一种基于混合粒子群优化的任务卸载方法及系统

1.本发明属于边缘计算任务卸载技术领域，具体涉及一种基于混合粒子群优化算法的边缘计算任务卸载方法及系统。


背景技术：

2.随着网络时代的来临，网络设备的使用量呈爆发式增长。人们在移动设备上执行任务时对数据速率和服务质量的要求越来越高，卸载任务的类型也越来越复杂，如增强现实、手势识别、人脸识别等，这些应用不仅是计算任务密集型，而且对时延要求敏感。随着技术的发展，尽管现在移动设备的中央处理器速率已经得到很大的提升，但在需要大量计算资源的应用面前在短时间内也是无能为力。移动云计算(mobile cloud computing,mcc)中将计算资源需求量大的任务卸载至远端具有强大计算能力的云服务器中，能够在保证时延和能耗的前提下高效的解决这一问题。由于云服务器与用户之间距离较远，在传输过程中由于各种因素的影响导致高时延问题，为了解决这一问题，业内学者将目光聚焦到移动边缘计算(mobile edge computing,mec)上来，mec将远端服务器的计算和存储资源迁下沉到用户端，降低计算任务传输时延和能量消耗，并且对计算资源需求量很大的任务，直接将其传输到远端计算能力更强的云服务器中执行。
3.在mec的研究中，计算卸载技术一直备受关注，大量学者也对其进行了研究并有了突破性的进展。目前已有许多文献对mec任务卸载调度进行了研究，mec卸载常见的衡量指标有时延、能耗以及时延和能耗综合权衡问题。但是现有大部分研究要么只是针对时延，要么只是针对能耗，要么对时延和能耗的综合研究，所得的结果并不理想。
4.为了更好地解决上述技术问题，可以将该问题归结为一个最小化时延和能耗的单目标优化问题。针对此问题，本发明提出了一种基于混合粒子群优化问题的边缘计算任务卸载技术方案，其引入启发式算法的思想来求解，最后通过评估解的最小适应度选取最优的卸载决策。


技术实现要素：

5.针对引入移边缘计算场景下任务卸载的问题，本发明公开了一种基于混合粒子群优化的边缘计算任务卸载方法及系统，建模最小化时延和能耗的加权和，确定较优的边缘计算任务卸载策略。
6.为了达到上述目的，本发明提供如下技术方案：
7.一种基于混合粒子群优化的任务卸载方法，具体步骤如下：
8.s1、建模用户设备及任务变量。
9.s2、建模边缘服务器变量。
10.s3、建模任务卸载变量。
11.s4、建模系统时延和能耗。
12.s5、建模任务卸载的限制条件。
13.s6、基于最小化系统时延和能耗的加权和确定任务卸载策略。
14.作为优选，步骤s1具体包括：整个边缘网络中有m个用户移动设备ue＝{ue1，ue2，...，uem}，uei(i∈(1，2
，..
.，m))。每个用户设备产生n个计算任务，任务集合为r＝{t1，t2，...，tn}，每个任务t用一对参数《di，ci》来表示，其中di表示任务的数据量，ci是任务的cpu周期，表示每比特的数据所需的计算资源。定义f
l
为移动设备的计算能力。
15.作为优选，步骤s2具体包括：整个边缘网络中有k个边缘服务器es＝{es1，es2，...，esk}，esi(i∈(1，2，...，k))。定义是边缘服务器esi的容量，是边缘服务器的计算能力。
16.作为优选，步骤s3具体包括：定义用户设备在边缘服务器的卸载决策为x。x
i，j
＝1表示任务ti卸载到esj，否则任务不被卸载到esj。
17.作为优选，步骤s4具体包括：
18.s41、任务在本地执行时，任务ti的计算时间为任务在本地执行的能耗为其中p
l
为本地设备的cpu功率。
19.s42、卸载至边缘服务器执行时，根据shannon公式，移动用户与边缘服务器的通信传输速率为其中be为用户设备与边缘服务器之间的信道带宽，ρ1，ρ2分别衰落因子和损耗因子，l为移动用户终端与边缘服务器之间的距离，ρ0为噪声密度。任务ti卸载至边缘服务器执行时，时间延迟其中pu为本地设备向边缘服务器上传数据的功率。由于下行速率远远高于上行速率，因此可忽略结果的反馈时间。总能耗其中pe为边缘服务器的计算功率。
20.s43、任务的总时间为
21.s44、任务的总能耗为
22.作为优选，步骤s5具体包括：在移动设备任务卸载过程中满足以下条件：1)任务只能在本地或卸载到边缘服务器执行。2)卸载用户传输时的上行链路功率不得超过最大传输功率。3)服务器分配给卸载用户的资源是非负的。4)分配给卸载用户的计算资源不能超过mec服务器所拥有的最大计算资源。
23.作为优选，步骤s6具体包括：在满足s5约束的条件下，使用混合粒子群优化的算法求解边缘计算任务卸载策略，实现最小化时延和能耗的加权和，将多目标优化转为单目标优化问题。即在所有策略中找到一个卸载策略x实现min(f(x))，其中同时还满足以下条件：
[0024][0025]
本发明还公开了基于上述混合粒子群优化的任务卸载方法的系统，其具体包括依次连接的以下模块：
[0026]
用户设备及任务变量建模模块：用于建模用户设备及任务变量；
[0027]
边缘服务器变量建模模块：用于建模边缘服务器变量；
[0028]
任务卸载变量建模模块：用于建模任务卸载变量；
[0029]
系统时延和能耗建模模块：用于建模系统时延和能耗；
[0030]
任务卸载的限制条件建模模块：用于建模任务卸载的限制条件；
[0031]
任务卸载策略确定模块：基于最小化系统时延和能耗的加权和确定任务卸载策略。
[0032]
本发明具有如下有益效果：
[0033]
本发明将边缘场景下的任务卸载的多目标优化问题归结为一个单目标优化问题，融入了不同的启发式算法，优化了任务的时延和能耗。
[0034]
本发明设计了一个混合粒子群优化算法来求解任务卸载策略，避免了标准的粒子群算法的局部最优解，从而得到全局最优解。
附图说明
[0035]
图1是移动边缘计算网络通信模型图。
[0036]
图2是本发明基于混合粒子群优化的任务卸载方法流程示意图。
[0037]
图3是本发明涉及的混合粒子群优化的算法流程图。
[0038]
图4是本发明基于混合粒子群优化的任务卸载系统框图。
具体实施方式
[0039]
下面结合具体实施方式对本发明做进一步的描述。
[0040]
实施例1
[0041]
针对解决移动边缘计算场景下任务卸载的问题，本实施例公开了一种基于混合粒子群优化的任务卸载方法，建模最小化时延和能耗的加权和，确定较优的边缘计算任务卸载策略。
[0042]
如图1所示，在基于移动边缘网络通信模型下，每个基站附近有需要卸载任务的移动设备，通过较优的卸载策略将任务卸载到边缘服务器执行来优化任务的时延和能耗。
[0043]
如图2所示，本实施例一种基于混合粒子群优化的任务卸载方法包括以下步骤：s1、建模用户设备及任务变量。步骤s1具体包括如下步骤：整个边缘网络中有m个用户移动设备ue＝{ue1，ue2，...，uem}，uei(i∈(1，2，...，m))。每个用户设备产生n个计算任务，任务集合为r＝{t1，t2，...，tn}，每个任务t用一对参数《di，ci》来表示，其中di表示任务的数据量，ci是任务的cpu周期，表示每比特的数据所需的计算资源。定义f
l
为移动设备的计算能
力。s2、建模边缘服务器变量。步骤s2具体包括如下步骤：整个边缘网络中有k个边缘服务器es＝{es1，es2，...，esk}，esi(i∈(1，2，...，k))。定义是边缘服务器esi的容量，是边缘服务器的计算能力。
[0044]
s3、建模任务卸载变量。步骤s3具体包括如下步骤：定义用户设备在边缘服务器的卸载决策为x。x
i，j
＝1表示任务ti卸载到esj，否则任务不被卸载到esj。s4、建模系统时延和能耗。步骤s4具体包括以下步骤：
[0045]
s41、任务在本地执行时，任务ti的计算时间为任务在本地执行的能耗为其中p
l
为本地设备的cpu功率。
[0046]
s42、卸载至边缘服务器执行时，根据shannon公式，移动用户与边缘服务器的通信传输速率为其中be为用户设备与边缘服务器之间的信道带宽，ρ1，ρ2分别衰落因子和损耗因子，l为移动用户终端与边缘服务器之间的距离，ρ0为噪声密度。任务ti卸载至边缘服务器执行时，时间延迟其中pu为本地设备向边缘服务器上传数据的功率。由于下行速率远远高于上行速率，因此可忽略结果的反馈时间。总能耗其中pe为边缘服务器的计算功率。
[0047]
s43、任务的总时间为
[0048]
s44、任务的总能耗为
[0049]
s5、建模任务卸载的限制条件。
[0050]
在移动设备任务卸载过程中应该满足以下条件：1)任务只能在本地或卸载到边缘服务器执行。2)卸载用户传输时的上行链路功率不得超过最大传输功率。3)服务器分配给卸载用户的资源是非负的。4)分配给卸载用户的计算资源不能超过mec服务器所拥有的最大计算资源。
[0051]
s6、基于最小化系统时延和能耗的加权和确定任务卸载策略。步骤s6具体包括以下步骤：在满足s5约束的条件下，使用混合粒子群优化的算法求解边缘计算任务卸载策略，实现最小化时延和能耗的加权和，将多目标优化转为单目标优化问题。即在所有策略中找到一个卸载策略x实现min(f(x))，其中同时还满足以下条件：
[0052][0053]
如图3所示，步骤s6中，混合粒子群优化求解算法的具体步骤：
[0054]
s61、step1是标准的粒子群算法流程，通过对任务数据量和任务计算量建模得到目标函数即适应度，通过权向量将多目标问题转换为单目标，即最小化时延和能耗的加权和，在计算适应度函数的过程中不断调整种群使其达到要求，并且更新粒子的位置和速度，得到个体最优和全体最优。
[0055]
s62、step2是遗传算法的思想，通过选择、交叉和变异得到新的粒子种群，其中选择操作采用轮盘赌的反式随机选取；交叉操作将新的粒子与step1中的个体最优的粒子和全局最优的粒子分别交叉，取二者最优的结果，避免局部最优解；变异操作则是采用高斯变异法以一定的概率进行变异。最后得到其中最优的解输出。
[0056]
本发明属于边缘计算任务卸载技术领域，针对边缘计算场景下多边缘服务器多卸载任务场景下的任务卸载问题，本发明公开了一种基于混合粒子群优化算法的任务卸载方法及系统。本发明采用了启发式算法的思想。首先通过对任务数据量和任务计算量建模得到目标函数即适应度，通过权向量将多目标问题转换为单目标，即最小化时延和能耗的加权和，在计算适应度函数的过程中不断调整种群使其达到要求，并且更新粒子的位置和速度，得到个体最优和全体最优；然后引入遗传算法的思想通过选择、交叉和变异得到新的粒子种群，其中选择操作采用轮盘赌的反式随机选取；交叉操作将新的粒子与step1中的个体最优的粒子和全局最优的粒子分别交叉，取二者最优的结果，避免局部最优解；变异操作则是采用高斯变异法以一定的概率进行变异。最后得到其中最优的解输出。
[0057]
实施例2
[0058]
如图4所示，本实施例公开了一种基于实施例1方法的基于混合粒子群优化的任务卸载系统，具体包括依次连接的以下模块：
[0059]
用户设备及任务变量建模模块：用于建模用户设备及任务变量；
[0060]
边缘服务器变量建模模块：用于建模边缘服务器变量；
[0061]
任务卸载变量建模模块：用于建模任务卸载变量；
[0062]
系统时延和能耗建模模块：用于建模系统时延和能耗；
[0063]
任务卸载的限制条件建模模块：用于建模任务卸载的限制条件；
[0064]
任务卸载策略确定模块：基于最小化系统时延和能耗的加权和确定任务卸载策略。
[0065]
本发明中所用原料、设备，若无特别说明，均为本领域的常用原料、设备；本发明中所用方法，若无特别说明，均为本领域的常规方法。
[0066]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出任何简单修改、变更以及等效变换，这并不影响本发明的实质内容，均仍属于本发明技术方案的保护范围。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。