CN117715111A - 一种基于noma-mec网络的计算任务卸载优化方法 - Google Patents

Abstract

本发明适用于网络技术领域，提供了一种基于NOMA‑MEC网络的计算任务卸载优化方法，包括具体操作步骤如下：构建了一种基于非正交多址(NOMA)的多用户移动边缘计算(MEC)***模型，通过联合优化任务卸载决策和传输功率来最小化***总开销；本发明基于NOMA‑MEC网络的计算任务卸载优化方法，考虑任务卸载决策和功率资源分配的约束下，建立了一个关于任务卸载决策和功率分配的混合整数非线性规划问题；针对该混合整数非线性规划问题，提出了一种基于拉格朗日法和遗传算法的两段启发式算法方案，首先固定任务卸载决策后将问题松弛为凸问题，然后利用拉格朗日法和二分法求解功率分配，再利用遗传算法求解任务卸载决策。

Description

一种基于NOMA-MEC网络的计算任务卸载优化方法

技术领域

本发明涉及网络技术领域，更具体地说，它涉及一种基于NOMA-MEC网络的计算任务卸载优化方法。

背景技术

移动边缘计算(MEC)可以使计算能力和能量有限的用户将其计算密集型和延迟敏感的任务卸载到网络边缘，从而为用户提供高质量的服务。研究了一种基于非正交多址(NOMA)的多用户移动边缘计算***。以获得最小的***时延和能耗总开销为目的，提出了多用户的任务卸载决策和功率分配问题。为了解决这一混合整数非线性规划问题，提出了一种基于拉格朗日法和遗传算法的联合算法。首先利用拉格朗日法求解功率分配，再利用遗传算法求解任务卸载决策，通过交替优化得到最优解。仿真结果表明，相对于基准方案，所提出的方案可以有效地降低***总开销并提高任务卸载效率。

为了更好地满足大规模卸载服务，需要稳定的无线通信技术将计算任务卸载到边缘服务器，非正交多址(NOMA)通过在发射端采用非正交传输方式，在接收端通过串行干扰消除(SIC,serial interference cancellation)技术实现解调，信道条件好的用户可以消除来自信道条件差的用户的干扰，与传统的正交多址(OMA)技术相比，NOMA将同一信道分配给多个用户，提高***容量和频谱效率，现有研究从不同方面证明了基于NOMA的MEC网络***的优越性，但是这些研究都只单独关注时延最小化或能耗最小化的优化问题，忽略了延迟最小化和能耗最小化之间的相互影响，因为***内时延和能耗相互耦合，所以***时延降低会导致能耗升高或降低能耗会导致时延变长。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于NOMA-MEC网络的计算任务卸载优化方法。

为实现上述目的，本发明提供了如下技术方案：

一种基于NOMA-MEC网络的计算任务卸载优化方法，所述基于非正交多址(NOMA)的多用户移动边缘计算(MEC)***模型由一个单天线基站和M个单天线用户组成，基站配备一个边缘服务器；所述计算任务卸载优化方法包括：

S1、建立所述基于非正交多址(NOMA)的多用户移动边缘计算(MEC)***的通信模型、计算模型；

S2、构建联合优化任务卸载决策和传输功率分配的最小化***总开销问题P1,

其中，a_n表示任务卸载决策变量，p_n表示用户n的卸载功率。p_max表示最大传输功率；

S3、固定任务卸载决策A，将P1转化为只与传输功率有关的优化问题P2，

通过松弛变换将非凸问题转换为凸问题，采用拉格朗日法和二分法求出传输功率分配闭式解P；

S4、对所述问题P1，代入所求传输功率分配方案P，通过遗传算法得到任务卸载决策A；

S5、联合拉格朗日法和遗传算法设计交替优化求解传输功率分配方案P和任务卸载决策A，得到最优卸载决策A^*和最优功率分配方案P^*；

S6、基于最优卸载决策A^*和最优功率分配方案P^*进行任务卸载计算。

所述S1中，所述通信模型如下：

M个用户使用NOMA技术将各自的任务卸载到基站,其中用户n的上行链路卸载速率为：

其中，B为频谱带宽；γ_n表示用户n到基站的信干噪比；P_n表示用户n的卸载功率；h_n表示用户n到基站的瑞利衰落信道系数；σ²表示信道的噪声功率。

所述计算模型如下：

每个用户可以选择在本地计算，或者选择卸载到MEC服务器计算。当用户选择在本地计算时a_n＝0，当用户选择卸载到MEC计算时a_n＝1。

用户n的本地计算时延为：

其中，I_n表示用户UE n的任务数据量大小(bits)；D_n表示计算1bit数据需要的CPU周期数(cycles/bit)；f_n ^l表示用户n的计算能力(CPU频率，cycles/s)。

用户n的本地计算能耗为：

E_n ^l＝P_n ^cpuT_n ^l＝κ_n(1-a_n)I_nD_n(f_n ^l)²

其中，P_n ^cpu＝κ_n(f_n ^l)³为用户n的CPU内核功耗，κ_n表示用户n每个CPU周期的有效电容系数。

用户n的卸载时延为

用户n的卸载能耗为

所述S2中，所述联合优化任务卸载决策和传输功率分配的最小化***总开销问题P1建立过程如下：

将用户任务执行的时延和能耗的加权和定义为用户的总开销。用户n选择本地计算的总开销表达式为：

Z_n ^l＝γ_n ^TT_n ^l+γ_n ^EE_n ^l

用户n选择MEC卸载计算的总开销表达式为：

其中，表示计算时延权重因子,/>表示能耗权重因子，/>

用户n的总开销表达式为：

本发明以最小化***总开销为目标，联合优化任务卸载决策和功率分配。故优化问题表述为

所述S3中：

当A＝A⁽⁰⁾给定时，问题只与传输功率有关，故将问题P1转化为问题P2

引入辅助变量α_T替换T_n ^off，将非凸问题P2转化为问题P3：

固定α_T，问题P3变为凸问题，通过KKT条件求解得到P^*

因为α_T难以得到封闭解，本发明通过二分法求解最优的α_T

求解方法如下：

步骤1初始化设置精度ε＝10^-4，当前迭代次数i＝0；

步骤2将代入P3并求解，得到P[0]和L[0]；

步骤3判断是否大于ε，如果大于则执行步骤4，否则输出当前最优解P；

步骤4令并代入P3求解，得到P[i]，L[i]；步骤5判断L[i]是否小于L[i-1]，如果是令/>否则令/>返回第三步。

所述S4中，本发明通过改进的遗传算法求解任务卸载决策，具体求解步骤如下：

步骤1：初始染色体种群设定：因为在网络模型中有M个用户需要进行任务计算处理，而每个用户都有本地计算和MEC卸载计算两种选择方式。将每一个用户的卸载方式定义为一个基因，每个基因只有0(用户选择本地计算)，1(用户选择MEC卸载计算)两种选择。M个基因组成一条染色体，即M个用户的任务卸载决策。本发明将初始染色体种群设定为2^M；

步骤2：确定适应度函数。遗传算法的适应度函数用来评估每个个体的适应性，通过适应度函数来淘汰质量较差的染色体，保留质量较好的染色体；

步骤3：交叉，新的染色体需要两条未被淘汰的染色体进行交叉产生；

步骤4：变异，因为交叉过程仅是对上一代的染色体进行选择，得到的解会出现局部最优的情况。

所述S5中，联合拉格朗日法和遗传算法的交替优化解决方案。具体算法步骤如下：

步骤1：初始化任务卸载决策为A⁽⁰⁾，初始化迭代次数r＝0；

步骤2：将任务卸载决策A^(r)代入P2，通过松弛变换后得到P3，然后通过拉格朗日法和二分法得到功率P^(r+1)；

步骤3：将P^(r+1)代入P1，得到P4，通过遗传算法得到任务卸载决策A^(r+1)；

步骤4：将判断相邻两次目标函数的增长值是否小于阈值τ，若大于或等于则r＝r+1，并返回步骤2；否则输出当前最优的任务卸载决策A^*和功率分配方案P^*。

本发明的优点是：

1、本发明基于NOMA-MEC网络的计算任务卸载优化方法，考虑任务卸载决策和功率资源分配的约束下，建立了最小化***总开销模型，针对该混合整数非线性规划问题，提出了一种基于拉格朗日法和遗传算法的两段启发式算法方案，首先固定任务卸载决策后将问题松弛为凸问题，然后利用拉格朗日法和二分法求解功率分配，再利用遗传算法求解任务卸载决策，通过交替优化得到最优解，仿真结果表明，相对于基准方案，所提出的方案在任务总开销、时延以及能耗上都有所降低。

2、本发明基于NOMA-MEC网络的计算任务卸载优化方法，首先固定任务卸载决策后将问题松弛为凸问题，然后利用拉格朗日法求解功率分配，再利用遗传算法求解任务卸载决策，通过交替优化得到最优卸载决策和最优传输功率。

3、本发明基于NOMA-MEC网络的计算任务卸载优化方法，通过遗传算法得到的全局最优解即用户的最优卸载决策，最优染色体上的基因对应每个用户的卸载选择。

附图说明

图1为本发明上行链路NOMA-MEC网络的流程图；

图2为本发明交叉过程示意图；

图3为本发明变异过程示意图；

图4为本发明全局算法的流程图；

图5为本发明***总开销与任务量的关系示意图；

图6为本发明NOMA与OFDMA卸载总开销与任务量的关系示意图；

图7为本发明一种基于NOMA-MEC网络的计算任务卸载优化方法的流程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。

需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

本发明中，在未作相反说明的情况下，使用的方位如“上、下”通常是针对附图所示的方向而言，或者是针对竖直、垂直或重力方向上而言的；同样地，为便于理解和描述，“左、右”通常是针对附图所示的左、右；“内、外”是指相对于各部件本身的轮廓的内、外，但上述方位词并不用于限制本发明。

请参阅图1-6，本发明提供以下技术方案：一种基于NOMA-MEC网络的计算任务卸载优化方法，具体操作步骤如下：

S1、建立所述基于非正交多址(NOMA)的多用户移动边缘计算(MEC)***的通信模型、计算模型；

S2、构建联合优化任务卸载决策和传输功率分配的最小化***总开销问题P1,

其中，a_n表示任务卸载决策变量，p_n表示用户n的卸载功率。p_max表示最大传输功率。

S3、固定任务卸载决策A，将P1转化为只与传输功率有关的优化问题P2，

通过松弛变换将非凸问题转换为凸问题，采用拉格朗日法和二分法求出传输功率分配闭式解P；

S4、对所述问题P1，代入所求传输功率分配方案P，通过遗传算法得到任务卸载决策A；

S5、对所述问题P1进行交替求解传输功率分配方案P和任务卸载决策A，得到最优卸载决策A^*和最优功率分配方案P^*；

S6、基于最优卸载决策A^*和最优功率分配方案P^*进行任务卸载计算。

具体地，本发明所研究的基于NOMA上行传输的MEC网络模型如图1所示，该网络由一个单天线基站和M个单天线用户组成，基站配备一个边缘服务器。用户的集合定义为M＝{1,2,…,M}，每个用户都有且仅有一个密集计算任务Wn＝{In,Dn}，n∈M。其中In表示用户UEn的任务数据量大小(bits)；Dn表示计算1bit数据需要的CPU周期数(cycles/bit)。每个用户的计算任务可以选择在本地处理，或者选择卸载到MEC服务器处理。

进一步，定义a_n表示任务卸载决策变量，当a_n＝1时，表示用户n将任务卸载到MEC服务器计算；当a_n＝0时，表示用户n的任务在本地计算。为了便于分析，本发明做出如下合理假设：

1)基站已知信道状态信息(CSI,channel state information)、每个任务的数据量大小以及执行任务所需的CPU周期数。

2)每个用户的计算结果数据都远小于计算输入数据，因此忽略计算结果的回程链路传输时延。

进一步地，通信模型：

假设M个用户使用NOMA技术将各自的任务卸载到基站。基站的接收信号为

其中，Pn表示用户n的卸载功率；hn表示用户n到基站的瑞利衰落信道；sn表示用户n的任务发送信号；ω表示基站处的加性高斯白噪声。

在接收端采用串行干扰消除(SIC)技术,本发明假设SIC解码顺序为信道增益的降序，且所有用户的信道增益按照升序排列，即

h₁≤h₂≤···≤h_M (2)

则在SIC解调后，第n个用户信号加干扰噪声比表示为

其中，P_n表示用户n的卸载功率；h_n表示用户n到基站的瑞利衰落信道系数；σ²表示信道的噪声功率。

根据香农公式，可以计算出用户n的上行链路卸载速率为

其中，B为频谱带宽。

因此***采用NOMA上行传输能达到的总卸载速率为

进一步地，计算模型：

每个用户可以选择在本地计算，或者选择卸载到MEC服务器计算。当用户选择在本地计算时a_n＝0，当用户选择在卸载计算时a_n＝1。

进一步地，本地计算：

当用户在本地处理其计算任务时，其计算时延和能耗取决于自身计算能力，设f_n ^l是用户n的计算能力(CPU频率，cycles/s)。故用户n的本地计算时延为

用户n的本地计算能耗为

E_n ^l＝P_n ^cpuT_n ^l＝κ_n(1-a_n)I_nD_n(f_n ^l)² (7)

其中，P_n ^cpu＝κ_n(f_n ^l)³为用户n的CPU内核功耗，κ_n表示用户n每个CPU周期的有效电容系数。

进一步地，MEC卸载计算：

由于MEC与基站连接，不考虑MEC服务器的计算能量消耗，且忽略计算结果的回程链路传输时延。考虑到MEC服务器具有很高的计算能力，其计算时延与卸载时延相比可以忽略不计，所以用户选择卸载计算的总时延只考虑卸载时延。故用户n的卸载时延为

用户选择卸载计算的能耗主要来自用户卸载数据到MEC服务器产生的能耗，即

进一步地，问题表述：

将用户任务执行的时延和能耗的加权和定义为用户的总开销。根据式(6)和(7)，用户n的本地计算的总开销表达式为

Z_n ^l＝γ_n ^TT_n ^l+γ_n ^EE_n ^l (10)

根据式(8)和(9)，用户n的MEC卸载计算的总开销表达式为

其中，表示计算时延权重因子,/>表示能耗权重因子，/> 为了实现建模灵活性并满足不同用户的要求，允许用户选择不同的权重。

由于每个用户的任务只能单独在本地或者MEC服务器上执行。因此，用户n的总开销表达式为

本发明以最小化***总开销为目标，联合优化任务卸载决策和功率分配。定义集合A＝{a₁,a₂,...,a_M}为卸载决策变量，P＝{p₁,p₂,...,p_M}为传输功率变量，故优化问题表述为

其中，C1表示用户任务只能选择在本地计算或者MEC卸载计算，同一个计算任务不能同时在本地和MEC服务器执行；C2表示传输功率不能为负；C3表示最大功率限制。

具体地，算法设计：

由于an∈{0,1}是混合整数变量，使P1为一个混合整数非线性规划问题，这类问题通常是非凸的NP-hard问题。直接求解这类问题具有一定难度，基于此本发明利用交替优化算法将P1划分为功率分配和卸载决策2个子问题，提出了一种基于拉格朗日法(KKT条件)和遗传算法的求解方案。

1)功率分配问题：初始化任务卸载决策，即给定A＝A⁽⁰⁾后，问题P1转化为关于P的连续问题，将问题松弛变换为凸问题后采用KKT条件求解。

2)任务卸载决策问题：确定P＝P^*后，原优化问题就变成了只与变量A有关的0-1整数规划问题，本发明采用遗传算法求解最优卸载决策。

进一步地，功率分配优化：

当A＝A⁽⁰⁾给定时，问题只与传输功率P有关，故将问题P1转化为问题P2

由于，T_n ^off是关于功率P的非凸函数，故问题P2还是一个非凸的问题。为了解决这个问题，引入辅助变量α_T替换T_n ^off，且满足如下约束

公式(15)左边表示选择卸载计算的用户总的卸载时间消耗。

将α_T代入P2得到问题P3：

固定α_T，问题P3变为凸问题，通过KKT条件求解得到P^*

因为α_T难以得到封闭解，本发明通过二分法求解最优的α_T

求解方法如下：

步骤1：初始化设置精度ε＝10^-4，当前迭代次数i＝0；

步骤2：将代入P3并求解，得到P^[0]和L^[0]；

步骤3：判断是否大于ε，如果大于则执行步骤4，否则输出当前最优解P；

步骤4：令并代入P3求解，得到P^[i]，L^[i]；

步骤5：判断L^[i]是否小于L^[i-1]，如果是令否则令/>返回第三步。

进一步地，任务卸载决策优化：

求出较优的P^*后，将其带入P1得到问题P4

P4是一个关于0-1整数变量的优化问题，目标函数不连续可微。由于遗传算法在求解过程中不要求问题的连续性和可微性，因此本发明通过改进的遗传算法求解任务卸载决策，具体求解步骤如下：

步骤1：初始染色体种群设定：因为在网络模型中有M个用户需要进行任务计算处理，而每个用户都有本地计算和MEC卸载计算两种选择方式。将每一个用户的卸载方式定义为一个基因，每个基因只有0(用户选择本地计算)，1(用户选择MEC卸载计算)两种选择。M个基因组成一条染色体，即M个用户的任务卸载决策。本发明将初始染色体种群设定为2^M；

步骤2：确定适应度函数：遗传算法的适应度函数用来评估每个个体的适应性，通过适应度函数来淘汰质量较差的染色体，保留质量较好的染色体。本发明的适应度函数设置为目标函数的倒数，染色体n的适应度为

由于适应度函数与目标函数成反比，所以当染色体的适应度越高时，目标函数就越小，即该卸载方案越优；

步骤3：交叉，新的染色体需要两条未被淘汰的染色体进行交叉产生。即在染色体中设置一个交叉点并切断染色体，然后相互拼接进行基因交换，生成两条新的染色体。交叉过程如图2所示。为了保留更加优良的基因，即更好的卸载决策，在选择来源染色体时，采用轮盘赌算法筛选个体。故染色体n被选中的概率为

当适应度越高的染色体被选择的概率越大，经过若干次选择并交叉后，染色体的质量越来越高，即卸载方案的整体开销越来越小。

步骤4：变异，因为交叉过程仅是对上一代的染色体进行选择，得到的解会出现局部最优的情况。为了得到全局最优解，在交叉后生成的新染色体上随机改变几个基因(即从1变成0或从0变成1)，如图3所示。

通过遗传算法得到的最优解即用户的最优卸载决策，最优染色体上的基因对应每个用户的卸载选择(基因为0，表示用户选择本地计算；基因为1表示用户选择卸载计算)。

具体地，全局算法：

综上，本发明建立了一个关于任务卸载决策和功率分配的混合整数非线性规划问题。提出了一种联合拉格朗日法和遗传算法的解决方案。全局算法流程图如图4所示，具体算法步骤如下。

步骤1：初始化任务卸载决策为A⁽⁰⁾，初始化迭代次数r＝0；

步骤2：将任务卸载决策A^(r)代入P2，通过松弛变换后得到P3，然后通过拉格朗日法和二分法得到功率P^(r+1)；

步骤3：将P^(r+1)代入P1，得到P4，通过遗传算法得到任务卸载决策A^(r+1)；

步骤4：将判断相邻两次目标函数的增长值是否小于阈值τ，若大于或等于则r＝r+1，并返回步骤2；否则输出当前最优的任务卸载决策A^*和功率分配方案P^*。

进一步地，实验仿真和数值分析：

在本节中，在MATLAB平台进行仿真实验来验证本发明提出的任务卸载决策和功率分配算法。针对本发明的实际仿真环境，有如下参数设置。所有用户随机分布在半径为500m的单个小区中。用户n到基站的信道增益表示为，其中g_n表示瑞利衰落信道系数；d_n表示该用户n到基站的距离；α为路径损耗因子。仿真模拟中的关键仿真参数，如表1所示。

表1仿真参数

在仿真过程中同时考虑了四种基准方案来与本发明提出的算法方案进行对比，以此来验证所提算法的性能的优越性。

1)、本地计算方案：所有用户全选择本地计算；

2)、NOMA全卸载策略：所有用户的计算任务通过NOMA技术全卸载到MEC服务器上计算；

3)、OFDMA部分卸载策略：所有用户的计算任务通过OFDMA技术部分卸载到MEC服务器上计算；

4)、OFDMA全卸载策略：所有用户的计算任务通过OFDMA技术全卸载到MEC服务器上计算。

图5研究了NOMA部分卸载(本发明所提方案)、本地计算和NOMA全卸载3种卸载方案的***总开销和任务数据量的关系。如图所示，***总开销随着用户任务量增加而增加，其中本地计算方案的总开销最大，NOMA部分卸载方案的总开销最小。本发明提出的NOMA部分卸载方案在处理较大任务数据时相对于基准方案明显更具有优越性。

图6研究了NOMA卸载和OFDMA卸载的***总开销和任务数据量的关系。当用户数据量增加时，***总开销不断增加。本发明提出的方案总开销明显优于其它方案。随着任务量的增加所提方案的总开销与其它方案的总开销差距越大。

在考虑任务卸载决策和功率资源分配的约束下，建立了最小化***总开销模型，针对该混合整数非线性规划问题，提出了一种基于拉格朗日法和遗传算法的两段启发式算法方案，首先固定任务卸载决策后将问题松弛为凸问题，然后利用拉格朗日法和二分法求解功率分配，再利用遗传算法求解任务卸载决策，通过交替优化得到最优解。仿真结果表明，相对于基准方案，所提出的方案在任务总开销、时延以及能耗上都有所降低。

显然，上述所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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 (6)

1.一种基于NOMA-MEC网络的计算任务卸载优化方法，其特征在于：所述基于非正交多址(NOMA)的多用户移动边缘计算(MEC)***模型由一个单天线基站和M个单天线用户组成，基站配备一个边缘服务器；所述计算任务卸载优化方法包括：

S1、建立所述基于非正交多址(NOMA)的多用户移动边缘计算(MEC)***的通信模型、计算模型；

S2、构建联合优化任务卸载决策和传输功率分配的最小化***总开销问题P1,

其中，a_n表示任务卸载决策变量，p_n表示用户n的卸载功率。p_max表示最大传输功率；

S3、固定任务卸载决策A，将P1转化为只与传输功率有关的优化问题P2，

通过松弛变换将非凸问题转换为凸问题，采用拉格朗日法和二分法求出传输功率分配闭式解P；

S4、对所述问题P1，代入所求传输功率分配方案P，通过遗传算法得到任务卸载决策A；

S5、联合拉格朗日法和遗传算法设计交替优化求解传输功率分配方案P和任务卸载决策A，得到最优卸载决策A^*和最优功率分配方案P^*；

S6、基于最优卸载决策A^*和最优功率分配方案P^*进行任务卸载计算。

2.根据权利要求1所述的一种基于NOMA-MEC网络的计算任务卸载优化方法，其特征在于：所述S1中，所述通信模型如下：

M个用户使用NOMA技术将各自的任务卸载到基站,其中用户n的上行链路卸载速率为：

其中，B为频谱带宽；γ_n表示用户n到基站的信干噪比；P_n表示用户n的卸载功率；h_n表示用户n到基站的瑞利衰落信道系数；σ²表示信道的噪声功率。

所述计算模型如下：

每个用户可以选择在本地计算，或者选择卸载到MEC服务器计算。当用户选择在本地计算时a_n＝0，当用户选择卸载到MEC计算时a_n＝1。

用户n的本地计算时延为：

其中，I_n表示用户UE n的任务数据量大小(bits)；D_n表示计算1bit数据需要的CPU周期数(cycles/bit)；f_n ^l表示用户n的计算能力(CPU频率，cycles/s)。

用户n的本地计算能耗为：

E_n ^l＝P_n ^cpuT_n ^l＝κ_n(1-a_n)I_nD_n(f_n ^l)²

其中，P_n ^cpu＝κ_n(f_n ^l)³为用户n的CPU内核功耗，κ_n表示用户n每个CPU周期的有效电容系数。

用户n的卸载时延为

用户n的卸载能耗为

3.根据权利要求1所述的一种基于NOMA-MEC网络的计算任务卸载优化方法，其特征在于：所述S2中，所述联合优化任务卸载决策和传输功率分配的最小化***总开销问题P1建立过程如下：

将用户任务执行的时延和能耗的加权和定义为用户的总开销。用户n选择本地计算的总开销表达式为：

Z_n ^l＝γ_n ^TT_n ^l+γ_n ^EE_n ^l

用户n选择MEC卸载计算的总开销表达式为：

其中，表示计算时延权重因子,/>表示能耗权重因子，/>

用户n的总开销表达式为：

本发明以最小化***总开销为目标，联合优化任务卸载决策和功率分配。故优化问题表述为

4.根据权利要求1所述的一种基于NOMA-MEC网络的计算任务卸载优化方法，其特征在于：所述S3中：

当A＝A⁽⁰⁾给定时，问题只与传输功率有关，故将问题P1转化为问题P2

引入辅助变量α_T替换T_n ^off，将非凸问题P2转化为问题P3：

固定α_T，问题P3变为凸问题，通过KKT条件求解得到P^*

因为α_T难以得到封闭解，本发明通过二分法求解最优的α_T

求解方法如下：

步骤1初始化 设置精度ε＝10^-4，当前迭代次数i＝0；

步骤2将代入P3并求解，得到P[0]和L[0]；

步骤3判断是否大于ε，如果大于则执行步骤4，否则输出当前最优解P；

步骤4令并代入P3求解，得到P[i]，L[i]；

步骤5判断L[i]是否小于L[i-1]，如果是令否则令/>返回第三步。

5.根据权利要求1所述的一种基于NOMA-MEC网络的计算任务卸载优化方法，其特征在于：所述S4中，本发明通过改进的遗传算法求解任务卸载决策，具体求解步骤如下：

步骤1：初始染色体种群设定：因为在网络模型中有M个用户需要进行任务计算处理，而每个用户都有本地计算和MEC卸载计算两种选择方式。将每一个用户的卸载方式定义为一个基因，每个基因只有0(用户选择本地计算)，1(用户选择MEC卸载计算)两种选择。M个基因组成一条染色体，即M个用户的任务卸载决策。本发明将初始染色体种群设定为2^M；

步骤2：确定适应度函数。遗传算法的适应度函数用来评估每个个体的适应性，通过适应度函数来淘汰质量较差的染色体，保留质量较好的染色体；

步骤3：交叉，新的染色体需要两条未被淘汰的染色体进行交叉产生；

步骤4：变异，因为交叉过程仅是对上一代的染色体进行选择，得到的解会出现局部最优的情况。

6.根据权利要求1所述的一种基于NOMA-MEC网络的计算任务卸载优化方法，其特征在于：所述S5中，联合拉格朗日法和遗传算法的交替优化解决方案。具体算法步骤如下：

步骤1：初始化任务卸载决策为A⁽⁰⁾，初始化迭代次数r＝0；

步骤2：将任务卸载决策A^(r)代入P2，通过松弛变换后得到P3，然后通过拉格朗日法和二分法得到功率P^(r+1)；

步骤3：将P^(r+1)代入P1，得到P4，通过遗传算法得到任务卸载决策A^(r+1)；

步骤4：将判断相邻两次目标函数的增长值是否小于阈值τ，若大于或等于则r＝r+1，并返回步骤2；否则输出当前最优的任务卸载决策A^*和功率分配方案P^*。