CN114173379A - 一种基于5g专网分流器的多用户计算卸载方法 - Google Patents

Abstract

本发明属于无线通信领域，具体涉及一种基于5G专网分流器的多用户计算卸载方法；该方法包括：构建基于5G专网分流器的多用户计算卸载框架；根据多用户计算卸载框架构建联合卸载总时延和资源分配平衡度的目标函数；对联合卸载总时延和资源分配平衡度的目标函数进行求解，得到目标函数最优解；用户根据目标函数最优解确定卸载决策；用户根据确定的卸载决策进行任务卸载；本发明具有良好的扩展性和安全性，有效的利用了每个UE设备的带宽和吞吐量，加强了网络数据处理能力、提高了网络的灵活性和可用性；能够有效地减小多用户的平均卸载时延以及平均传输时延，同时平衡各移动边缘终端设备或边缘服务器的工作负荷，具有良好的经济效益。

Description

一种基于5G专网分流器的多用户计算卸载方法

技术领域

本发明属于无线通信领域，具体涉及一种基于5G专网分流器的多用户计算卸载方法。

背景技术

近年来，移动用户设备(移动电话、平板电脑等)正在成为学习、娱乐、社交网络和业务发展的重要工具，移动数据流量随之快速增长，且这种增长预计在未来仍将持续。由于移动数据流量的快速增长，移动用户设备与云之间的计算以及数据交换量也在迅猛增加。为了应对这一状况，业内引入了移动边缘计算(Mobile Edge Computing，MEC)技术来补充和丰富云计算。由于移动边缘计算技术在基站上直接部署了移动边缘计算服务器(MobileEdge Computing Server，MECS)，所以需要计算卸载的移动用户设备不一定要选择远程云服务器，而是可以采用就近策略，即就近将计算负荷卸载到边缘服务器，或者直接卸载到本地中具有其它空闲资源能力的终端节点，使移动用户能够在无线接入网覆盖范围内接受近距离云计算服务，让用户享有高质量的网络体验，即移动边缘计算将计算资源和存储资源从核心广域网络扩展到了边缘网络。

目前移动用户设备将本地计算任务卸载到MECS上遇到的问题是：卸载过程的数据传输导致移动设备和MECS之间存在不可忽略的延迟，在多移动用户需要计算卸载的情况下如何协同处理多用户不同的资源需求仍然困难。现有相关技术中，多数方法是使用线性回归预测每个候选MECS上的每个任务的处理时间，同时根据先前观察到的MECS的状态，将移动用户的计算任务卸载到合适的MECS。但是，当需要计算卸载的移动用户数量很大并且有多个MECS可接受卸载服务时，如何同时解决多用户卸载总时延最小化和多MECS负载均衡问题，目前仍然缺乏实用的解决方案。

发明内容

有鉴于此，本发明提出了一种基于5G专网分流器的多用户计算卸载方法，该方法包括：。

S1：构建基于5G专网分流器的多用户计算卸载框架；5G专网分流器包括用户平面功能设备UPF和小型移动边缘计算平台miniMEP；

S2：根据多用户计算卸载框架构建联合卸载总时延和资源分配平衡度的目标函数；

S3：对联合卸载总时延和资源分配平衡度的目标函数进行求解，得到目标函数最优解；用户根据目标函数最优解确定卸载决策；

S4：用户根据确定的卸载决策进行任务卸载。

优选的，构建基于5G专网分流器的多用户计算卸载框架包括构建计算卸载总时延框架和构建计算资源分配平衡度框架。

进一步的，构建计算卸载总时延框架包括：

将miniMEP作为移动边缘计算协同服务器，记录每个空闲服务节点的资源可用状态；用联合资源对(p_j,c_j)表示服务节点j的计算资源和存储资源的可用状态，其中，p_j表示服务节点的计算资源，c_j表示服务节点的存储资源；定义移动用户k的密集型计算任务为T_k，用联合资源对(z_k,e_k)表示移动用户k对资源的需求，其中，服务节点为任务T_k提供的计算资源为z_k，服务节点为任务T_k提供的存储资源为e_k；

每隔t时间，移动用户k将自己的联合资源需求对(z_k,e_k)发送给miniMEP；

miniMEP根据各个服务节点的剩余计算资源、剩余存储资源与移动用户的联合资源需求对(z_k,e_k)，计算各个移动用户的卸载总时延。

进一步的，计算卸载总时延公式为：

其中，f₁(x,y)表示卸载总时延的目标函数，K表示用户的总数量，M表示服务节点的总数量，d_kj表示移动边缘计算协同服务器的计算资源余量，z_i表示用户所申请的计算资源，e_i表示用户所申请的存储资源，J表示服务节点集合，x_kj表示卸载判定参数。

进一步的，计算资源分配平衡度框架包括：

定义表征卸载决策占用各服务节点资源的集中程度参数u，定义表征各五福节点资源累积负荷的向量A＝(a₁,a₂,a₃...a_M)；其中，a_j表示服务节点j的归一化累积工作负荷；

根据集中程度参数和各服务节点资源累积负荷的向量计算资源分配平衡度。

进一步的，各服务节点资源累积负荷a_j定义为：

其中，a_j表示服务节点j的归一化累积工作负荷，k₁表示对计算资源使用情况的重视程度，k₂表示对存储资源使用情况的重视程度，K表示用户的总数量，x_kj表示卸载判定参数。

进一步的，计算资源分配平衡度公式为：

其中，f₂(x,y)表示资源分配平衡度的目标函数，M表示服务节点的总数量，y_j表示忙碌判定参数，a_j表示各服务节点资源累积负荷的向量中的元素，

表示各服务节点资源累积负荷的平均值，v表示各服务节点资源累积负荷的均方差。

优选的，联合卸载总时延和资源分配平衡度的目标函数为：

min[f(x,y)]＝min[w₁f₁(x,y)+w₂f₂(x,y)]

C1：0≤w₁≤1，0≤w₂≤1；

C2：w₁+w₂＝1

C3：

C4：

其中，f₁(x,y)表示卸载总时延的目标函数，f₂(x,y)表示资源分配平衡度的目标函数，w₁表示对卸载时延总和分配的权重值，w₂表示利用平衡度对资源分配的权重值，K表示用户的总数量，M表示服务节点的总数量，z_k表示服务节点为任务T_k提供的计算资源，x_kj表示卸载判定参数，p_j表示服务节点的计算资源，y_j表示忙碌判定参数，e_k表示服务节点为任务T_k提供的存储资源，c_j表示服务节点的存储资源。

优选的，对联合卸载总时延和资源分配平衡度的目标函数进行求解的过程包括：采用加权资源优化算法对目标函数进行求解，求解的步骤包括：

S1：确定目标函数f₁(x,y)的权重w₁、函数f₂(x,y)的权重w₂；

S2：根据权重w₁和权重w₂对目标函数以及不等式约束条件进行预处理，得到目标函数中各变量的系数矩阵x；

S3：遍历系数矩阵x中的元素，依次将系数矩阵中的元素作为intcon的值；

S4：对不等式约束条件的系数矩阵A和不等式约束条件的约束向量b进行初始化；对等式约束条件系数矩阵Aeq和等式约束条件的约束向量beq初始化；变量x的优化区间lb取全零向量，ub取全1向量；

S5：根据初始化的不等式约束条件的系数矩阵A、初始化的不等式约束条件的约束向量b、初始化的等式约束条件系数矩阵Aeq、初始化的等式约束条件的约束向量beq以及intcon的值调用intlinprog()函数对目标函数f(x,y)实施线性规划，最后获得的x即为最优解xopt。

进一步的，采用加权资源优化算法对目标函数进行求解的公式为：

[x,f(x,y)]＝intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)

A×x≤b

Aeq×x＝beq

lb≤x≤ub

其中，x表示目标函数中变量的系数矩阵，f(x,y)为目标函数，intlinprog()为对目标函数进行线性规划的函数，intcon表示整数决策变量在x中的位置，A表示不等式约束条件的系数矩阵，b表示不等式约束条件的约束向量，Aeq表示等式约束条件系数矩阵，beq表示等式约束条件约束向量，lb表示变量x的约束区间下限，ub表示变量x的约束区间上限。

本发明的有益效果为：本发明基于UPF设备和mini MEP等5G专网分流器提出了一种多用户计算卸载方法，具有良好的扩展性和安全性，既通过多个具有空闲资源的边缘终端设备组成的集群保证了工业互联网设备的高可用性，又通过负载均衡有效的利用了每个UE设备的带宽和吞吐量，加强了网络数据处理能力、提高了网络的灵活性和可用性；能够有效地减小多用户的平均卸载时延以及平均传输时延，同时平衡各移动边缘终端设备或边缘服务器的工作负荷，具有良好的经济效益。

附图说明

图1为本发明中***框架的结构图；

图2为本发明中一种结合UPF和miniMEP的多用户计算卸载方法的流程图；

图3为本发明中构建线性优化目标函数流程图；

图4为本发明中加权资源优化算法流程图。

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。

本发明提出了一种基于5G专网分流器的多用户计算卸载方法，本发明的***框架的结构如图1所示，主要包括了整体的架构以及适用的5G场景下所需要用户平面功能设备UPF(User Plane Function)、小型移动边缘计算平台miniMEP(mini Mobile EdgePlatform)和本地终端设备所出现在的位置；与miniUPF绑定的基站用于获取CPE传输的工业互联网设备的数据信息以及本地设备想要卸载的任务信息，并将其传输给mini UPF进行数据筛查处理；miniUPF设备用于接收获取基站传过来的数据信息并进行筛查判定，将符合规则的数据包接收到工厂边缘云中，由mini MEP收集各个CPE的负载情况，并进行相应处理，将不符合的数据包转发到核心网中，从而减少访问本地网络必须要经过核心网络的时延。mini MEP用作协同移动边缘终端与服务器的边缘协同服务器，它将从当前用户终端设备发送过来的卸载任务和相关信息进行汇总，判断本地网络中哪些边缘终端设备和服务器具有充足的计算和存储资源，经过目标函数的计算之后，判断将其卸载到哪一个边缘终端设备和服务是最佳的，从而解决当前终端设备没有充足计算任务能力的问题。

本发明中根据UPF和miniMEP实现用户卸载的整体流程为如图2所示，具体的，如图3所示，本发明中一种基于5G专网分流器的多用户计算卸载方法包括：

S1：构建基于5G专网分流器的多用户计算卸载框架；5G专网分流器包括UPF设备和小型移动边缘计算平台miniMEP；

S2：根据多用户计算卸载框架构建联合卸载总时延和资源分配平衡度的目标函数；卸载总时延包括卸载时延和传输时延；

S3：对联合卸载总时延和资源分配平衡度的目标函数进行求解，得到目标函数最优解；用户根据目标函数最优解确定卸载决策；

S4：用户根据确定的卸载决策进行任务卸载。

构建基于5G专网分流器的多用户计算卸载框架包括构建计算卸载总时延框架和构建计算资源分配平衡度框架；基于5G专网分流器的计算卸载框架可以使用户数据不经过核心网络直接通过UPF分流进入到本地企业网中，减少传输时延，提高整体卸载过程的安全性；构建计算卸载总时延框架包括：将miniMEP作为移动边缘计算协同服务器，记录每个空闲服务节点的资源可用状态；用联合资源对(p_j,c_j)表示服务节点j的计算资源和存储资源的可用状态，其中，p_j表示服务节点的计算资源，c_j表示服务节点的存储资源；定义移动用户k的密集型计算任务为T_k，用联合资源对(z_k,e_k)表示移动用户k对资源的需求，其中，服务节点为任务T_k提供的计算资源为z_k，服务节点为任务T_k提供的存储资源为e_k；服务节点包括移动边缘终端和边缘服务器；每隔t时间，在每个t时间段的开始，移动用户k将自己的联合资源需求对(z_k,e_k)发送给miniMEP；miniMEP根据各个服务节点的剩余计算资源、剩余存储资源与移动用户的联合资源需求对(z_k,e_k)，为各个移动用户计算卸载总时延。

移动边缘计算协同服务器的计算资源余量d_kj为：

其中，z_i表示用户所申请的计算资源，e_i表示用户所申请的存储资源，J表示服务节点集合。

为了表示移动用户与移动边缘终端和边缘服务器之间的服务与被服务关系，引入矩阵X＝X_i1×M表征整体卸载决策，矩阵k行j列，将矩阵的元素x_kj定义为卸载判定参数，表示移动用户k是否将计算任务卸载到服务节点j上，这里k∈K，j∈M。K为移动用户总数，M为服务节点总数，对卸载判定参数x_kj赋值如下：

假设一个移动终端最多只能向一个边缘终端节点或边缘服务器卸载计算任务，因此矩阵X的每一行的元素中最多有一个元素的值是1，这一行其余的元素均为0。进一步，引入向量Y＝y_i1×M来标识服务节点j是否为移动用户提供卸载服务，将其元素y_i(j∈M)定义为忙碌判定参数，表示服务节点j是否为移动用户提供了卸载服务，对忙碌判定参数赋值为：

构建计算资源分配平衡度框架包括：

为了对卸载决策的负载平衡性进行评估，定义两个参数：一个是表征卸载方案占用服务节点的集中程度参数u，另一个是表征边缘终端节点或边缘服务器资源累积负荷的向量A＝(a₁,a₂,a₃...a_M)。A的元素a_j(j∈M)和参数u均为归一化参数，数值在[0,1]范围内，集中程度参数u的定义为：

各服务节点资源累积负荷的向量A＝(a₁,a₂,a₃...a_M)中元素a_j定义为：

其中，a_j(j∈M)表示服务节点j的归一化累积工作负荷(综合考虑计算资源和存储资源使用负荷)，所有M个服务节点的归一化资源累积负荷a₁,a₂,a₃...a_M组成资源累积负荷向量A＝(a₁,a₂,a₃...a_M)；k₁表示对计算资源使用情况的重视程度，k₂表示对存储资源使用情况的重视程度，权值k₁和k₂满足0≤k₁,k₂≤1,且k₁+k₂＝1；优选的，对边缘终端节点或边缘服务器运算资源和存储资源使用状况重视程度相同，即k₁＝k₂＝0.5。

构建联合卸载总时延和资源分配平衡度的目标函数包括：

首先要最小化移动用户的计算卸载总时延，改善移动用户体验，其次要平衡服务节点上的资源使用负荷，尽量避免不平衡的计算卸载方案过早耗尽服务节点上的资源，因此，对计算卸载决策的优化是卸载总时延和资源分配平衡度这两个目标的优化，将其转化为基于整数的线性优化问题，构造出联合卸载总时延和资源分配平衡度的目标函数：

min[f(x,y)]＝min[w₁f₁(x,y)+w₂f₂(x,y)]

C1：0≤w₁≤1，0≤w₂≤1；

C2：w₁+w₂＝1

C3：

C4：

其中，f₁(x,y)表示卸载总时延的目标函数，f₂(x,y)表示资源分配平衡度的目标函数，w₁表示对卸载时延总和分配的权重值，w₂表示对资源利用平衡度分配的权重值，

表示各服务节点资源累积负荷的平均值，v表示各服务节点资源累积负荷的均方差。

对联合卸载总时延和资源分配平衡度的目标函数进行求解的方法是采用加权资源优化算法对目标函数进行求解，包括：

对于一个完全分布式的计算卸载方案，当所有边缘终端或者边缘服务器都具有完全相同比例的资源使用负荷时，f₂(x,y)取得最小可能值0；随着不同边缘终端或者边缘服务器资源使用负荷比例的差异变大，且卸载计算占用的边缘终端或者边缘服务器分布趋于集中，f₂(x,y)的值也随之增大，渐近地达到1，此时的资源使用不平衡程度最高。对每个边缘终端或者边缘服务器资源负荷的约束条件很简单，就是它分配给各移动用户的资源之和不得超过其总资源上限。利用线性加权法将函数f₁(x,y)、f₂(x,y)聚合在一起，得到表征整个优化问题的目标函数f(x,y)，当f(x,y)取得最小值时表明这个计算卸载方案的卸载总时延与服务节点资源分配平衡程度总体最优；如图4所示，求解的步骤包括：

S1：确定目标函数f₁(x,y)的权重w₁、函数f₂(x,y)的权重w₂；

S2：根据权重w₁和权重w₂对目标函数以及不等式约束条件进行预处理，得到目标函数中各变量的系数矩阵x；

S3：遍历系数矩阵x中的元素，依次将系数矩阵中的元素作为intcon的值；

S4：对不等式约束条件的系数矩阵A和不等式约束条件的约束向量b进行初始化；对等式约束条件系数矩阵Aeq和等式约束条件的约束向量beq初始化；变量x的优化区间lb取全零向量，ub取全1向量；

S5：根据初始化的不等式约束条件的系数矩阵A、初始化的不等式约束条件的约束向量b、初始化的等式约束条件系数矩阵Aeq、初始化的等式约束条件的约束向量beq以及intcon的值调用intlinprog()函数对目标函数f(x,y)实施线性规划，最后获得的x即为最优解xopt。

采用加权资源优化算法对目标函数进行求解的公式为：

[x,f(x,y)]＝intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)

A×x≤b

Aeq×x＝beq

lb≤x≤ub

其中，x表示目标函数中变量的系数矩阵，f(x,y)为目标函数，intlinprog()为对目标函数进行线性规划的函数，intcon表示整数决策变量在x中的位置，A表示不等式约束条件的系数矩阵，b表示不等式约束条件的约束向量，Aeq表示等式约束条件系数矩阵，beq表示等式约束条件约束向量，lb表示变量x的约束区间下限，ub表示变量x的约束区间上限。

最优解xopt即为联合卸载总时延和资源分配平衡度的目标函数的最优解，之后***依据xopt对应的卸载方案指导各移动终端实施卸载。

本发明基于UPF设备和mini MEP等5G专网分流器提出了一种多用户计算卸载方法，具有良好的扩展性和安全性，既通过多个具有空闲资源的边缘终端设备组成的集群保证了工业互联网设备的高可用性，又通过负载均衡有效的利用了每个UE设备的带宽和吞吐量，加强了网络数据处理能力、提高了网络的灵活性和可用性；能够有效地减小多用户的平均卸载时延以及平均传输时延，同时平衡各移动边缘终端设备或边缘服务器的工作负荷，具有良好的经济效益。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于5G专网分流器的多用户计算卸载方法，其特征在于，包括：

S1：构建基于5G专网分流器的多用户计算卸载框架；5G专网分流器包括用户平面功能设备UPF和小型移动边缘计算平台miniMEP；

S2：根据多用户计算卸载框架构建联合卸载总时延和资源分配平衡度的目标函数；

S3：对联合卸载总时延和资源分配平衡度的目标函数进行求解，得到目标函数最优解；用户根据目标函数最优解确定卸载决策；

S4：用户根据确定的卸载决策进行任务卸载。

2.根据权利要求1所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，构建基于5G专网分流器的多用户计算卸载框架包括构建计算卸载总时延框架和构建计算资源分配平衡度框架。

3.根据权利要求2所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，构建计算卸载总时延框架包括：

将miniMEP作为移动边缘计算协同服务器，记录每个空闲服务节点的资源可用状态；用联合资源对(p_j,c_j)表示服务节点j的计算资源和存储资源的可用状态，其中，p_j表示服务节点的计算资源，c_j表示服务节点的存储资源；定义移动用户k的密集型计算任务为T_k，用联合资源对(z_k,e_k)表示移动用户k对资源的需求，其中，服务节点为任务T_k提供的计算资源为z_k，服务节点为任务T_k提供的存储资源为e_k；

每隔t时间，移动用户k将自己的联合资源需求对(z_k,e_k)发送给miniMEP；

miniMEP根据各个服务节点的剩余计算资源、剩余存储资源与移动用户的联合资源需求对(z_k,e_k)计算各个移动用户的卸载总时延。

4.根据权利要求3所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，计算卸载总时延公式为：

其中，f₁(x,y)表示卸载总时延的目标函数，K表示用户的总数量，M表示服务节点的总数量，d_kj表示移动边缘计算协同服务器的计算资源余量，z_i表示用户所申请的计算资源，e_i表示用户所申请的存储资源，J表示服务节点集合，x_kj表示卸载判定参数。

5.根据权利要求2所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，构建计算资源分配平衡度框架包括：

定义表征卸载决策占用各服务节点资源的集中程度参数u，定义表征各服务节点资源累积负荷的向量A＝(a₁,a₂,a₃...a_M)；其中，a_j表示服务节点j的归一化累积工作负荷；

根据集中程度参数和各服务节点资源累积负荷的向量计算资源分配平衡度。

6.根据权利要求5所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，各服务节点资源累积负荷a_j的表达式为：

其中，a_j表示服务节点j的归一化累积工作负荷，k₁表示对计算资源使用情况的重视程度，k₂表示对存储资源使用情况的重视程度，K表示用户的总数量，x_kj表示卸载判定参数。

7.根据权利要求5所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，计算资源分配平衡度公式为：

其中，f₂(x,y)表示资源分配平衡度的目标函数，M表示服务节点的总数量，y_j表示忙碌判定参数，a_j表示各服务节点资源累积负荷的向量中的元素，

表示各服务节点资源累积负荷的平均值，v表示各服务节点资源累积负荷的均方差。

8.根据权利要求1所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，联合卸载总时延和资源分配平衡度的目标函数为：

min[f(x,y)]＝min[w₁f₁(x,y)+w₂f₂(x,y)]

C1：0≤w₁≤1，0≤w₂≤1；

C2：w₁+w₂＝1

C3：

C4：

其中，f₁(x,y)表示卸载总时延的目标函数，f₂(x,y)表示资源分配平衡度的目标函数，w₁表示对卸载时延总和分配的权重值，w₂表示利用平衡度对资源分配的权重值，K表示用户的总数量，M表示服务节点的总数量，z_k表示服务节点为任务T_k提供的计算资源，x_kj表示卸载判定参数，p_j表示服务节点的计算资源，y_j表示忙碌判定参数，e_k表示服务节点为任务T_k提供的存储资源，c_j表示服务节点的存储资源。

9.根据权利要求1所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，对联合卸载总时延和资源分配平衡度的目标函数进行求解的过程包括：采用加权资源优化算法对目标函数进行求解，求解的步骤包括：

S1：确定目标函数f₁(x,y)的权重w₁、函数f₂(x,y)的权重w₂；

S2：根据权重w₁和权重w₂对目标函数以及不等式约束条件进行预处理，得到目标函数中各变量的系数矩阵x；

S3：遍历系数矩阵x中的元素，依次将系数矩阵中的元素作为intcon的值；

S4：对不等式约束条件的系数矩阵A和不等式约束条件的约束向量b进行初始化；对等式约束条件系数矩阵Aeq和等式约束条件的约束向量beq初始化；变量x的优化区间lb取全零向量，ub取全1向量；

S5：根据初始化的不等式约束条件的系数矩阵A、初始化的不等式约束条件的约束向量b、初始化的等式约束条件系数矩阵Aeq、初始化的等式约束条件的约束向量beq以及intcon的值调用intlinprog()函数对目标函数f(x,y)实施线性规划，最后获得的x即为最优解xopt。

10.根据权利要求9所述的一种基于5G专网分流器的多用户计算卸载方法，其特征在于，采用加权资源优化算法对目标函数进行求解的公式为：

[x,f(x,y)]＝intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)

A×x≤b

Aeq×x＝beq

lb≤x≤ub

其中，x表示目标函数中变量的系数矩阵，f(x,y)为目标函数，intlinprog()为对目标函数进行线性规划的函数，intcon表示整数决策变量在x中的位置，A表示不等式约束条件的系数矩阵，b表示不等式约束条件的约束向量，Aeq表示等式约束条件系数矩阵，beq表示等式约束条件约束向量，lb表示变量x的约束区间下限，ub表示变量x的约束区间上限。

Images