一种基于量子行为粒子群优化策略的IoT用户感知任务卸载方法

一种基于量子行为粒子群优化策略的iot用户感知任务卸载方法
技术领域
1.本发明属于物联网领域，具体涉及一种量子行为粒子群优化策略的iot用户感知任务卸载新方法。


背景技术：

2.由于移动边缘计算、移动物联网、5g技术的高速发展，移动物联网的网络边缘需要部署越来越多的物联网用户智能设备，这些数以亿计的物联网用户智能设备将会对计算性能有极大要求，海量的物联网用户智能设备产生的计算需求若使用云计算技术解决，可能使得移动物联网的网络超负荷，在传输感知数据时产生过高的时间消耗、能量损耗问题。
3.移动边缘计算作为一种新的计算模式，在移动物联网的网络边缘为物联网用户的智能设备提供强大的云计算能力包括感知数据存储、处理、传输服务，该服务的特性是靠近物联网用户，从而减少物联网的网络操作服务的时间消耗、能量损耗，提高物联网用户的体验。通过将资源匮乏的感知计算任务卸载到轻量级的物联网用户附近的边缘中心服务器，提高物联网用户智能设备的各项性能。感知任务的计算卸载是移动边缘计算中最重要的特性，它可以提高资源受限的物联网用户智能设备的计算性能，并且将感知任务计算卸载到计算、存储能力强的边缘中心服务器或者其他物联网用户智能设备上运行，延长物联网用户智能设备的电池寿命，减少运行复杂应用程序的时间消耗、能量损耗。
4.此外，工业物联网、智慧城市、无人驾驶等高新技术对协同优化时间消耗、能量损耗的需求更高。移动边缘计算将存储、计算、网络资源部署在移动物联网的网络边缘处，在地理位置上更加靠近物联网用户的智能设备。将感知任务计算卸载到边缘中心服务器上可以使感知任务得到及时的处理，能够有效的减少端到端时间延迟，提高移动物联网的网络效率，减轻远程物联网云数据中心的网络负荷。计算卸载是移动边缘计算中的研究重点，在复杂动态的移动边缘计算环境下，急需设计高效的感知任务卸载策略，实现有效地减少感知任务卸载系统模型的时间消耗、能量损耗性能。移动边缘计算技术能够有效地利用边缘中心的强大计算、存储资源，满足物联网用户智能设备的高效计算，更低的时间消耗、更低的能量损耗的需求。衡量移动边缘计算中感知任务卸载性能的关键技术指标为时间消耗、能量损耗，而移动边缘计算中感知任务计算卸载是影响物联网用户对于信息技术服务体验的关键，所以本发明主要研究移动边缘计算中感知任务计算卸载的时间消耗、能量损耗协同优化。


技术实现要素：

5.本发明的目的是就是：1)设计量子行为粒子种群的适应性方差，衡量粒子种群的适应性汇聚状态，从而可以评估粒子种群的收敛性，在粒子种群的适应性方差较小时，即量子行为粒子种群接近收敛时，采用混沌定理中的logistic混沌映射方程与量子行为粒子群优化算法相结合，提高优化算法跳出局部最优可行解并且获得全局最优可行解的能力。2)
设计量子行为粒子种群多样性评价函数衡量粒子种群的多样性，采用基于拥挤系数的快速精英非支配排序遗传算法的交叉、变换操作，选择出量子行为粒子种群多样性高的粒子种群，从而提高优化算法得出理论全局最优解的概率，降低智能优化算法的适应性，即提高智能优化算法的收敛速度，同时减少感知任务卸载模型的时间消耗，实现较低的能量损耗。
6.本发明的量子行为粒子群优化策略的iot用户感知任务卸载新方法，主要包括如下关键步骤：
7.第1、混沌扰动策略的实现；
8.第1.1、粒子汇聚状态评估；
9.第1.2、基于混沌理论所显现的特性；
10.第1.3、logistic混沌映射方程；
11.第1.4、混沌扰动策略；
12.第2、基于量子行为粒子群优化策略的iot用户感知任务卸载新方法的设计；
13.第2.1、自适应交换变异操作；
14.第2.2、感知任务卸载的平均时间消耗和平均能量损耗；
15.第2.3、拥挤系数；
16.第2.4、算法设计。
17.进一步的，步骤第1.1中当pso算法完成时，粒子种群收敛于搜索可解空间中的全局极值点，当存在若干个全局极值点时，粒子种群随机汇聚在这若干个全局极值点中，如公式1所示，
[0018][0019]
当粒子种群汇聚在全局极值点时，粒子种群的适应性结果相等，方差可以衡量一组感知数据的离散程度，所以pso算法采用粒子种群的适应性方差ε2衡量粒子种群的适应性汇聚状态，粒子种群收敛的最优位置决定其适应性，粒子种群的适应性方差ε2如公式2和公式3所示，
[0020][0021][0022]
进一步的，其特征在于，步骤第1.2中混沌是根据确定性方程式而不是随机性外界因素获得的随机性运动状态，混沌轨迹不是无序杂乱的完全随机，遵循确定性方程式的规律性，其轨迹不会重复也不会相交，混沌系统具有如下特性：1)初始条件敏感依赖性：混沌系统初始状态的微小变化，通过混沌映射函数的长期演化，混沌运动轨迹会呈指数形式发散，即蝴蝶效应，2)内随机性：混沌系统根据系统本身的确定性方程式产生随机性，其运动轨迹与随机运动轨迹相似，但混沌系统是确定性系统，与普通的随机性系统不相同，3)标度性：混沌运动轨迹是无序状态中的有序状态，4)普适性：不同的系统接近混沌状态的时候，一般展现出共同的特性，基于以上特性，混沌系统适合于帮助算法在陷于局部最优解时能够及时跳出，达到实现算法的全局最优解的目的。
[0023]
进一步的，其特征在于，步骤第1.3中logistic混沌映射方程可以描述混沌粒子种群的变化特征，如公式4所示，
[0024]ki 1
＝θ
·ki
·
(1-ki),0≤ki≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)。
[0025]
进一步的，其特征在于，步骤第1.4中为了保证量子行为粒子群优化算法及时跳出局部最优，需要在优化算法搜索到局部最优解时，即粒子种群的适应性方差ε2的值比较小时，在优化算法中加入混沌扰动策略，如公式5所示，
[0026][0027]
在iot-mec感知任务卸载策略中，由于计算卸载的位置是分散的，并且混沌粒子种群运动状态0≤ki≤1，所以需要根据感知任务卸载模型改进混沌扰动策略，如公式6所示，
[0028][0029]
进一步的，其特征在于，步骤第2.1中粒子种群在演化过程中通过动态调节交换变异算子的比率能够提高优化算法的收敛速率和收敛精确度，对于适应性较大的粒子个体设置较小的交换变异比率，有助于保留粒子种群中的优秀粒子个体，对于适应性较小的粒子个体设置较大的交换变异比率，有助于改变劣质的粒子个体，设i和j分别为自适应交换比率、自适应变异比率，如公式7、公式8所示，
[0030][0031][0032]
交换操作如公式9、公式10所示，
[0033][0034][0035]
变异操作如公式11所示，
[0036][0037]
进一步的，其特征在于，步骤第2.2中物联网用户x的智能设备卸载感知任务的时间消耗包括需要卸载感知任务的计算时间消耗和智能设备传输感知结果的传输时间消耗，物联网用户的智能设备动态选择传输信道和边缘中心，决定了感知任务的划分情况，物联网用户卸载感知任务的平均时间消耗t
average
如公式12所示，
[0038][0039]
t
total
为总的感知任务卸载的时间消耗，如公式13所示，
[0040][0041]
为第x个iot用户智能设备完成第j个感知子任务的结束时间，如公式14所示，
[0042][0043]
感知子任务的执行时间如公式15所示，
[0044][0045]
和为第x个iot用户智能设备的第j个感知子任务分别在iot用户的本地智能设备和第y个边缘中心服务器上卸载的时间消耗，分别如公式16、17所示，
[0046][0047][0048]
第x个iot用户智能设备完成第j个感知子任务的开始时间为前置感知子任务的完成时间，如公式18所示.
[0049][0050]
为感知子任务的相关性因子，如公式19所示，
[0051][0052]
物联网用户x的智能设备卸载感知任务的能量损耗包括在iot用户本地智能设备上卸载的能量损耗和在无线通信信道上传输的能量损耗，iot用户卸载感知任务的平均能量损耗e
average
如公式20所示，
[0053][0054]
其中，e
total
为总的感知任务卸载的能量损耗，如公式21所示，
[0055][0056]
将时间消耗和能量损耗的优化建模为带约束的多目标优化问题cmop(constrained multi-objective optimization problem)，时间消耗函数和能量损耗函数为优化函数，其目标为实现平均时间消耗和平均能量损耗的最小化，优化方案如公式22所示，
[0057][0058]
执行感知子任务节点ω
x,j
的优先级如公式23所示，
[0059][0060]
进一步的，其特征在于，步骤第2.3中粒子种群的初始状态，存在一些不满足公式19中约束的染色体，将这些染色体加入搜索解空间中，可以避免优化算法陷入局部最优解，
不满足约束区域的程度表示为γ，如公式24所示，
[0061][0062]
其中，为执行第x个iot用户智能设备的第j个感知子任务节点的优先级约束中不满足约束区域的程度，如公式25所示，
[0063][0064]
为执行第x个iot用户智能设备的第j个感知子任务节点的卸载感知子任务节点的结束时间约束中不满足约束区域的程度，如公式26所示，
[0065][0066]
为执行第x个iot用户智能设备的第j个感知子任务节点的开始时间约束中不满足约束区域的程度，如公式27所示，
[0067][0068]
在粒子种群的演化过程中，约束区域的解和非约束区域的解都需要同时考虑，在非约束区域中寻找不满足约束区域的程度小的解，在约束区域中寻找最优解，
[0069]
拥挤系数为在粒子种群中指定解的相邻粒子个体的密度估计，根据优化方案计算这个解两侧的两个解的平均距离，该值为以距离最近的相邻解作为顶点的矩体周长的估计，即拥挤系数，
[0070]
为保证初始粒子种群的多样性，使得帕累托约束区域的粒子个体可以均匀地扩展至全部的帕累托约束区域，需要计算所有解的拥挤系数，通过平均时间消耗t
average
和平均能量损耗e
average
计算解κ周围两侧的两个解的平均距离，拥挤系数如公式28所示，
[0071][0072]
进一步的，其特征在于，步骤第2.4中为了提高基于混沌理论的qpso算法的全局搜索性能以及量子行为粒子种群多样性，设计基于拥挤系数的nsga
‑ⅱ
算法中交换操作和变异操作，nqpsoom优化算法包括三个部分，第一部分为进行若干次的量子行为粒子种群初始化操作，并且选择其中粒子种群多样性评价函数最高的量子行为粒子种群作为初始的粒子种群，第二部分为在qpso算法中引入nsga
‑ⅱ
算法中的交换操作和变异操作，以及计算所有解的拥挤系数，第三部分为通过量子行为粒子种群的汇聚情况采取混沌扰动搜索策略，
[0073]
首先输入nsga
‑ⅱ
算法的各项参数，包括量子行为粒子种群数量即卸载的感知子任务数量卸载位置的初始数量即边缘中心服务器数量q，量子力学中delta势阱理论的膨胀系数最大值λ
max
和最小值λ
min
，基于混沌理论的解空间搜索阈值基于混沌理论的解空间搜索回数在搜索解空间中的迭代更新回数
[0074]
本发明的优点和积极效果是：
[0075]
本发明实现协同优化系统模型的时间消耗和能量损耗目标，提出一种基于量子行为粒子群优化策略的iot用户感知任务卸载新方法，提高量子行为粒子种群的多样性，同时提高智能优化算法跳出局部最优解的能力，以及加快算法的收敛速度.分别进行7组实验，测试改变不同实验参数包括物联网用户智能设备的数量、边缘中心服务器的数量、感知任务的数据大小、感知子任务的数量对系统模型卸载性能的作用。对比其他五种感知任务智能优化算法，nqpsoom方法实现更低的算法适应性，减少算法的时间消耗和能量损耗。
附图说明
[0076]
图1是卸载模型适应性函数的收敛情况。
[0077]
图2是时间消耗函数的收敛情况。
[0078]
图3是能量损耗函数的收敛情况。
[0079]
图4是iot设备数量对算法适应性的作用。
[0080]
图5是iot设备数量对算法时间消耗的作用。
[0081]
图6是iot设备数量对算法能量损耗的作用。
[0082]
图7是边缘中心服务器对算法适应性的作用。
[0083]
图8是边缘中心服务器对算法时间消耗的作用。
[0084]
图9是边缘中心服务器对算法能量损耗的作用。
[0085]
图10是基于量子行为粒子群优化策略的iot用户感知任务卸载新方法流程图。
具体实施方式
[0086]
在本发明中，设计了量子行为粒子种群的适应性方差，衡量粒子种群的适应性汇聚状态，从而可以评估粒子种群的收敛性，在粒子种群的适应性方差较小时，即量子行为粒子种群接近收敛时，采用混沌定理中的logistic混沌映射方程与量子行为粒子群优化算法相结合，提高优化算法跳出局部最优可行解并且获得全局最优可行解的能力。2)设计量子行为粒子种群多样性评价函数衡量粒子种群的多样性，采用基于拥挤系数的快速精英非支配排序遗传算法的交叉、变换操作，选择出量子行为粒子种群多样性高的粒子种群，从而提高优化算法得出理论全局最优解的概率，降低智能优化算法的适应性，即提高智能优化算法的收敛速度，同时减少感知任务卸载模型的时间消耗，实现较低的能量损耗。
[0087]
参见附图10，本实施例为一种基于量子行为粒子群优化策略的iot(internet of things)用户感知任务卸载新方法，其特征在于该方法主要包括如下步骤：
[0088]
第1、混沌扰动策略的实现；
[0089]
第1.1、粒子汇聚状态评估；
[0090]
第1.2、基于混沌理论所显现的特性；
[0091]
第1.3、logistic混沌映射方程；
[0092]
第1.4、混沌扰动策略；
[0093]
第2、基于量子行为粒子群优化策略的iot(internet of things)用户感知任务卸载新方法的设计；
[0094]
第2.1、自适应交换变异操作；
[0095]
第2.2、感知任务卸载的平均时间消耗和平均能量损耗；
[0096]
第2.3、拥挤系数；
[0097]
第2.4、算法设计。
[0098]
本发明步骤第1.1中的粒子汇聚状态评估通过pso(particle swarm optimization)算法实现，当pso算法完成时，粒子种群收敛于搜索可解空间中的全局极值点，当存在若干个全局极值点时，粒子种群随机汇聚在这若干个全局极值点中，如公式1所示，
[0099][0100]
其中，lk(c)为第k枚量子行为粒子个体在c时刻的查找位置，g
best
为量子行为粒子种群全局查找的最佳位置，找到全局极值点，若粒子种群的全局极值点和理论极值点相同，pso算法实现全局最优解，若粒子种群的全局极值点和理论极值点不同，pso算法陷入局部最优解，
[0101]
当粒子种群汇聚在全局极值点时，粒子种群的适应性结果相等，方差可以衡量一组感知数据的离散程度，所以pso算法采用粒子种群的适应性方差ε2衡量粒子种群的适应性汇聚状态，粒子种群收敛的最优位置决定其适应性，粒子种群的适应性方差ε2如公式2和公式3所示，
[0102][0103][0104]
其中，ak为第k枚粒子的适应性，为第k枚粒子的平均适应性，a为标准化元素，完成对适应性方差ε2结果的约束，当适应性方差ε2的值越小时，粒子种群越接近收敛，当适应性方差ε2的值越大时，粒子种群的搜索状态越离散，当适应性方差ε2＝0时，粒子种群实现全局最优解或者陷入局部最优解，当适应性方差ε2小于一个设置的非常小的值时，在量子行为粒子种群的位置处，算法可以采用扰动策略使得量子行为粒子种群逃出局部最优可行解，收敛于更好的全局最优解。
[0105]
本发明步骤第1.2中混沌是根据确定性方程式而不是随机性外界因素获得的随机性运动状态，混沌轨迹不是无序杂乱的完全随机，遵循确定性方程式的规律性，其轨迹不会重复也不会相交，混沌系统具有如下特性：1)初始条件敏感依赖性：混沌系统初始状态的微小变化，通过混沌映射函数的长期演化，混沌运动轨迹会呈指数形式发散，即蝴蝶效应，2)内随机性：混沌系统根据系统本身的确定性方程式产生随机性，其运动轨迹与随机运动轨迹相似，但混沌系统是确定性系统，与普通的随机性系统不相同，3)标度性：混沌运动轨迹是无序状态中的有序状态，4)普适性：不同的系统接近混沌状态的时候，一般展现出共同的特性，基于以上特性，混沌系统适合于帮助算法在陷于局部最优解时能够及时跳出，达到实现算法的全局最优解的目的。
[0106]
本发明步骤第1.3中logistic混沌映射方程可以描述混沌粒子种群的变化特征，如公式4所示，
[0107]ki 1
＝θ
·ki
·
(1-ki),0≤ki≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0108]
其中，ki为第i时刻的混沌粒子种群运动状态，k
i 1
为第i 1时刻的混沌粒子种群运动状态，i为混沌粒子种群的演化时间，θ为混沌粒子种群增长速度的控制参数，设置θ＝4
时，混沌系统处于完全混沌的运动状态，本发明采用混沌定理中的logistic混沌映射方程与量子行为粒子种群优化算法相结合，提高优化算法跳出局部最优并且获得全局最优的性能。
[0109]
本发明步骤第1.4中为了保证量子行为粒子群优化算法及时跳出局部最优，需要在优化算法搜索到局部最优解时，即粒子种群的适应性方差ε2的值比较小时，在优化算法中加入混沌扰动策略，如公式5所示，
[0110][0111]
其中，rk为对第k枚量子行为粒子添加混沌扰动策略后的粒子位置，为第k枚量子行为粒子的历史最佳极值位置，σ为优化算法搜索潜在解空间的精细程度，随着σ的线性减少，搜索潜在解空间会更加全面精细，量子行为粒子每次更新粒子位置时，都会计算一次适应性的值，并且通过比较混沌扰动后的粒子个体位置rk、粒子个体历史最佳极值位置粒子种群搜索的最优位置g
best
、更新粒子个体最佳极值位置和粒子种群搜索的最优位置g
best
，
[0112]
在iot-mec(internet of things-mobile edge computing)感知任务卸载策略中，由于计算卸载的位置是分散的，并且混沌粒子种群运动状态0≤ki≤1，所以需要根据感知任务卸载模型改进混沌扰动策略，如公式6所示，
[0113][0114]
其中，l
near
为量子行为粒子最近距离卸载位置的约束，l
far
为量子行为粒子最远距离卸载位置的约束。
[0115]
本发明步骤第2.1中粒子种群在演化过程中通过动态调节交换变异算子的比率能够提高优化算法的收敛速率和收敛精确度，对于适应性较大的粒子个体设置较小的交换变异比率，有助于保留粒子种群中的优秀粒子个体，对于适应性较小的粒子个体设置较大的交换变异比率，有助于改变劣质的粒子个体，设i和j分别为自适应交换比率、自适应变异比率，如公式7、公式8所示，
[0116][0117][0118]
其中，a
max
为粒子种群的适应性最大值，为粒子种群的适应性的平均值，a
*
为两个染色体交换中的适应性最大值，a为粒子个体变异的适应性值，交换变异因子z1∈(0,1)，z2∈(0,1)，z3∈(0,1)，z4∈(0,1)，其中交换变异因子z3和z4的取值较大，交换操作如公式9、公式10所示，
[0119][0120][0121]
其中，m1和m2分别为nsga
‑ⅱ
算法中父代染色体x1和x2的交换基因值，和分别为算法中子代染色体y1和y2的取值，其对应的基因位置和父代染色体的基因位置相同，交换操作调节因子ρ∈[0,1]，变异操作如公式11所示，
[0122][0123]
其中，m
e,f
为第e个染色体中第f个基因取值，为对m
e,f
变异操作后生成的子代，σf为第f个物联网用户智能设备的感知子任务数量，染色体为对实际问题的编码，用字符串表示，通常使用固定长度的二进制表示，在染色体上的每一个基因都对应一个物联网感知用户的智能设备，物联网用户智能设备的数量表示为染色体中基因的数量，第f个物联网用户智能设备的感知任务包括σf个感知子任务，对应的基因取值是使用二进制表示range，即物联网智能设备f的感知子任务的卸载选择。
[0124]
本发明步骤第2.2中，物联网用户x的智能设备卸载感知任务的时间消耗包括需要卸载感知任务的计算时间消耗和智能设备传输感知结果的传输时间消耗，物联网用户的智能设备动态选择传输信道和边缘中心，决定了感知任务的划分情况，物联网用户卸载感知任务的平均时间消耗t
average
如公式12所示，
[0125][0126]
其中，x为第x个iot用户智能设备，p为iot用户智能设备的数量，s为选择第s条无线通信信道，s为可选择的无线通信信道数量，y为第y个边缘中心服务器，q为边缘中心服务器数量，为卸载选择因子，当时，第x个iot用户智能设备通过第s条无线信道卸载感知任务到第y个边缘中心服务器，当时，第x个iot用户智能设备卸载感知任务到本地智能设备，t
total
为总的感知任务卸载的时间消耗，如公式13所示，
[0127][0128]
其中，j为第j个感知子任务，为第x个iot用户智能设备完成第个感知子任务的前驱感知子任务节点的集合，为模型选择的感知子任务的前置感知子任务，满足ζ∈n
x,j
，为第x个iot用户智能设备的最后一个卸载感知子任务的结束时间，为第x个iot用户智能设备的最后一个卸载感知子任务的执行时间，为第x个iot用户智能设备的第个感知子任务卸载到iot用户本地智能设备需要消耗的中央处理器资源.为第x个iot用户智能设备完成第j个感知子任务的结束时间，如公式14所示,
[0129][0130]
其中，为第x个iot用户智能设备完成第j个感知子任务的开始时间,为第x个iot用户智能设备完成第j个感知子任务的执行时间，物联网用户可以选择将感知任务在本地智能设备和边缘中心服务器上完成，感知子任务的执行时间如公式15所示，
[0131][0132]
其中，m
x,j
为第x个iot用户智能设备卸载第j个感知子任务的选择参数，当m
x,j
＝0时，第j个感知子任务卸载到iot用户的本地智能设备，当m
x,j
＝1时，第j个感知子任务卸载到边缘中心服务器，和为第x个iot用户智能设备的第j个感知子任务分别在iot用户的本地智能设备和第y个边缘中心服务器上卸载的时间消耗，分别如公式16、17所示，
[0133][0134][0135]
其中，μ
x,j
和v
x,j
为第x个iot用户智能设备的第j个感知子任务分别卸载到iot用户本地智能设备和边缘中心服务器需要消耗的中央处理器资源，和分别为第x个iot用户本地智能设备和第y个边缘中心服务器的计算性能，即中央处理器的圈数每秒，
[0136]
第x个iot用户智能设备完成第j个感知子任务的开始时间为前置感知子任务的完成时间，如公式18所示，
[0137][0138]
其中，ι∈n
x,j
为模型选择的感知子任务ω
x,j
的前驱感知子任务，为第x个iot用户智能设备完成前驱感知子任务ι的结束时间，为感知子任务的相关性因子，如公式19所示，
[0139][0140]
其中，ψ
x,ι
为第x个iot用户智能设备的ι前置感知子任务的相关性集合，ω
x,ι
为ω
x,j
的前驱感知子任务，若第x个iot用户智能设备的第j个感知子任务是第一个卸载的感知子任务，则感知子任务的开始时间为零，因此，第x个iot用户智能设备的全部卸载感知任务的计算时间是最后一个卸载感知子任务的结束时间
[0141]
物联网用户x的智能设备卸载感知任务的能量损耗包括在iot用户本地智能设备上卸载的能量损耗和在无线通信信道上传输的能量损耗，iot用户卸载感知任务的平均能量损耗e
average
如公式20所示，
[0142][0143]
其中，e
total
为总的感知任务卸载的能量损耗，如公式(21)所示，
[0144][0145]
其中，ζ为本地智能设备的中央处理器能量损耗因子，n
x
为第x个iot用户智能设备的感知子任务节点的集合，为卸载感知任务节点ω
x,j
到ω
x,o
的感知数据量，为第x个iot用户智能设备中全部相邻感知子任务之间相关性的集合，
[0146]
将时间消耗和能量损耗的优化建模为带约束的多目标优化问题cmop(constrained multi-objective optimization problem)，时间消耗函数和能量损耗函数为优化函数，其目标为实现平均时间消耗和平均能量损耗的最小化，优化方案如公式22所示，
[0147][0148][0149]
constraint 1为第x个iot用户智能设备的感知子任务节点可以选择卸载到iot用户的本地智能设备或者边缘中心服务器这两者其中之一的位置，
[0150]
constraint 2为第x个iot用户智能设备是否在第s条无线通信信道上将感知数据传输到第y个边缘中心服务器上，
[0151]
constraint 3为iot用户智能设备每传输一次感知数据只能选择一条无线通信信道，
[0152]
constraint 4为感知子任务节点ω
x,j
是感知子任务节点ω
x,o
的直接前驱感知子任务节点，表示执行感知子任务节点ω
x,j
的优先级高于执行感知子任务节点ω
x,o
的优先级，执行感知子任务节点ω
x,j
的优先级如公式23所示，
[0153][0154]
其中，γ(ω
x,j
)和γ(ω
x,o
)分别为第x个iot用户智能设备的第j个和第o个感知子任务节点执行的优先级，χ(ω
x,j
)为感知子任务节点ω
x,j
的直接后继感知子节点的集合，感知子任务节点的优先级通过从第x个iot用户智能设备的最后一个感知子任务节点遍历有向无环图中的感知子任务节点递归计算获得，
[0155]
constraint 5为第x个iot用户智能设备的最后一个卸载感知子任务节点的结束时间需要小于或者等于总的感知任务卸载的时间.系统模型中第x个iot用户智能设备的第一个和最后一个感知子任务均在iot用户本地智能设备处卸载。
[0156]
constraint 6为第x个iot用户智能设备的感知子任务节点的开始时间大于等于其直接前驱感知子节点的结束时间，若当前感知子任务节点的卸载位置和它的直接前驱感知子任务节点的卸载位置不同时，需要计算当前节点与前驱节点之间的传输感知数据的时间，若两个相邻的感知子任务节点选择在相同位置完成卸载时，则不需要其他的传输感知数据的时间，
[0157]
constraint 7为需要满足iot用户智能设备无线通信信道卸载感知子任务
[0158]
本发明步骤第2.3中粒子种群的初始状态，存在一些不满足公式19中约束的染色体，将这些染色体加入搜索解空间中，可以避免优化算法陷入局部最优解，不满足约束区域的程度表示为γ，如公式24所示，
[0159][0160]
其中，为执行第x个iot用户智能设备的第j个感知子任务节点的优先级约束中不满足约束区域的程度，如公式25所示，
[0161][0162]
为执行第x个iot用户智能设备的第j个感知子任务节点的卸载感知子任务节点的结束时间约束中不满足约束区域的程度，如公式26所示，
[0163][0164]
为执行第x个iot用户智能设备的第j个感知子任务节点的开始时间约束中不满足约束区域的程度，如公式27所示，
[0165][0166]
在粒子种群的演化过程中，约束区域的解和非约束区域的解都需要同时考虑，在非约束区域中寻找不满足约束区域的程度小的解，在约束区域中寻找最优解，
[0167]
拥挤系数为在粒子种群中指定解的相邻粒子个体的密度估计，根据优化方案计算这个解两侧的两个解的平均距离，该值为以距离最近的相邻解作为顶点的矩体周长的估计，即拥挤系数，
[0168]
为保证初始粒子种群的多样性，使得帕累托约束区域的粒子个体可以均匀地扩展至全部的帕累托约束区域，需要计算所有解的拥挤系数，通过平均时间消耗t
average
和平均能量损耗e
average
计算解κ周围两侧的两个解的平均距离，拥挤系数如公式28所示，
[0169][0170]
其中，ω
κ
为第κ个解的拥挤系数，和分别为平均时间消耗和平均能量损耗的函数，和分别为平均时间消耗和平均能量损耗的函数最大值，和分别为平均时间消耗和平均能量损耗的函数最小值，nsga
‑ⅱ
算法排序后，最优解集中两端的解的拥挤系数设置为无穷，若两个解的帕累托控制程度相同，优先选取拥挤系数较大的解。
[0171]
本发明步骤第2.4中为了提高基于混沌理论的qpso算法的全局搜索性能以及量子行为粒子种群多样性，设计基于拥挤系数的nsga
‑ⅱ
算法中交换操作和变异操作，nqpsoom
(a new offloading method of iot user perception task based on quantum behavior particle swarm optimization strategy)优化算法包括三个部分，第一部分为进行若干次的量子行为粒子种群初始化操作，并且选择其中粒子种群多样性评价函数最高的量子行为粒子种群作为初始的粒子种群，第二部分为在qpso算法中引入nsga
‑ⅱ
算法中的交换操作和变异操作，以及计算所有解的拥挤系数，第三部分为通过量子行为粒子种群的汇聚情况采取混沌扰动搜索策略，
[0172]
首先输入nsga
‑ⅱ
算法的各项参数，包括量子行为粒子种群数量即卸载的感知子任务数量卸载位置的初始数量即边缘中心服务器数量q，量子力学中delta势阱理论的膨胀系数最大值λ
max
和最小值λ
min
，基于混沌理论的解空间搜索阈值基于混沌理论的解空间搜索回数在搜索解空间中的迭代更新回数
[0173]
本实例使用两个数据集，其中，数据集1为广州机场高速公路的车辆交通事故开放数据集，由广州机场高速公路营运管理有限公司于2015年发布，实验选取的日期范围为2014年11月6日至2014年11月15日，实验使用这十天区间的广州机场高速公路南线的车辆交通事故数据，采集数据的时间间隔为5分钟，时间范围为7：00至23：00，数据量为30万，数据集1的部分数据如表1所示。
[0174]
表1数据集1的部分数据
[0175][0176]
其中，开始时间表示事故发生的开始时间；结束时间表示事故完成的结束时间；星期表示发生事故当天所处的星期，取值范围为[1,7]；方向表示车辆行驶的方向，取值范围为{1,2},方向等于1表示车辆从广州机场南站至广州三元里收费站方向行驶，方向等于2表示车辆从广州三元里收费站至广州机场南站方向行驶；广州机场高速南线包括三个路段，路段编号分别为105路段(广州三元里收费站至广州蚌湖)、13路段(广州三元里收费站至广州白云区新市街道)、106路段(广州蚌湖至广州机场南站)；事故距离1表示事故范围起点至该路段起点的距离，单位为千米；事故距离2表示事故范围终点至该路段起点的距离，单位为千米；周编号表示为事故发生处于当月的哪一周，取值范围[1,5]；事故持续天数的取值范围为{0,1,2,
…
}，事故持续天数等于0表示事故当天处理完成，事故持续天数等于1表示事故第二天处理完成，以此类推。
[0177]
数据集2为2019年西班牙加泰罗尼亚生物工程研究所发布的gas sensor array temperature modulation数据集，收集14个气体传感器的检测感知数据，数据量为400万，其中，单个实验均进行100次测量，得到100个感知样本数据，每次测量需要15分钟，所以单个实验的测量持续时间为100个感知样本数据乘以15分钟等于25小时，数据集2的部分数据如表2所示。
[0178]
表2数据集2的部分数据
[0179][0180]
其中，时间为获取气体传感器样本数据的时间，单位为秒；一氧化碳浓度的单位为百万分之一；湿度的单位为相对湿度rh；温度的单位为摄氏度；流速为液体在单位时间内的位移，单位为毫升每分钟；加热器电压的单位为伏特；气体传感器的电阻单位为毫欧姆。
[0181]
对比实验的五种感知任务计算卸载方法分别为：1)移动边缘计算中移动感知多物联网用户的卸载优化方法；2)边缘云环境中基于元启发式任务机制的计算卸载方法；3)一种面向多感知任务密集卸载请求的移动计算卸载方法；4)基于多目标免疫算法的车联网感知数据卸载方法；5)车联网中基于深度学习优化能耗的计算卸载方法。
[0182]
实验结果表明，在复杂动态的感知任务计算卸载过程中，为了实现协同优化系统模型的时间消耗和能量损耗目标，提出一种基于量子行为粒子群优化策略的iot用户感知任务卸载新方法，提高量子行为粒子种群的多样性，同时提高智能优化算法跳出局部最优解的能力，以及加快算法的收敛速度。分别进行7组实验，测试改变不同实验参数包括物联网用户智能设备的数量、边缘中心服务器的数量、感知任务的数据大小、感知子任务的数量对系统模型卸载性能的作用。对比其他五种感知任务智能优化算法，nqpsoom方法实现更低的算法适应性，减少算法的时间消耗和能量损耗。
[0183]
附图1、附图2和附图3为优化算法的收敛情况比较，分析算法的全局搜索性能可得出，nqpsoom优化算法的全局最优解最小，即算法的时间消耗和算法的能量损耗最低，算法的全局搜索性能最佳.其次是方法1、方法3、方法2、方法5的全局搜索性能居中.最后是方法4的全局搜索性能较弱。
[0184]
附图4、附图5和附图6为改变物联网用户智能设备的数量对感知任务卸载模型的影响，iot用户智能设备的数量对感知任务卸载的算法适应性、时间消耗、能量损耗产生作用。当增加iot用户智能设备的数量时，感知任务卸载的算法适应性、时间消耗也随之增加，nqpsoom优化算法比另外五种智能优化算法具备更强的性能。
[0185]
附图7、附图8和附图9为改变边缘中心服务器的数量对感知任务卸载模型的影响，在边缘中心服务器数量相同的情况下，nqpsoom优化算法的时间消耗和能量损耗最少，边缘中心服务器的数量对nqpsoom优化算法、方法1、方法3和方法2在时间消耗和能量损耗方面的作用相似。