法对卸载方案进行优化,包括凸优化算法、机器学习的方法(深度学习和强化学习)、群体智能的方法(主要是蚁群算法、粒子群算法等)等。但现有的MEC模型以单一的边缘节点或者单任务卸载为主,即使在多任务场景下,对不同任务性能需求的区分度也不高。而在实际环境中,面对的往往是复杂异构的边缘网络,各种不同的接入方式,在用户侧无论是任务的类型还是任务的数量都不是单一的,且不同类型任务对计算能力、数据传输能力以及时延的要求均不同。因此,需要针对实际应用场景中的多任务卸载问题进行深入研究,建立异构边缘网络模型和多任务卸载模型,并采用适当的优化算法解决复杂网络模型下的多任务的卸载问题。
发明内容
本发明的目的是提供一种基于异构边缘云架构的多任务卸载方法及***,可以解决多任务的卸载问题。
为实现上述目的,本发明提供了如下方案:
一种基于异构边缘云架构的多任务卸载方法,包括:
分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;所述个体为所有用户要卸载的所有任务;所述位置为卸载策略;
在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案;
计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群;
根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案;
计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果;
若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代;
若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略。
一种基于异构边缘云架构的多任务卸载***,包括:
初始化模块,用于分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;所述个体为所有用户要卸载的所有任务;所述位置为卸载策略;
待选卸载方案确定模块,用于在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案;
卸载方案群确定模块,用于计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群;
操作卸载方案确定模块,用于根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案;
判断模块,用于计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果;
循环模块,用于若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代;
最优卸载策略确定模块,用于若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案;计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群;根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案;计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果;若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代;若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略,可以解决多任务的卸载问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的混合云/雾的异构边缘网络模型的示意图;
图2为本发明提供的H-PSOGA算法优化过程示意图;
图3为本发明提供的选择操作示意图;
图4为本发明提供的交叉示意图;
图5为本发明提供的H-PSOGA算法流程图;
图6为本发明提供的不同惯性权重适应度值曲线图;
图7为本发明仿真实验中Sphere函数测试结果的对比图;
图8为本发明仿真实验中Sum square函数测试结果的对比图;
图9为本发明仿真实验中Rosenbrock函数测试结果的对比图;
图10为本发明仿真实验中Rastrigin函数测试结果的对比图;
图11为本发明仿真实验中Ackley函数测试结果的对比图;
图12为本发明仿真实验中Griewank函数测试结果的对比图;
图13为本发明仿真实验中适应度函数收敛曲线图;
图14为本发明仿真实验中不同类型任务卸载方案概率分布图;
图15为本发明仿真实验中***平均开销与用户数量关系图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明考虑构建混合云/雾的异构边缘网络模型,将多任务卸载到车辆、无人机、路边单元等边缘节点或者通过边缘节点卸载到边缘云,满足用户的服务质量和体验质量,具体的混合云/雾的异构边缘网络模型如图1所示,本发明考虑由N个用户、M个边缘节点、一个边缘云组成的异构边缘云***,其中无人机、路边单元、车辆作为边缘节点,数量分别为I、J、K,I+J+K=M。为了满足用户的服务质量和体验质量,用户可以在本地执行任务,也可以将任务通过D2D方式卸载到车辆,或通过蜂窝无线网络卸载到无人机、路边单元(Road SideUnit,RSU)等边缘节点。但是由于边缘节点的计算能力和能源是有限的,当其无法满足用户需求时,可将任务通过边缘节点中继到边缘云服务器。边缘云服务器部署在小区的基站上,无人机和车辆通过无线方式连接到边缘云服务器,路边单元通过有线链路连接到边缘云服务器。
用户的卸载决策受以下条件约束:
其中,Xn=1、分别表示计算任务在本地、无人机、路边单元、车辆及分别通过三种中继方式下卸载至边缘云服务器执行。从公式(1)可以看出,上述变量中有且只有一个取值为1,即任务进行完全卸载,只能在一个服务器执行。
假设无线信道总带宽为B,每个用户设备(UserEquipment,UE)有Q种类型的计算任务要执行,定义表示用户n第q种类型的计算任务,其中/>表示输入数据大小,/>表示完成计算任务所需的CPU周期,/>表示输出数据大小,τmaxq、emaxq分别表示q类型计算任务的容忍时延和容忍能耗。在不影响分析结果的前提下,省略上标q,将用户n的计算任务采用/>来表示。
边缘节点和边缘云仅在接收到所有输入数据之后,才开始执行任务。
当在本地执行任务时,本地时延和本地能耗/>可根据公式(2)和(3)得到:其中,floc表示UE本地计算能力,/>表示UE本地执行功耗。
为了保证用户的服务质量,引入具有一定计算能力的无人机作为边缘节点。当在无人机执行任务时,考虑空对地信道模型,其中无人机的通信链路为视距(Line-of-sight,LOS)或者非视距(Non-line-of-sight,NLOS),其概率取决于无人机的高度和用户与无人机的仰角。用r表示UE与无人机的水平距离,h表示无人机的高度,则UE到无人机的仰角和直线距离分别为:
通过公式(6)和(7)可以得到通信链路为LOS和NLOS的概率分别为:
pNLOS=1-pLOS(9),其中α,β为环境特征参数。根据公式(8)和(9)可得到LOS和NLOS链路的平均路径损耗分别为LLOS和LNLOS,分别如式(10)、(11)所示:
其中,ζLOS和ζNLOS是取决于环境的自由空间传播损耗的平均附加损耗,c表示光速,f表示载波频率。根据公式(8)、公式(9)、公式(10)和(11)可以得到链路平均路径损耗为:
根据公式(12)可以得到UE n(用户设备n)和无人机di之间通信链路的信噪比为:
根据公式(13)可以得到UE n和无人机di的通信链路的上行传输速率为:
其中/>表示UE n和无人机di之间的路径损耗。Pl表示UE发射功率,假设每个UE发射功率相同;σ2表示噪声功率。假定通信链路的上、下行信道条件相同,且分配带宽相同,则上、下行传输速率相等,/>表示UE m(用户设备m)和无人机di之间的路径损耗,/>表示UE n和无人机di间的信道带宽。
用户任务卸载到无人机执行的时延由任务上传时延、无人机执行时延和任务执行结果回传时延构成。根据公式(14)可得到UE n的任务上传到无人机di的传输时延为:
用表示无人机di的计算能力,则UE n的任务在无人机di执行的时延为:
任务执行结果从无人机di回传到UE n的传输时延为:
根据公式(15)、(16)和(17),可以得到UE n的任务卸载到无人机di的时延为:
UE n将任务卸载到无人机di执行的能耗如公式(19)所示:
公式(19)中的4项分别对应任务上传能耗、无人机执行能耗、执行结果回传能耗以及UE空载状态下的能耗,其中Plid分别表示UE的发射功率和空闲状态下的功耗,/>和分别表示无人机di的计算功耗和发射功率。
路边单元可以作为边缘节点为***提供计算资源,当在路边单元执行任务时,UEn与路边单元rj的通信链路信噪比为:
假设通信链路的上下行信道条件和信道带宽均相同,则UE n与路边单元rj的信道传输速率为:其中,/>表示UE n和路边单元rj之间的信道增益,/>表示UE m和路边单元rj之间的信道增益,可以由/>得到,其中μ表示路径损耗指数,/>表示小尺度衰落系数,/>表示UE n到路边单元rj的距离,/>表示UE n和路边单元rj间的信道带宽。
任务卸载到RSU执行的时延和能耗/>的构成与公式(18)和(19)类似,可用公式(22)和(23)表示:/>
其中/>表示路边单元rj的计算能力,/>表示路边单元rj的计算功耗,/>表示路边单元rj的发射功率。
用户到车辆采用设备到设备(Device to Device,D2D)的直接通信方式,基站只在开始阶段参与设备发现和会话建立,D2D复用上行频率资源,干扰主要来自使用相同频率的蜂窝用户的上行传输以及复用相同频率的其他D2D对,因为D2D属于近距离微功率,所以忽略复用相同频率的D2D对之间的干扰。当在车辆执行任务时,UE n与车辆vk间的通信链路信噪比为:
其中表示UE n和车辆vk之间的信道增益,/>表示UE m和车辆vk之间的信道增益。
表示UE n和车辆vk间的信道带宽。假设通信链路的上下行信道条件和信道带宽均相同,UE n与车辆vk间的信道传输速率为:/>
同样的,时延和能耗的构成与公式(18)和(19)类似。任务通过D2D的通信方式卸载到车辆执行的时延和能耗/>可以用公式(26)和(27)表示:其中fv表示车辆vk的计算能力,/>表示车辆vk的计算功耗,/>表示车辆vk的发射功率。
除了以上几种任务执行方式之外,还可以将任务通过无人机、路边单元、车辆中继到部署在基站的边缘云服务器执行。为了避免赘余,此处以无人机中继为例详细分析。
无人机到部署边缘云的基站的信道条件与用户到无人机的类似,Pd表示无人机的发射功率,gdi,c和gdm,c分别表示无人机di和dm到边缘云c之间的信道增益,此时无人机di到边缘云c的传输链路信噪比为:
Bdi,c表示无人机di与边缘云c之间的信道带宽,并假设上、下行信道带宽和信道增益均相同,则无人机di到边缘云c的上下行信道传输速率相等,为:
任务通过无人机中继到边缘云卸载时,时延主要包括任务上传时延、任务执行时延以及任务执行结果回传时延。上传时延又分为UE到无人机的时延、无人机到边缘云的时延两部分,如公式(30)所示:/>
用fclo表示边缘云的计算能力,则任务在边缘云服务器执行的时延为:
任务执行结果回传是任务上传的反过程,回传时延分为边缘云到无人机的时延、无人机到UE的时延,可以用公式(32)进行表示:/>
(32),根据公式(30)-(32)可以得到UE n的任务通过无人机dro中继到边缘云服务器c卸载的时延为:
能耗主要包括任务上传阶段能耗、任务执行能耗、任务回传阶段能耗、以及UE在空载状态下的能耗。数据上传阶段的能耗又包括UE发射能耗和无人机发射能耗,可用公式(34)表示:/>
用表示边缘云服务器的执行功耗,则任务在边缘云服务器执行的能耗为:
数据回传阶段的能耗包含边缘云服务器到无人机以及无人机到UE的数据传输能耗两部分,用/>表示部署边缘云服务器的基站的发射功耗,则数据回传能耗为:
除此之外,数据在无人机和边缘云服务器之间传输阶段和任务执行阶段,UE处于空载状态,此时的能耗为:
根据公式(34)-(37),可以得到UE n的任务通过无人机dro中继到边缘云服务器c的能耗为:
任务通过路边单元和车辆中继到边缘云服务器的时延和能耗与公式(33)和(38)类似。但是通过路边单元中继时,路边单元和部署边缘云服务器的基站之间是通过有线链路进行通信,此时的数据输速率为R。
表示UE n的任务通过路边单元rsu中继到边缘云服务器c卸载的时延,/>表示UE n的任务通过车辆veh中继到边缘云服务器c卸载的时延,/>表示UE n的任务通过路边单元rsu中继到边缘云服务器c的能耗,/>表示UE n的任务通过车辆veh中继到边缘云服务器c的能耗,Xn表示UE n的任务在本地执行,/>和/>分别表示UE n的任务在无人机、路边单元和车辆执行,/>和/>分别表示UE n的任务通过无人机、路边单元和车辆中继到边缘云服务器执行。UE n的任务执行时,***的时延Tn和能耗En可以分别表示为:
公式(39)、(40)是只考虑执行单一任务时***的时延和能耗,执行多任务时***的时延和能耗可以分别用表示,q表示任务类型。***的开销定义为时间和能耗的加权和,执行UE n的卸载任务时,***开销可表示为:
其中λt+λe=1,λt,λe∈[0,1],λt、λe分别为时延和能耗的权重系数,表示用户对能耗和时延的偏好,可分别由任务完成紧迫性和剩余电池电量决定。
在公式(41)的基础上添加约束条件可以将任务卸载问题转化为目标函数求最优解问题,可用公式(42)表述。
其中,(C1)、(C2)表示权重约束,(C3)表示时延约束,(C4)表示能耗约束。
下面对多任务卸载算法进行简单介绍:
首先进行粒子编码:
假设粒子群规模为S,整个粒子群的位置(卸载策略)集合表示为X={x1,x2,…,xS},速度集合表示为V={v1,v2,…,vS}。N表示UE数量,Q表示任务类型数量,则所有任务数量为N*Q。服务器包括边缘节点服务器以及边缘云服务器,数量为I+J+K+1。
粒子编码采用整数编码,粒子编码的维度与任务数量相同,故每个粒子(个体)的维度为N*Q,每个粒子的位置可表示为:
为整数并在更新的过程中进行取整,表示粒子s执行用户n的q类型任务的位置。若/>则任务本地执行;若/>则任务在编号为j的服务器执行。
粒子速度的编码方式与粒子位置编码方式相同,速度仅是在写在算法中起到更新位置的作用,没有具体的物理含义,每个粒子的速度可表示为:
在公式(44)中,为整数并在更新的过程中进行取整,表示粒子s对用户n的q类型任务执行位置的变化。若/>则任务在原来的服务器执行;若/>则任务执行服务器编号变化量为j。
每个粒子当前的最优位置矩阵(个体最优分配方案)为Gbest,表示当前每个粒子找到的***总开销最小的任务卸载方案;群体最优位置矩阵(全局最优分配方案)为Hbest,维度为N*Q,表示整个粒子群找到的***总开销最小的任务卸载方案。
定义适应度函数:
群体智能算法一般是选取适应度值较大的个体进化到下一代,本发明采用公式(45)作为适应度函数,本发明中所有求适应度的时候均采用公式(45)。当***开销最小时,适应度函数值最大,符合***设计的要求。
其中,λt和λe为时延和能耗的权重系数,τmaxq和emaxq分别为q类型任务的容忍时延和容忍能耗。
使用的算法介绍:
粒子群算法中每个粒子代表解空间的一个候选解,粒子具有位置和速度。算法由一群随机初始化的粒子开始,通过迭代,不断更新位置和速度进行寻优,每个粒子基于适应度函数进行性能评估。每个粒子都有记忆,可以保留Gbest以及Hbest。粒子的速度和位置按照公式(46)和(47)进行更新。
v[t+1]=ω*v[t]+c1*rand*(Hbest-X[t])+c2*rand*(Gbest-X[t]) (46)
X[t+1]=X[t]+v[t+1] (47)
其中,v[t+1]表示第t+1次迭代次数下的速度,X[t+1]表示第t+1次迭代次数下的位置,Hbest表示群体最优位置(全局最优分配方案),Gbest表示个体最优位置(个体最优分配方案),ω表示惯性权重,c1、c2表示学习因子,rand为分布在区间[0,1]的随机数。
为了避免陷入局部最优,目前普遍采用自适应方法对基本PSO算法进行改进,权重随着适应度值的变化而变化,如公式(48)所示:
其中,F表示目前的适应度值,ωmin表示所有迭代次数下最小的权重,ωmax表示所有迭代次数下最大的权重,Favg、Fmin分别表示目前所有粒子适应度的平均值和最小值。当粒子目标值比较分散时,减小惯性权重,粒子目标值比较集中时,增加惯性权重。
遗传算法通过编码组成初始群体后,对群体的个体按照它们对环境的适应度施加一定的遗传操作(选择、交叉和变异),从而实现优胜劣汰的进化过程。
选择算子是从群体中选择优胜的个体,淘汰劣质个体的操作,目前常用的选择算子是轮盘赌选择法,每个个体的选择概率和其适应度值成比例;交叉算子是把两个个体的部分结构加以替换重组而生成新个体的操作,最常用的交叉算子是单点交叉,在个体串中随机设定一个交叉点,该点前后的两个个体部分结构进行互换;变异算子是对群体中的个体串的某些基因座上的基因值作变动的操作,一般是对进行变异的个体随机选择变异位进行实值变异或者二进制变异。
PSO算法和GA算法都是经典的群体智能算法。PSO算法原理简单、搜索速度快,但是容易陷入局部最优;GA算法具有很强的全局搜索能力,但是收敛精度不高。综合考虑两者的优缺点,本发明采用将二者结合的方式来发挥每个算法的优势。
目前两种算法的结合方式主要有三种,分别为并行式、串行式和嵌入式。本发明采用先串行后并行的方式,提出一种基于PSO算法和GA算法的混合优化算法(H-PSOGA)。该算法首先进行PSO进化,计算个体适应度值并按从大到小的顺序排列。将种群分成多个子种群,淘汰适应度值较小的子种群,选择剩余子种群进行交叉和变异操作生成子代;另外适应度值较大的子种群可直接进行PSO速度和位置更新生成子代。选择适应度值较大的子代重新组成新的种群,然后进行下一代进化。H-PSOGA算法优化过程如图2所示。
本发明采用的选择操作如图3所示。首先将初始种群Q按照适应度值排序并均等分成4个子种群,淘汰适应度值较小的子种群4,剩余的3个子种群相互交叉。例如,子种群1和子种群2中个体可以随机匹配,进行交叉操作生成子代。除此之外,子种群1可以通过PSO产生子代。选择适应度较大的子代组成与初始种群个体数量相同的新的种群。
本发明的交叉操作采用多点交叉的方式。定义平均距离的概念,通过判断交叉父代同一维度的距离与平均距离的大小,设计了一种新的交叉方式。根据公式(43),可假设两个个体的位置分别为x1和x2,定义两个个体的平均距离为:
若两个个体的第[n,q]维距离大于等于两个个体平均距离Θ,则第[n,q]维进行交叉,即第[n,q]维的两个基因交换位置。交叉方式如图4所示。/>
从图4(a)可以得到交叉的两个个体的基因序列,根据公式(49)计算两个个体的平均距离为1.37,图4(a)中第4维和第6维的距离大于平均距离,则第4维和第6维对应的基因分别交换位置,得到图4(b)的子代。
在实数编码时,等位基因的类型不再是布尔型,故变异不能简单的取反。本发明采用基于时变概率的反向学***均适应度值为Favg,适应度值方差用公式(50)表示为:
当ψ2值小于等于给定的密集度阈值且迭代次数小于迭代阈值时,对个体每一个维度进行反向变异操作。在不影响分析结果的前提下,为了简化符号,省略公式(43)中的Q,粒子的维度为N。假设个体s的位置为变异后的个体s的第k维搜索空间用公式(51)表示:/>其中,rand为分布在区间[0,1]的随机数,/>为第s个体的第k维搜索空间的边界。若反向变异个体第k维搜索空间跳出边界/>采用随机生成的方法来重置,如公式(52)所示:
如图5所示H-PSOGA算法大体优化步骤如下:
Step1:随机初始化每个个体的速度、位置及粒子群算法的相关参数(包括粒子规模、粒子维度,迭代次数、权重系数、学习因子等),得到多个初始卸载方案,根据初始卸载方案计算每个初始卸载方案的容忍时延和容忍能耗,对容忍时延和容忍能耗不满足约束条件的个体重新初始化。
Step2:计算每个个体的适应度值,初始化每个个体最优分配与全局最优分配,将首次迭代时将每个个体当前位置设置为个体最优分配方案Gbest,并将开销最小、适应度值最大的个体的位置设置为全局最优分配方案Hbest。
Step3:用PSO算法更新个体每一个维度的速度与位置并取整。
Step4:判断是否满足PSO进化的迭代次数或者收敛精度,若满足条件,则执行Step5,否则执行Step2,直到满足条件为止。
Step5:计算每个个体的适应度值并按照从大到小的顺序进行排序。
Step6:将排序的种群分成4个子种群,淘汰适应度值最小的子种群。
Step7:保留的3个子种群进行交叉、变异操作,对每一维度进行取整得到子代。
Step8:适应度值最大(排序第一)的子种群直接进行PSO速度和位置更新生成子代。
Step9:计算Step7和Step8中所有子代的适应度值并按照从大到小的顺序进行排序。
Step10:选择适应度值较大且数量与初始个体数相同的子代重新组成新的种群。
Step11:判断总的迭代次数或者收敛精度是否满足条件,若满足条件,则输出最优解,即最优卸载方案,否则执行Step2。
下面详细介绍本发明的基于异构边缘云架构的多任务卸载方法:
分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;所述个体为所有用户要卸载的所有任务;所述位置为卸载策略(卸载策略包括:在本地执行任务、在无人机执行任务、在车辆执行任务、在路边单元执行任务、通过无人机中继到边缘云服务器、通过车辆中继到边缘云服务器和通过路边单元中继到边缘云服务器);其中初始卸载方案中的卸载策略符合公式(1)。
在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案。
计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群。
根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案。
计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果。
若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代。
若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略。
在实际应用中,所述采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案,具体包括:
在当前粒子群算法迭代次数下,计算各所述初始卸载方案的适应度。
根据各所述初始卸载方案的适应度确定个体最优分配方案和全局最优分配方案。
根据各所述初始卸载方案、个体最优分配方案和全局最优分配方案对各初始卸载方案更新得到各所述个体的更新卸载方案;具体的采用公式(46)、(47)和(48)更新。
判断是否达到粒子群迭代停止条件,得到第二判断结果。
若所述第二判断结果为是,则将各所述更新卸载方案确定为待选卸载方案。
若所述第二判断结果为否,则确定各所述更新卸载方案为下次粒子群迭代的初始卸载方案,并进入下次粒子群迭代。
在实际应用中,所述根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案,具体包括:
将适应度最小的卸载方案群删除得到剩余卸载方案群。
采用粒子群算法对适应度最大的卸载方案群的卸载方案进行处理得到多个第一子代卸载方案。
对所述剩余卸载方案群依次进行交叉和变异操作得到第二子代卸载方案;在实际应用中,在进行交叉操作之前还要根据公式(49)进行判断,当符合交叉操作条件时才能进行交叉操作。
将所述第一子代卸载方案和所述第二子代卸载方案确定为操作卸载方案。
在实际应用中,所述根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群,具体包括:
计算各所述待选卸载方案的适应度并根据各所述待选卸载方案的适应度对所述待选卸载方案排序得到待选方案序列。
将所述待选方案序列内各所述待选卸载方案按照排序顺序平均分组得到多组卸载方案群。
在实际应用中,采用粒子群算法对适应度最大的卸载方案群的卸载方案进行处理得到多个第一子代卸载方案,具体包括:
根据各所述适应度最大的卸载方案群中各卸载方案的适应度确定卸载方案群中个体最优分配方案和卸载方案群中全局最优分配方案。
根据适应度最大的卸载方案群中各卸载方案、卸载方案群中个体最优分配方案和卸载方案群中全局最优分配方案对适应度最大的卸载方案群中各卸载方案更新得到多个第一子代卸载方案;具体的采用公式(46)、(47)和(48)更新。
判断是否达到粒子群迭代停止条件,得到第三判断结果。
若所述第三判断结果为是,则将多个第一子代卸载方案确定为最终的多个第一子代卸载方案。
若所述第三判断结果为否,则确定多个第一子代卸载方案为下次粒子群迭代的卸载方案,并进入下次粒子群迭代。
本发明还提供了与上述方法对应的基于异构边缘云架构的多任务卸载***,包括:
初始化模块,用于分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;所述个体为所有用户要卸载的所有任务;所述位置为卸载策略。
待选卸载方案确定模块,用于在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案。
卸载方案群确定模块,用于计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群。
操作卸载方案确定模块,用于根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案。
判断模块,用于计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果。
循环模块,用于若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代。
最优卸载策略确定模块,用于若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略。
作为一种可选的实施方式,所述待选卸载方案确定模块,具体包括:
最优分配方案确定单元,用于在当前粒子群算法迭代次数下,计算各所述初始卸载方案的适应度并根据各所述初始卸载方案的适应度确定个体最优分配方案和全局最优分配方案。
更新卸载方案确定单元,用于根据各所述初始卸载方案、个体最优分配方案和全局最优分配方案对各初始卸载方案更新得到各所述个体的更新卸载方案。
判断单元,用于判断是否达到粒子群迭代停止条件,得到第二判断结果。
待选卸载方案确定单元,用于若所述第二判断结果为是,则将各所述更新卸载方案确定为待选卸载方案。
循环单元,用于若所述第二判断结果为否,则确定各所述更新卸载方案为下次粒子群迭代的初始卸载方案,并进入下次粒子群迭代。
作为一种可选的实施方式,所述操作卸载方案确定模块,具体包括:
剩余卸载方案群确定单元,用于将适应度最小的卸载方案群删除得到剩余卸载方案群。
第一子代卸载方案确定单元,用于采用粒子群算法对适应度最大的卸载方案群的卸载方案进行处理得到多个第一子代卸载方案。
第二子代卸载方案确定单元,用于对所述剩余卸载方案群依次进行交叉和变异操作得到第二子代卸载方案。
操作卸载方案确定单元,用于将所述第一子代卸载方案和所述第二子代卸载方案确定为操作卸载方案。
作为一种可选的实施方式,所述卸载方案群确定模块,具体包括:
待选方案序列确定单元,用于计算各所述待选卸载方案的适应度并根据各所述待选卸载方案的适应度对所述待选卸载方案排序得到待选方案序列。
卸载方案群确定单元,用于将所述待选方案序列内各所述待选卸载方案按照排序顺序平均分组得到多组卸载方案群。
本发明实施例使用MATLAB 2020a软件对H-PSOGA算法性能进行仿真验证。首先用六种典型的测试函数对H-PSOGA算法的性能进行测试,之后将H-PSOGA算法应用到***模型中,通过与基线算法的对比,验证本发明算法在解决异构边缘云架构下的多任务卸载中的适用性。表1为仿真模型参数设置。表2为六种典型的测试函数。算法控制参数:粒子群规模S=40,粒子维度N=100,迭代次数D=1000,学习因子c1=1.5,c2=2.5,惯性权重的最大值和最小值为ωmax=0.8,ωmin=0.4。
表1仿真参数设置
表2典型测试函数
/>
仿真结果分析:惯性权重ω可以控制粒子的搜索范围,增大ω的值可以提高算法的全局搜索能力,减小ω的值可以提高算法的局部搜索能力。对多种PSO改进方案进行对比实验,如图6所示,随着迭代次数的增加,几种改进PSO的方案以收敛时间为代价提高了收敛的精度,非线性递减改进权重方案的收敛精度最高,故采用该方案与本发明H-PSOGA算法进行对比实验。
为了更加清晰直观的看到H-PSOGA算法的性能,通过六种标准测试函数来比较标准PSO、非线性改进权重方案以及PSOGA算法的收敛情况,如图7~图12所示。从图7~图12中可以看出,六种算法的适应度值均随着迭代次数的增加而逐渐增加。对于任意经典测试函数,标准PSO、非线性改进权重方案以及PSOGA算法的适应度值增加到定值达到稳定,即收敛状态。而对于H-PSOGA算法来说,对于不同的经典测试函数,H-PSOGA算法的适应度值表现出不同的收敛效果。
图7和图8中H-PSOGA算法适应度值整体呈现增加的趋势,还没有达到收敛的状态;图9和图11中H-PSOGA算法的适应度值收敛到定值,且收敛精度高于其他算法。图10和图12中H-PSOGA算法在迭代到一定次数时停止迭代,此时得到最优解。整体来说,H-PSOGA算法的收敛精度更高,用多种测试函数也证明了H-PSOGA算法的普适性。
将H-PSOGA算法应用到***网络模型,进行对比实验。从图13可以看出,随着迭代次数的增加,标准PSO算法、非线性改进权重PSO算法、PSOGA算法的适应度值都会增加,最后收敛到相对稳定的状态。相对于基线方案,H-PSOGA算法的适应度值较大,随着迭代次数的增加收敛速度较快,收敛精度也较高,证明了H-PSOGA算法适用于本发明提出的异构网络模型,同时也验证了H-PSOGA算法的性能。
五种类型的任务复杂度、容忍时延、容忍能耗不同,对几种类型任务的卸载方案进行统计分析。如图14所示,任务类型序号越大,任务复杂度越高。对于不同任务类型的任务,卸载方案也不同。随着任务的复杂度增大,本地执行任务的概率越小,卸载到无人机、路边单元、车辆以及边缘云的概率越大,这是因为本地无法满足用户业务的需求,需要将任务卸载到计算能力更大的边缘节点或边缘云服务器。
图15为***平均开销与用户数量的关系,从图中可以看出,随着用户数量的增加,***的平均开销逐渐增大。在用户数量相同情况下,与基线方案相比,H-PSOGA算法的***平均开销最小,说明本发明提出的H-PSOGA算法效果较好,能够最小化***平均开销,综上仿真结果说明,H-PSOGA算法可以有效提高收敛精度,降低***开销,同时也证明了异构网络模型的必要性。
技术效果:
1、为在资源有限的终端设备上运行计算密集型与时延敏感型的应用,构建了边缘云异构网络模型,通过无人机、路边单元、车辆等边缘设备以及边缘云服务器进行多任务计算卸载。
2、为降低时延和能耗,提出了一种结合粒子群和遗传算法的混合优化算法,该算法对遗传算法中的选择、交叉、变异等操作进行改进,通过遗传算法对粒子群进行优选,弥补粒子群算法早熟收敛、陷入局部最优的缺陷,并将其应用到异构边缘云任务卸载模型中,可以解决多任务的卸载问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于异构边缘云架构的多任务卸载方法,其特征在于,包括:
分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;所述个体为所有用户要卸载的所有任务;所述位置为卸载策略;
在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案;
计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群;
根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案;
计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果;
若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代;
若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略;
所述采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案,具体包括:
在当前粒子群算法迭代次数下,计算各所述初始卸载方案的适应度;
根据各所述初始卸载方案的适应度确定个体最优分配方案和全局最优分配方案;
根据各所述初始卸载方案、个体最优分配方案和全局最优分配方案对各初始卸载方案更新得到各所述个体的更新卸载方案;
判断是否达到粒子群迭代停止条件,得到第二判断结果;
若所述第二判断结果为是,则将各所述更新卸载方案确定为待选卸载方案;
若所述第二判断结果为否,则确定各所述更新卸载方案为下次粒子群迭代的初始卸载方案,并进入下次粒子群迭代;
所述根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案,具体包括:
将适应度最小的卸载方案群删除得到剩余卸载方案群;
采用粒子群算法对适应度最大的卸载方案群的卸载方案进行处理得到多个第一子代卸载方案;
对所述剩余卸载方案群依次进行交叉和变异操作得到第二子代卸载方案;
将所述第一子代卸载方案和所述第二子代卸载方案确定为操作卸载方案。
2.根据权利要求1所述的一种基于异构边缘云架构的多任务卸载方法,其特征在于,所述根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群,具体包括:
计算各所述待选卸载方案的适应度并根据各所述待选卸载方案的适应度对所述待选卸载方案排序得到待选方案序列;
将所述待选方案序列内各所述待选卸载方案按照排序顺序平均分组得到多组卸载方案群。
3.一种基于异构边缘云架构的多任务卸载***,其特征在于,包括:
初始化模块,用于分别对n个个体的速度和位置初始化得到每个个体的初始卸载方案;所述个体为所有用户要卸载的所有任务;所述位置为卸载策略;
待选卸载方案确定模块,用于在当前总体迭代次数下,采用粒子群算法对各所述初始卸载方案进行处理得到各所述个体的待选卸载方案;
卸载方案群确定模块,用于计算各所述待选卸载方案的适应度,并根据各所述待选卸载方案的适应度对各所述待选卸载方案平均分组得到多组卸载方案群;
操作卸载方案确定模块,用于根据各所述待选卸载方案的适应度对所有卸载方案群进行删减得到剩余卸载方案群并分别采用粒子群算法和遗传算法对所述剩余卸载方案群进行处理得到多个操作卸载方案;
判断模块,用于计算各所述操作卸载方案的适应度并判断是否达到总体迭代停止条件得到第一判断结果;
循环模块,用于若所述第一判断结果为否,则确定适应度由大到小排序前n的操作卸载方案为下次总体迭代的初始卸载方案并进入下次总体迭代;
最优卸载策略确定模块,用于若所述第一判断结果为是,则确定适应度最大的操作卸载方案中的位置为最优卸载策略;
所述待选卸载方案确定模块,具体包括:
最优分配方案确定单元,用于在当前粒子群算法迭代次数下,计算各所述初始卸载方案的适应度并根据各所述初始卸载方案的适应度确定个体最优分配方案和全局最优分配方案;
更新卸载方案确定单元,用于根据各所述初始卸载方案、个体最优分配方案和全局最优分配方案对各初始卸载方案更新得到各所述个体的更新卸载方案;
判断单元,用于判断是否达到粒子群迭代停止条件,得到第二判断结果;
待选卸载方案确定单元,用于若所述第二判断结果为是,则将各所述更新卸载方案确定为待选卸载方案;
循环单元,用于若所述第二判断结果为否,则确定各所述更新卸载方案为下次粒子群迭代的初始卸载方案,并进入下次粒子群迭代;
所述操作卸载方案确定模块,具体包括:
剩余卸载方案群确定单元,用于将适应度最小的卸载方案群删除得到剩余卸载方案群;
第一子代卸载方案确定单元,用于采用粒子群算法对适应度最大的卸载方案群的卸载方案进行处理得到多个第一子代卸载方案;
第二子代卸载方案确定单元,用于对所述剩余卸载方案群依次进行交叉和变异操作得到第二子代卸载方案;
操作卸载方案确定单元,用于将所述第一子代卸载方案和所述第二子代卸载方案确定为操作卸载方案。
4.根据权利要求3所述的一种基于异构边缘云架构的多任务卸载***,其特征在于,所述卸载方案群确定模块,具体包括:
待选方案序列确定单元,用于计算各所述待选卸载方案的适应度并根据各所述待选卸载方案的适应度对所述待选卸载方案排序得到待选方案序列;
卸载方案群确定单元,用于将所述待选方案序列内各所述待选卸载方案按照排序顺序平均分组得到多组卸载方案群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520166.2A CN114143814B (zh) | 2021-12-13 | 2021-12-13 | 一种基于异构边缘云架构的多任务卸载方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520166.2A CN114143814B (zh) | 2021-12-13 | 2021-12-13 | 一种基于异构边缘云架构的多任务卸载方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114143814A CN114143814A (zh) | 2022-03-04 |
CN114143814B true CN114143814B (zh) | 2024-01-23 |
Family
ID=80382250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520166.2A Active CN114143814B (zh) | 2021-12-13 | 2021-12-13 | 一种基于异构边缘云架构的多任务卸载方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114143814B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640966B (zh) * | 2022-03-11 | 2024-05-10 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的任务卸载方法 |
CN116233007A (zh) * | 2023-02-21 | 2023-06-06 | 华南理工大学 | 面向异构移动边缘计算负载均衡的分层分布式匹配方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170100182A (ko) * | 2016-02-25 | 2017-09-04 | 롤스톤 주식회사 | 스포테인먼트시스템 |
CN107506956A (zh) * | 2017-06-12 | 2017-12-22 | 合肥工业大学 | 基于改进粒子群算法供应链生产运输协同调度方法及*** |
CN110531996A (zh) * | 2019-08-27 | 2019-12-03 | 河海大学 | 一种多微云环境下基于粒子群优化的计算任务卸载方法 |
CN110780938A (zh) * | 2019-09-18 | 2020-02-11 | 河海大学 | 一种移动云环境下基于差分进化的计算任务卸载方法 |
CN111399933A (zh) * | 2020-02-11 | 2020-07-10 | 福建师范大学 | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 |
CN111586720A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 一种多小区场景下的任务卸载和资源分配的联合优化方法 |
CN112084025A (zh) * | 2020-09-01 | 2020-12-15 | 河海大学 | 一种基于改进粒子群算法的雾计算任务卸载时延优化方法 |
CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
CN112559171A (zh) * | 2020-12-02 | 2021-03-26 | 河海大学 | 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 |
CN112784362A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种用于无人机辅助边缘计算的混合优化方法及*** |
CN113271627A (zh) * | 2021-05-14 | 2021-08-17 | 天津理工大学 | 一种基于混沌量子粒子群优化策略的移动边缘计算卸载方法 |
CN113342409A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 多接入边缘计算***时延敏感型任务卸载决策方法及*** |
CN113360245A (zh) * | 2021-05-20 | 2021-09-07 | 太原师范学院 | 基于移动云计算深度强化学习的物联网设备任务下载方法 |
CN113590211A (zh) * | 2021-05-14 | 2021-11-02 | 南京航空航天大学 | 基于pso-de算法的计算卸载方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311014B2 (en) * | 2012-12-28 | 2019-06-04 | Iii Holdings 2, Llc | System, method and computer readable medium for offloaded computation of distributed application protocols within a cluster of data processing nodes |
CN110851272B (zh) * | 2019-10-30 | 2022-02-11 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
-
2021
- 2021-12-13 CN CN202111520166.2A patent/CN114143814B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170100182A (ko) * | 2016-02-25 | 2017-09-04 | 롤스톤 주식회사 | 스포테인먼트시스템 |
CN107506956A (zh) * | 2017-06-12 | 2017-12-22 | 合肥工业大学 | 基于改进粒子群算法供应链生产运输协同调度方法及*** |
CN110531996A (zh) * | 2019-08-27 | 2019-12-03 | 河海大学 | 一种多微云环境下基于粒子群优化的计算任务卸载方法 |
CN110780938A (zh) * | 2019-09-18 | 2020-02-11 | 河海大学 | 一种移动云环境下基于差分进化的计算任务卸载方法 |
CN111399933A (zh) * | 2020-02-11 | 2020-07-10 | 福建师范大学 | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 |
CN111586720A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 一种多小区场景下的任务卸载和资源分配的联合优化方法 |
CN112084025A (zh) * | 2020-09-01 | 2020-12-15 | 河海大学 | 一种基于改进粒子群算法的雾计算任务卸载时延优化方法 |
CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
CN112559171A (zh) * | 2020-12-02 | 2021-03-26 | 河海大学 | 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 |
CN112784362A (zh) * | 2021-01-25 | 2021-05-11 | 南京航空航天大学 | 一种用于无人机辅助边缘计算的混合优化方法及*** |
CN113342409A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 多接入边缘计算***时延敏感型任务卸载决策方法及*** |
CN113271627A (zh) * | 2021-05-14 | 2021-08-17 | 天津理工大学 | 一种基于混沌量子粒子群优化策略的移动边缘计算卸载方法 |
CN113590211A (zh) * | 2021-05-14 | 2021-11-02 | 南京航空航天大学 | 基于pso-de算法的计算卸载方法 |
CN113360245A (zh) * | 2021-05-20 | 2021-09-07 | 太原师范学院 | 基于移动云计算深度强化学习的物联网设备任务下载方法 |
Non-Patent Citations (10)
Title |
---|
Cost-Driven Off-Loading for DNN-Based Applications Over Cloud, Edge, and End Devices;Bing Lin;《IEEE》;全文 * |
Research on Loading and Unloading Path Optimization for AGV at Automatic Container Terminal Based on Improved Particle Swarm Algorithm;Meng Long Cao,Zhang Peng;《2020 4th Annual International Conference on Data Science and Business Analytics(ICDSBA)》;全文 * |
基于改进粒子群优化的移动云应用卸载决策;李廷元;;计算机工程与设计(09);全文 * |
基于自适应遗传算法的MEC任务卸载及资源分配;闫伟;申滨;刘笑笑;;电子技术应用(08);全文 * |
基于自适应遗传算法的MEC任务卸载及资源分配;闫伟等;《电子技术应用》(第08期);全文 * |
移动云环境面向多重服务选择的计算卸载算法;何远德;《计算机应用研究》;全文 * |
移动边缘网络中最小化时延的资源优化方法研究;崔一石;《中国优秀硕士学位论文全文数据库 信息科技辑》(第03期);全文 * |
移动边缘计算中能耗优化的多重资源计算卸载策略;徐佳;李学俊;丁瑞苗;刘晓;;计算机集成制造***(04);全文 * |
移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略;高寒,李学俊等;《计算机集成制造***》;第26卷(第06期);正文第1-5节 * |
移动边缘计算网络中的计算卸载及负载均衡算法研究;闫伟;《中国优秀硕士学位论文全文数据库 信息科技辑》(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114143814A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
CN109729528B (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
Yoshida et al. | MAB-based client selection for federated learning with uncertain resources in mobile networks | |
Shi et al. | Drone-cell trajectory planning and resource allocation for highly mobile networks: A hierarchical DRL approach | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
Tian et al. | Multiagent deep-reinforcement-learning-based resource allocation for heterogeneous QoS guarantees for vehicular networks | |
CN114143814B (zh) | 一种基于异构边缘云架构的多任务卸载方法及*** | |
Zhu et al. | Computing offloading strategy using improved genetic algorithm in mobile edge computing system | |
CN113727306A (zh) | 一种基于深度强化学习的解耦c-v2x网络切片方法 | |
Alsuhli et al. | Mobility load management in cellular networks: A deep reinforcement learning approach | |
Yan et al. | Joint user access mode selection and content popularity prediction in non-orthogonal multiple access-based F-RANs | |
Cheng et al. | Energy-efficient resource allocation for UAV-empowered mobile edge computing system | |
Qiu et al. | Maintaining links in the highly dynamic fanet using deep reinforcement learning | |
Nguyen et al. | Deep reinforcement learning-based partial task offloading in high altitude platform-aided vehicular networks | |
Zhou et al. | Dynamic channel allocation for multi-UAVs: A deep reinforcement learning approach | |
CN114928611A (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
CN115065384B (zh) | 考虑用户关联、子信道分配及波束关联的多波束卫星通信***资源分配方法 | |
Van Truong et al. | System design and optimization of Mobile Edge Computing in the NOMA Wireless Tactile Internet of things Network | |
Liao et al. | Task Migration and Resource Allocation Scheme in IoV With Roadside Unit | |
Lei | Artificial intelligence empowered traffic control for Internet of Things with mobile edge computing | |
CN112969157B (zh) | 一种无人机网络负载均衡方法 | |
CN116233857A (zh) | 通信方法和通信装置 | |
Benfaid et al. | ProSky: NEAT Meets NOMA-mmWave in the Sky of 6G | |
Sabry et al. | Self-Optimized Agent for Load Balancing and Energy Efficiency: A Reinforcement Learning Framework with Hybrid Action Space |
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 |