CN115129387A - 一种基于多策略自适应蝙蝠算法的计算卸载方法 - Google Patents
一种基于多策略自适应蝙蝠算法的计算卸载方法 Download PDFInfo
- Publication number
- CN115129387A CN115129387A CN202210634651.0A CN202210634651A CN115129387A CN 115129387 A CN115129387 A CN 115129387A CN 202210634651 A CN202210634651 A CN 202210634651A CN 115129387 A CN115129387 A CN 115129387A
- Authority
- CN
- China
- Prior art keywords
- bat
- calculation
- algorithm
- strategy
- model
- 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.)
- Pending
Links
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
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y30/00—IoT infrastructure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多策略自适应蝙蝠算法的计算卸载方法,在支持多MEC的移动IoT网络中任务分流和资源分配的问题,并针对边缘执行模型的不足,可能导致资源冲突和资源浪费,提出了边缘服务器的调度模型。模型在保证延迟最小化的同时综合考虑能耗因素防止因过度追求延迟而产生极大能耗的问题并针对计算密集型应用的需求予以时延和能耗的限制和优化,其解决方案更实际可行,更符合计算密集型应用的需求且资源配置更高效。然后提出了一种基于多策略自适应蝙蝠算法的计算卸载方法为模型提供计算卸载方案。该算法对卸载选择和卸载顺序进行决策,以实现资源分配的合理性和更好的能源效率。
Description
技术领域
本发明涉及网络中任务分流和资源分配方法,尤其涉及一种基于多策略自适应蝙蝠算法的计算卸载方法。
背景技术
随着物联网 (Internet of Things, IoT) 技术的快速发展与智能终端的快速普及,越来越多的具有计算密集型应用程序的设备将与互联网©连接。根据国际数据公司(International Data Corporation, IDC)的预测,预计到2025年将有416亿个联网IoT设备产生79.4ZB的数据,而这个数据将在2035年达到2142ZB。与此同时,虚拟现实(VirtualReality, VR)、增强现实(Augmented Reality, AR)、视频流等智能应用的快速发展,对计算、存储等相应资源提出了更高的要求。这些应用程序生成的任务具有时间敏感性,需要足够的计算资源,而任务生成设备的电池寿命通常有限,这使得它们处理资源密集型服务的能力较低,从而影响了应用程序服务的服务质量(Quality of Service, QoS)。
移动云计算(mobile cloud computing, MCC)曾被认为是应对上述挑战的方法并在相关领域中得到了广泛的应用。MCC允许用户将任务卸载到云计算基础设施中,然后通过将结果通过网络发回移动设备进行后续处理,从而解决用户设备的计算能力问题。然而,由于MCC需要用户将大量数据发送到距离很远的云服务器,在传输过程中MCC方案会对移动互联网产生极大的负载量,同时受到来自移动互联网的宽带限制,引发高延迟。虽然随着通讯技术的发展,信道带宽不断增加,但无线电频谱使用率已接近理论最优值。如今,连接互联网的终端设备源源不断,导致云资源计算的信道资源日益减少,计算能力不断下降,迫切需要一种新技术来打破这一僵局。
针对上述情况,移动边缘计算被用来弥补云计算的弱点。与MCC中将流量全部上传到数据中心不同,MEC引入一种新的概念——边缘,即从数据源到数据中心经过的网络和计算资源,包括路由器、网关、接入点(Base Stations, BSs)和基站(Base Stations, BSs)等具有计算资源、存储资源和网络资源的服务器。MEC通过将原本需要传输并运行在云计算数据中心上的全部或部分计算工作负载卸载到距离终端用户更近的MEC服务器上,在降低云数据中心的计算负载与传输时带宽消耗的同时还具有如下优势:1)在用户近端布置计算资源提供低延迟服务,2)用户将任务卸载到边缘能降低用户设备能耗,3)边缘可以获取用户的实时信息(如位置、人流情况和路况等),4)边缘属于分布式架构,很难成为攻击的目标同时可以为用户提供隐私保护。
此外MEC与MCC相比,其边缘节点上的计算资源远小于云数据中心的计算资源。所以在MEC为移动用户提供服务时,如何合理高效的将移动设备的计算任务卸载到MEC节点上进行处理是目前学术界对MEC的主要研究问题,通常包括完全卸载、部分卸载。现有的许多研究都集中在单个MEC服务器,仍然缺乏多MEC服务器场景下的任务卸载和资源分配方面的研究。此外,当前模型与实际情况存在一定的差异,不能有效逼近处理时延、任务传输和处理的能耗。另一方面,移动设备上有些应用程序(例如多媒体流)的任务是需要进行实时处理的,如果在规定时隙内没有处理完就变成了无用的数据。对于这些应用程序来说,保障***长期总体性能比提高单个任务的性能更为重要。因此,考虑到整个***的总体性能,在多服务器多用户物联网网络中面向计算卸载和资源分配的联合优化是十分有必要的。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于多策略自适应蝙蝠算法的计算卸载方法。可对卸载选择和卸载顺序进行决策,以实现资源分配的合理性和更好的能源效率。
为了解决上述技术问题,本发明实施例提供了一种基于多策略自适应蝙蝠算法的计算卸载方法,包括以下步骤:
S1:对计算卸载模型进行建模,将边缘计算模型分为本地执行、计算卸载和边缘执行三个模块,分别求解各个模块的中不同设备处理不同任务的时延和能耗,得到多用户多MEC服务器边缘计算模型的基础束函数P1;
S2:当超出能耗阈值时使用处罚函数penalty对该服务器进行处罚,增加用户设备将任务卸载到该服务器的代价实现,得到多用户多MEC服务器的计算卸载模型最终的约束函数P2;
S3:使用保持在当前边缘服务器,向最佳边缘服务器进行靠近和向任意方向进行一次移动的三种更新策略来更新蝙蝠算法的蝙蝠个体的位置,使用随迭代次数变化的变量S,G来控制蝙蝠在全局搜索和局部搜索中选择不同策略的概率,rand为随机生成的0到1之间随机数,全局搜索更新策略为:
局部搜索更新策略为:
S4:将蝙蝠算法中的所有个体都会被全部进行编码,蝙蝠个体的元素可以取0到N之间的任意整数,蝙蝠的维数与任务总数一致,而后通过将所述约束函数P2进行编码,获取该问题的适应函数,计算将所有任务分配到对应服务器情况下的***总成本;
S5:通过所述S1、S2的步骤获取多用户多MEC服务器计算卸载模型,通过所述S3获取能求解模型计算卸载策略的多策略自适应蝙蝠算法,通过所述S4对模型和算法进行编码将模型与算法相结合求解多用户多MEC服务器计算卸载模型的计算卸载策略。
其中,所述基础束函数P1定义为:
其中,v i 表示任务i的计算卸载决策向量,T i 是***总延时,I loc (i), I off,j (i)和I pen (i)均为指示函数,I loc (i)用以表示任务是否在本地执行,I off,j (i)表示任务i是否在第j个边缘服务器n j 上进行计算卸载, I pen (i)表示该任务在当前决策下无法在规定时间内完成,T o 表示为未完成任务的延迟惩罚,0≤E i ≤E max 表示处理任务i的能耗约束;0≤Pi≤Pmax表示移动设备k i 的传输功率约束;0≤floc,i≤floc,max表示本地计算移动设备的CPU频率约束;0≤fedg,i≤fedg,max表示计算卸载后边缘服务器的CPU频率约束。
其中,所述处罚函数penalty为:
其中,I E (i)是指示函数,表示该边缘节点是否达到了最大能耗限制即E i >E max ,如果E i >E max 则表示超过了能耗限制需要进行惩罚令 I E (i)=1,否则令 I E (i)=0;g表示的是平衡能量消耗和延迟的常数惩罚系数。
其中,所述约束函数P2为:
其中v i 表示任务的计算卸载决策向量,T i 是***总延时,0≤E i 表示处理任务i的能耗约束;0≤Pi≤Pmax表示移动设备k i 的传输功率约束;0≤floc,i≤floc,max表示本地计算移动设备的CPU频率约束;0≤fedg,i≤fedg,max表示计算卸载后边缘服务器的CPU频率约束。
其中,所述S3中向最优解飞行策略的更新策略为:
其中v t ij 表示迭代t时的蝙蝠速度,M为惯性参数,f ij 为脉冲频率,x t ij 表示迭代t时的蝙蝠位置,step表示Lévy飞行的随机数,N表示为MEC服务器的数量。
其中,所述S4的计算将所有任务分配到对应服务器情况下的***总成本的公式表达式为:
实施本发明实施例,具有如下有益效果:
1. 本发明是一个综合衡量计算卸载过程中计算时延和设备能耗的计算卸载模型。通过对移动边缘计算的研究,提出了一个与现有计算卸载模型相比更加贴近实际情况的模型。模型综合考虑到时延、能耗、负载均衡、时延阈值和设备数据等多方数据。解决了原有模型考虑变量不足,与实际情况不相符合的问题,从而提升了模型与现实情况的相似度。
2. 本发明提出了基于自适应离散蝙蝠算法的计算卸载方法。该算法对蝙蝠算法进行了离散化改造,并通过动态调整搜索方式的更新策略、多策略设计的方式对全局搜索和局部搜索进行独特的改造策略,加强算法在离散空间中对最优解的搜寻能力。此外在全局搜索中使用结合随机飞行策略的方式弥补蝙蝠算法收敛过早的缺陷,在局部搜索中提出了维度交换策略让算法能在离散空间中更好的进行局部空间检索。该算法不仅适用于解决移动边缘计算问题,也能够移植到其他求解离散空间的NP-hard问题中,具有广泛的运用前景。
3. 通过实验表明,本发明与现有的计算卸载方法相比可以显著降低计算卸载的***总代价。其中在基准参数条件下本方法相比于其他方法均有15%以上的提升,图3所示。通过对改变能耗约束(图4)、改变移动设备数量(图5)、改变边缘服务器数量(图6)、观察收敛情况(图7)和观察运行时间(图8)等多个角度将本方法与基于人工鱼群算法(AFSA)的计算卸载方法、基于细菌觅食算法(BFA)的计算卸载方法、基于基因算法(GA)的计算卸载方法、基于粒子群优化算法(PSO)的计算卸载方法、本地计算(LC)和随机卸载(RO)进行了对比,并从实验数据中得出结论,本方法在上述多种情况中均具有显著的优势。
附图说明
图1计算卸载***模型;
图2自适应离散蝙蝠算法流程图;
图3 是5种算法测试结果比较;
图4 随着最大能耗的增加各个算法的数据;
图5随着移动设备数增加各个算法的数据;
图6随着边缘服务器数量变化各个算法的数据;
图7各个算法的收敛情况;
图8各个算法的运行时间。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明实施例的一种基于多策略自适应蝙蝠算法的计算卸载方法,通过以下步骤进行实施。
步骤一:
对计算卸载模型进行建模。***模型如图1所示。在多用户多MEC服务器计算卸载模型中,每个移动设备都有一个计算密集型任务并且可以通过无线网络将其任务卸载到附近的边缘服务器上。同时,本方法考虑到实际应用中实时任务会存在时间限制,任务应该在时间限制阈值之前执行该项任务。具体实现中,通过将边缘计算模型分为本地执行、计算卸载和边缘执行三个模块,分别求解各个模块的中不同设备处理不同任务的时延和能耗。得到多用户多MEC服务器边缘计算模型的基础束函数P1。如下所示:
P1的最终的目标是将整个问题的延迟最小化,其中v i 表示任务i的计算卸载决策向量,即任务i具体分配的边缘服务器。T i 是***总延时,在求T i 的公式中 I loc (i), I off,j (i)和 I pen (i)均为指示函数。I loc (i)用以表示任务是否在本地执行, I off,j (i)表示任务i是否在第j个边缘服务器 n j 上进行计算卸载, I pen (i)表示该任务在当前决策下无法在规定时间内完成。T o 表示为未完成任务的延迟惩罚。在确定了任务i的决策向量后,任务i无法在时间限制阈值之前执行,任务 i将被视为丢弃。
0≤E i ≤E max 表示处理任务 i的能耗约束;0≤Pi≤Pmax表示移动设备k i 的传输功率约束;0≤fedg,i≤fedg,max表示本地计算移动设备的CPU频率约束;0≤fedg,i≤fedg,max表示计算卸载后边缘服务器的CPU频率约束。
步骤二:
解决模型中存在负载均衡上的不足。本方法考虑到在不对MEC服务器进行能耗限制的情况下,如果某个MEC服务器处理效率高于其他MEC服务器。算法会将大部分计算任务向该MEC服务器进行卸载。这并不满足负载均衡的要求,所以本方法对每个MEC服务器能耗进行了限制,当超出能耗阈值时将会对该服务器进行处罚,增加用户设备将任务卸载到该服务器的代价实现。即增加处罚函数penalty表示对能量的限制即表示所有任务进行卸载后的总能量消耗惩罚,从而实现负载均衡。penalty函数如下:
I E (i)是指示函数,表示该边缘节点是否达到了最大能耗限制即E i >E max ,如果 E i > E max 则表示超过了能耗限制需要进行惩罚令 I E (i)=1,否则令 I E (i)=0;g表示的是平衡能量消耗和延迟的常数惩罚系数。在P1中加入penalty得到多用户多MEC服务器的计算卸载模型最终的约束函数P2:
其中v i 表示任务的计算卸载决策向量, T i 是***总延时,0≤E i 表示处理任务 i的能耗约束(不再具有最大能耗限制);0≤Pi≤Pmax表示移动设备k i 的传输功率约束;0≤fedg,i≤fedg,max表示本地计算移动设备的CPU频率约束;0≤fedg,i≤fedg,max表示计算卸载后边缘服务器的CPU频率约束。
步骤三:
针对多MEC服务器计算卸载模型,从蝙蝠算法出发,提出了移动边缘计算场景下基于多策略自适应蝙蝠算法的计算卸载方法,求解模型的计算卸载决策。本方法首先对蝙蝠算法进行离散化改造,即蝙蝠个体中元素的值为0到N之间的整数。同时算法中蝙蝠个***置,速度均为有意义整数,且位置各个维度的数值不会超过目前可选择的节点总数(本地计算和在个边缘服务器中选择一个进行卸载,共计N+1个节点)。
蝙蝠i在第j个维度以频率f ij 在位置x ij 以速度v ij 随机飞行以寻找猎物。蝙蝠还会根据与猎物的接近程度自动调整其脉冲频率和脉冲发射率 r∈[0,1]。
r t ij 表示在第t次迭代时的响度,算法通过两种方式更新蝙蝠的位置从而找到最佳策略,具体方式选择如下所示。
在全局搜索中,设计了三种更新策略来更新蝙蝠个体的位置,分别是保持在当前边缘服务器,向最佳边缘服务器进行靠近和向任意方向进行一次移动。并设计了一个随迭代次数变化的变量S来控制蝙蝠选择不同策略的概率。实现算法在迭代次数低的时候尽量增加搜寻范围同时避免陷入局部最优解,随着迭代次数的提升,开始控制算法逐步转向当前最优解的位置附近进行局部搜,解决了蝙蝠算法存在过早收敛、迭代后期种群多样性匮乏等问题。
S是一个通过迭代次数控制程序以一定概率分别执行三种策略的参数,如下所示:
本方法考虑到离散环境下,同一维度的相邻节点并不存在逻辑上的相似,故而在改进原算法更新策略的同时增加了驻留和随机检索策略,且不同的策略分别具有不同的目标。对于每个虚拟蝙蝠,定义其第t次迭代的位置x t ij 。蝙蝠位置的更新策略如下所示:
x t ij 表示迭代t时的蝙蝠i在第j个维度的位置,rand为随机生成的0到1之间随机数。
随机检索策略是为了在全局搜索时尽可能检索更多的可能性,在迭代初期鼓励算法检索更多的方案的同时避免过快收敛。驻留策略即保持当前位置,目的是尽可能保留当前节点优异的位置,让其在迭代初期更好保留自身节点位置,避免过快收敛。向最优解飞行策略如下。
第t次迭代的最佳蝙蝠位置x t * 和速度v t ij 。β 0 ∈[0,1]是均匀分布的随机数,脉冲频率f ij 的定义为:
将Lévy飞行随机数和惯性参数引入速度的更新策略从而加强算法的全局检索能力,蝙蝠速度的更新策略如下所示:
其中,M为惯性参数,增加惯性参数M受DPSO算法启发而来。用处是平衡蝙蝠本身速度与向最优解飞行的速度,防止蝙蝠过早收敛到局部最优解,最终实现加强蝙蝠个体全局检索能力的目标。M∈N[0,1]是一个服从正态分布的随机向量,step为Lévy飞行随机数。
解决方案x t ij 在时间步t的定义为:
N表示为MEC服务器的数量,N+1表示为用户可选择的方案总数,且x t+1 ij ,x t ij ,v t +1 ij ,N∈N。在离散环境下,速度和方案每个维度的取值均为自然数,且应当小于方案总数(当前维度取值为0表示本地处理)。
当进行局部搜索时,本方法设计了一个局部搜索方案解决了离散空间中两个相邻点之间的关系不存在逻辑相似的问题。在局部搜索阶段,每只蝙蝠在当前全局最优解附近进行随机游走产生新解即从全局最优解出发进行局部检索。为解决离散蝙蝠算法易陷入局部最优的问题将离散情况下的局部搜索策略从向当前最优解飞行改为,以一定概率分别执行驻留和随机飞行的策略,即在当前方案基础上进行周边策略的检索。设计了一个类似于S的参数G,如下所示:
通过G我们可以控制对离散条件下粒子的更新方案,在局部更新情况也存在三种方案分别是随机生成,维度交换,维持最佳,更新方案如下所示:
随机生成即对当前维度随机生成数值目的是在当前最优解基础上上扩大搜索范围。维度交换即当前维度数值与另一维度数值进行交换(只能交换后面未处理的维度,如果当前维度为最后一个则执行选取最佳)目的是对最优解进行扰动扩大算法搜索范围。维持最佳即维持当前最佳方案的数值目的是让方案保持在当前最优解附近。
其中γ m 是常数,且γ>0,当t→∞时,r t ij →r 0 ij 。初始发射率r 0 ∈[0,1]。
多策略自适应蝙蝠算法流程图如图2所示。
步骤四:
将用户多MEC服务器边缘计算模型进行编码。即将移动设备产生的总任务的数量、边缘服务器的总数量、移动设备的CPU频率、边缘服务器的CPU频率、移动设备将任务传输到边缘服务器的传输效率、移动设备计算复杂度和边缘服务器计算复杂度等参数进行编码。而后将蝙蝠算法中的所有个体都会被全部进行编码(全编码),蝙蝠个体的元素可以取0到N之间的任意整数。蝙蝠的维数与任务总数一致。
而后通过将约束函数P2进行编码,获取该问题的适应函数。适应度函数表示按照当前方法将所有任务分配到对应服务器情况下的***总成本,计算公式为:
公式含义如步骤二约束函数P2所示。k表示任务总数,T i 是***总延时,g表示的是平衡能量消耗,E i 为当前方案任务i的能耗,E max为能耗限制。适应度函数是蝙蝠算法中评判蝙蝠个体优劣的唯一标准。算法的最终目的是获取适应度最低的蝙蝠个体(计算卸载策略)。
步骤五:
通过步骤一二获取本文多用户多MEC服务器计算卸载模型,通过步骤三获取能求解模型计算卸载策略的多策略自适应蝙蝠算法,通过步骤四对模型和算法进行编码将模型与算法相结合求解多用户多MEC服务器计算卸载模型的计算卸载策略。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于多策略自适应蝙蝠算法的计算卸载方法,其特征在于,包括以下步骤:
S1:对计算卸载模型进行建模,将边缘计算模型分为本地执行、计算卸载和边缘执行三个模块,分别求解各个模块的中不同设备处理不同任务的时延和能耗,得到多用户多MEC服务器边缘计算模型的基础束函数P1;
S2:当超出能耗阈值时使用处罚函数penalty对该服务器进行处罚,增加用户设备将任务卸载到该服务器的代价实现,得到多用户多MEC服务器的计算卸载模型最终的约束函数P2;
S3:使用保持在当前边缘服务器,向最佳边缘服务器进行靠近和向任意方向进行一次移动的三种更新策略来更新蝙蝠算法的蝙蝠个体的位置,使用随迭代次数变化的变量S,G来控制蝙蝠在全局搜索和局部搜索中选择不同策略的概率,全局搜索更新策略为:
局部搜索更新策略为:
S4:将蝙蝠算法中的所有个体都会被全部进行编码,蝙蝠个体的元素可以取0到N之间的任意整数,蝙蝠的维数与任务总数一致,而后通过将所述约束函数P2进行编码,获取该问题的适应函数,计算将所有任务分配到对应服务器情况下的***总成本;
S5:通过所述S1、S2的步骤获取多用户多MEC服务器计算卸载模型,通过所述S3获取能求解模型计算卸载策略的多策略自适应蝙蝠算法,通过所述S4对模型和算法进行编码将模型与算法相结合求解多用户多MEC服务器计算卸载模型的计算卸载策略。
2.根据权利要求1所述的基于多策略自适应蝙蝠算法的计算卸载方法,其特征在于,所述基础束函数P1定义为:
其中,v i 表示任务i的计算卸载决策向量,T i 是***总延时,I loc (i), I off,j (i)和I pen (i)均为指示函数,I loc (i)用以表示任务是否在本地执行,I off,j (i)表示任务i是否在第j个边缘服务器n j 上进行计算卸载, I pen (i)表示该任务在当前决策下无法在规定时间内完成,T o 表示为未完成任务的延迟惩罚,0≤E i ≤E max 表示处理任务i的能耗约束;0≤Pi≤Pmax表示移动设备k i 的传输功率约束;0≤floc,i≤floc,max表示本地计算移动设备的CPU频率约束;0≤fedg,i≤fedg,max表示计算卸载后边缘服务器的CPU频率约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634651.0A CN115129387A (zh) | 2022-06-07 | 2022-06-07 | 一种基于多策略自适应蝙蝠算法的计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210634651.0A CN115129387A (zh) | 2022-06-07 | 2022-06-07 | 一种基于多策略自适应蝙蝠算法的计算卸载方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115129387A true CN115129387A (zh) | 2022-09-30 |
Family
ID=83378622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210634651.0A Pending CN115129387A (zh) | 2022-06-07 | 2022-06-07 | 一种基于多策略自适应蝙蝠算法的计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115129387A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024108960A1 (zh) * | 2022-11-23 | 2024-05-30 | 福州大学 | 一种边缘环境下支持多物联网应用自适应卸载的方法 |
-
2022
- 2022-06-07 CN CN202210634651.0A patent/CN115129387A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024108960A1 (zh) * | 2022-11-23 | 2024-05-30 | 福州大学 | 一种边缘环境下支持多物联网应用自适应卸载的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070240B (zh) | 一种高效通信的分层联邦学习框架及其优化方法和*** | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN111930436B (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
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 | |
CN112600921B (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
CN110717300B (zh) | 面向电力物联实时在线监测业务的边缘计算任务分配方法 | |
CN111787509A (zh) | 边缘计算中基于强化学习的无人机任务卸载方法及*** | |
CN109922137B (zh) | 无人机协助的计算迁移方法 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN110809275B (zh) | 基于无线城域网的微云节点放置方法 | |
CN113950081B (zh) | 一种面向微服务的动态服务迁移和请求路由方法 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
Fragkos et al. | Artificial intelligence enabled distributed edge computing for Internet of Things applications | |
CN115396953B (zh) | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 | |
Dong et al. | Quantum particle swarm optimization for task offloading in mobile edge computing | |
CN112905312A (zh) | 边缘计算环境中基于深度q神经网络的工作流调度方法 | |
CN115129387A (zh) | 一种基于多策略自适应蝙蝠算法的计算卸载方法 | |
Chen et al. | When learning joins edge: Real-time proportional computation offloading via deep reinforcement learning | |
Chen et al. | Joint optimization of task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge network | |
CN111611069B (zh) | 多数据中心间多类型任务迁移方法 | |
CN111930435B (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及*** | |
CN116737391A (zh) | 一种联邦模式下基于混合策略的边缘计算协作方法 | |
CN116567651A (zh) | 基于粒子群的mec任务卸载与迁移的决策方法及*** |
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 |