CN107766135A - 移动朵云中基于粒子群和模拟退火优化的任务分配方法 - Google Patents
移动朵云中基于粒子群和模拟退火优化的任务分配方法 Download PDFInfo
- Publication number
- CN107766135A CN107766135A CN201710905804.XA CN201710905804A CN107766135A CN 107766135 A CN107766135 A CN 107766135A CN 201710905804 A CN201710905804 A CN 201710905804A CN 107766135 A CN107766135 A CN 107766135A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- task
- node
- 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.)
- Granted
Links
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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明提供一种移动朵云中基于粒子群和模拟退火优化的任务分配方法。该分配方法涉及多个的移动节点。移动节点在无基础网络设施的情况下通过无线的方式组成自组织网络并共享计算资源。该任务分配方法包括四个阶段:(1)发起任务卸载请求。当主节点上有复杂的计算任务,而该主节点没有足够的计算资源来对该任务进行处理时,该主节点向从节点发送任务卸载请求。(2)建立代价函数。主节点根据从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数。(3)求解优化问题。执行基于粒子群和模拟退火优化的任务分配算法,得到任务分配的结果。(4)分发任务。主节点根据优化结果向各个从节点分配计算任务。
Description
技术领域
本发明涉及移动朵云中基于粒子群和模拟退火优化的任务分配方法,属于移动云计算技术领域。
背景技术
智能手机和平板电脑等移动设备在过去几年获得了巨大的普及,但是,由于受到CPU性能、电池容量、存储容量等因素的限制,移动设备在处理计算密集型的任务时却表现欠佳,比如运算速度缓慢、掉电迅速等。为了解决这些问题,研究人员开始考虑建立一种称为移动云计算(MCC,Mobile Cloud Computing)的系统,其主要思路为:通过把移动客户端上的计算密集型任务卸载到目标代理中去执行,不仅可以大大缩减任务的处理时间而且还可以最大限度的降低移动设备的能耗。
目前,MCC主要有三种模式:第一种由移动终端和远程云组成。该模式中,计算应用服务过程在云端进行,移动终端负责计算数据的输入和计算结果接收,但需要所在的环境有网络覆盖,会受到网络不稳定性的影响。第二种由移动终端和本地云组成。本地云由移动终端附近的可用资源(如闲置的计算机、局域网)连网组成。这种模式可充分利用本地资源,降低任务卸载的通信开销和时间开销,但服务资源有限。第三种模式是由一系列的移动终端组成的移动自组织云,云中的移动终端兼具数据的接收和转发功能,高性能移动终端提供计算服务。
移动自组织云,也叫移动朵云或移动设备云,是移动云计算的一种计算模式,是移动云计算在移动自组织网络中的运用,它由不同计算能力的移动终端设备组成,作为一种移动云计算服务提供给需要的用户(如私人云),终端本身可能既是服务的提供者,又是服务的享受者,主要应用于移动设备无法接入网络中心、大型云计算服务提供商的情形。
网络环境的异构性、大规模非集中式分布、节点的自治性,以及任务调度的可扩展性和动态自适应性要求等特点决定了任务分配度算法的多样性。现有的任务分配算法主要包括传统的作业调度算法、启发式智能调度算法、基于经济学模型的调度算法以及其他改进的调度算法几个方面。其中启发式智能算法由于具有自适应、算法复杂度低等特性使得其成为当前被广泛使用的一种任务分配问题的解决方式。例如粒子群算法(PSO)、蚁群算法(ACO)以及相关改进算法都是当前比较成熟的寻求任务分配问题最优解的方法。然而,现有算法的重点主要放在缩短任务完成时间上,这样容易导致整个系统负载失衡从而降低系统效率。
发明内容
技术问题:本发明针对现有技术存在的问题,提供一种移动朵云中基于粒子群和模拟退火优化的任务分配方法,本方法基于粒子群和模拟退火优化,充分利用各移动终端的计算资源,在一定的时延条件下,综合考虑节点的卸载需求、信道状态以及时延等限制,在保证任务实时性的情况下,最小化网络中所有节点的计算能耗与通信能耗并同时兼顾任务分配的公平性。
技术方案:本发明所述的基于粒子群和模拟退火优化的移动朵云中的任务分配方法包括:
(1)移动朵云中的主节点发起任务卸载请求。移动朵云中涉及两种类型的节点:需要邻近节点协助并分发任务的移动设备成为主节点;相反,提供资源完成协助计算的移动设备称为从节点。当主节点上有复杂的计算任务,而该主节点没有足够的计算资源来对该任务进行处理时,该主节点向移动朵云的其他从节点发送任务卸载请求。当从节点接收到主节点的任务卸载请求后,从节点收集该节点的剩余的计算资源信息,并回传给发起任务卸载请求的主节点。
(2)建立任务卸载代价函数。收到各从节点的响应后,发起任务卸载请求的主节点根据各个从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数。该任务卸载代价函数包含能耗代价和公平性代价,能耗代价是节点进行任务卸载时消耗的能量,包括执行任务消耗的能量与任务传送产生的能耗,公平性代价是对任务卸载时节点实际产生的能耗与期望产生的能耗之间偏差的评估值;每个节点在进行一次任务卸载之前会被要求设定期望能耗值。当更加注重降低能耗代价时,通过提高代价函数中能耗影响因子权重使能耗占据更高的权重;如果更加注重任务公平性,则可以提高代价函数中公平性影响因子权重。
(3)求解优化问题。在建立了任务卸载代价函数之后,开始执行基于粒子群和模拟退火优化的任务分配方法,每一次的迭代中首先采用粒子群优化的方法,粒子的位置代表任务分配的策略,在粒子群优化中,每个粒子都会根据个体最优解与当前种群的最优解不断调整位置和变化速度,使得最后的结果趋近最优解。在粒子群优化对粒子进行处理之后,使用模拟退火优化对粒子群优化的结果进行优化,使得该方法在保证收敛速度的同时避免陷入局部最优解。具体方法如下:判断粒子当前适应度值是否小于粒子原先的适应度值,若小于则接受本次粒子位置的更新;反之则根据粒子的当前适应度值和原先的适应度值生成一个本次粒子位置更新被接受的概率,并通过生成一个随机数与该概率比较大小的方式确定本次粒子位置更新是否被接受。之后判断根据粒子的当前解是否优于个体最优解,若是则将当前粒子更新为个体最优解。模拟退火优化结束后判断当前迭代次数是否等于规定的最大迭代次数,若等于最大迭代次数则将所有个体最优解中适应度值最小的粒子的位置作为分配结果,反之根据当前种群中所有粒子的个体最优解产生的适应度值计算出被选择为种群最优解的概率选举出新的种群最优解,之后更新相关参数。
(4)分发任务。主节点根据优化结果向各个从节点分配计算任务,从节点接收到发送来的任务后进行计算处理,并将计算结果返回给主节点。主节点接收到从节点的计算结果后,根据任务的标号重新整理计算结果。
进一步地,所述的节点任务卸载代价函数既考虑节点能耗,也考虑任务卸载时的分配公平性。
进一步地,在选取种群最优解时,不再直接选取当前种群中适应度最优的粒子,而是根据适应度值所计算出的概率来选取种群最优解。
进一步地,所述步骤(2)中,建立代价函数:
我们使用M表示任务的总数,N表示从节点的总数;am,n∈{0,1}表示任务m的分配策略,am,n=1表示任务m被分配给从节点Sn,而am,n=0表示任务m没有被分配给从节点Sn,则矩阵A={am,n|m∈M,n∈N}表示所有任务的分配策略;bm∈{0,1}表示任务m的本地计算策略,bm=1表示任务m在本地进行计算处理;bm=0表示任务m被分配给某个从节点进行处理,则向量B=(b1,b2,b3…,bm)T表示所有任务的本地计算策略;
我们定义代价函数为:
Subject to m∈M,n∈N
Ttotal<Tin (1.b)
am,n∈{0,1} (1.c)
bm∈{0,1} (1.d)
其中δ和μ分别是能耗和公平性的权重;Tin表示最大可接受时延;Wn表示从节点Sn预期的能量消耗;Lm,l表示任务m分配在本地处理所需要的工作量,fm,l表示本地计算的能力,比例k=10-11;(1.a)保证每个任务只能被一个节点并用一种方式处理;(1.b)保证执行时延小于最大可接受时延;(1.c)和(1.d)给出了决策变量的定义;任务m分配到从节点Sn产生的能量Em,n和总时延Ttotal分别由公式(2)和(3)表示
其中表示主节点将任务m传输到从节点Sn的传输功率,Dm,n表示任务m分配到从节点Sn时的传输的数据量,W是信道带宽,Lm,n表示任务m分配在从节点Sn上被处理所需要的工作量;fm,n表示从节点Sn对任务m的计算能力;Hm,n表示该信道的信道增益,表示热噪声功率。
进一步地,所述步骤(3)中,求解优化问题:
粒子的位置定义为表示任务m分配到了从节点Sn上.表示任务m在本地进行处理;和用来辅助记录粒子的位置信息;表示中 表示中表示中表示中
我们定义粒子的适应度函数为
定义粒子i的速度为我们使用标准的粒子群迭代方式(5),使得粒子能够根据个体最优解和种群最优解GR=(g1,g2,…,gm)来更新粒子速度;
其中惯性指数w为
其中w1和w2分别是初始惯性值和最终惯性值,I表示当前迭代次数,Imax表示最大迭代次数;
公式(7)表示根据粒子的适应值得出的各个粒子被选为种群最优解的概率
粒子位置的更新如下所示
接下来采用模拟退火优化对粒子群优化的结果进行优化;当粒子当前的适应度值比之前的适应度值更小时,粒子的位置将会被更新为当前位置,当粒子当前的适应度值比之前的适应度值更大时,粒子的位置将会以一定概率被更新为当前位置,这个概率值由公式(9)所得,
其中Fi k表示粒子i之前的适应度值,Fi k+1表示粒子i当前适应度值,T表示模拟退火算法中的退火温度并由下式得出
进一步地,所述步骤(3)中,基于模拟退火的粒子位置的更新选择如下:
第一步:根据公式(4)计算粒子的适应度值;
第二步:如果新的适应度值比之前的适应度值高,那么粒子的位置就会被更新,否则会跳到第三步;
第三步:在0和1之间生成一个随机数,记为r;
第四步:根据公式(9)计算粒子i的位置更新概率,记为pri;
第五步:如果pri大于r,那么粒子的位置就会被更新,否则就不会更新粒子的位置;
第六步:重复第一步到第五步直到所有的粒子都被计算一次;
经过粒子群和模拟退火优化处理之后,判断当前迭代次数是否到达规定的最大迭代次数,若到达则将所有个体最优解中适应度值最小的粒子的位置作为分配结果并跳出循环,反之根据公式(9)计算当前种群中各个体最优解被选择为种群最优解的概率并选举出新的种群最优解,之后根据公式(6)和公式(10)更新相关参数。
有益效果:通过移动朵云中基于粒子群和模拟退火优化的任务分配方法,可以在一定的时延限制下,综合考虑节点的卸载需求、信道状态以及时延等限制,最小化网络中所有节点的计算能耗与通信能耗并同时兼顾任务分配的公平性。使得移动朵云中的各个移动设备更加有效地进行计算资源共享。
附图说明
图1是移动朵云场景图;
图2是移动朵云中任务分配流程图;
图3是粒子群和模拟退火优化流程图。
具体实施方式
下面结合附图对本发明的实施方法作进一步的描述。
发起任务卸载:
如图1所示,Wifi区域中有一个主节点M0和N个从节点S1-Sn,主节点M0通过无线链路与各个从节点相连,主节点M0上有复杂的计算任务Qtotal,而该主节点没有足够的计算资源来对Qtotal进行处理,于是该主节点向移动朵云的所有从节点S1-Sn发送任务卸载请求。当从节点接收到主节点的任务卸载请求后,从节点收集该节点上剩余的计算资源信息,并回传给发起任务卸载请求的主节点。
建立代价函数:
我们使用M表示任务的总数,N表示从节点的总数。am,n∈{0,1}表示任务m的分配策略,am,n=1表示任务m被分配给从节点Sn,而am,n=0表示任务m没有被分配给从节点Sn,则矩阵A={am,n|m∈M,n∈N}表示所有任务的分配策略。bm∈{0,1}表示任务m的本地计算策略,bm=1表示任务m在本地进行计算处理。bm=0表示任务m被分配给某个从节点进行处理,则向量B=(b1,b2,b3…,bm)T表示所有任务的本地计算策略。
我们定义代价函数为:
Subject to m∈M,n∈N
am,n∈{0,1} (1.
c)
其中δ和μ分别是能耗和公平性的权重。Tin表示最大可接受时延。Wn表示从节点Sn预期的能量消耗。Lm,l表示任务m分配在本地处理所需要的工作量(即CPU周期的总数),fm,l表示本地计算的能力(即CPU芯片的时钟频率),比例k=10-11。(1.a)保证每个任务只能被一个节点并用一种方式处理(通过本地或从节点)。(1.b)保证执行时延小于最大可接受时延。(1.c)和(1.d)给出了决策变量的定义。任务m分配到从节点Sn产生的能量Em,n和总时延Ttotal分别由公式(2)和(3)表示
其中表示主节点将任务m传输到从节点Sn的传输功率,Dm,n表示任务m分配到从节点Sn时的传输的数据量(例如,程序代码和输入参数),W是信道带宽,Lm,n表示任务m分配在从节点Sn上被处理所需要的工作量(即CPU周期的总数)。fm,n表示从节点Sn对任务m的计算能力(即CPU芯片的时钟频率)。Hm,n表示该信道的信道增益,表示热噪声功率。
求解优化问题:
粒子的位置定义为表示任务m分配到了从节点Sn上.表示任务m在本地进行处理。和用来辅助记录粒子的位置信息。表示中 表示中表示中表示中
我们定义粒子的适应度函数为
定义粒子i的速度为我们使用标准的粒子群迭代方式(5),使得粒子能够根据个体最优解和种群最优解GR=(g1,g2,…,gm)来更新粒子速度。
其中惯性指数w为
其中w1和w2分别是初始惯性值和最终惯性值,I表示当前迭代次数,Imax表示最大迭代次数。
公式(7)表示根据粒子的适应值得出的各个粒子被选为种群最优解的概率
粒子位置的更新如下所示
接下来采用模拟退火优化对粒子群优化的结果进行优化。当粒子当前的适应度值比之前的适应度值更小时,粒子的位置将会被更新为当前位置, 当粒子当前的适应度值比之前的适应度值更大时,粒子的位置将会以一定概率被更新为当前位置,这个概率值由公式(9)所得,
其中Fi k表示粒子i之前的适应度值,Fi k+1表示粒子i当前适应度值,T表示模拟退火算法中的退火温度并由下式得出
基于模拟退火的粒子位置的更新选择如下:
第一步:根据公式(4)计算粒子的适应度值。
第二步:如果新的适应度值比之前的适应度值高,那么粒子的位置就会被更新,否则会跳到第三步。
第三步:在0和1之间生成一个随机数,记为r。
第四步:根据公式(9)计算粒子i的位置更新概率,记为pri。
第五步:如果pri大于r,那么粒子的位置就会被更新,否则就不会更新粒子的位置。
第六步:重复第一步到第五步直到所有的粒子都被计算一次。
经过粒子群和模拟退火优化处理之后,判断当前迭代次数是否到达规定的最大迭代次数,若到达则将所有个体最优解中适应度值最小的粒子的位置作为分配结果并跳出循环,反之根据公式(9)计算当前种群中各个体最优解被选择为种群最优解的概率并选举出新的种群最优解,之后根据公式(6)和公式(10)更新相关参数。
分发任务:
主节点根据优化结果向各个从节点发送计算任务,从节点接收到发送来的任务后进行计算处理,并将结果返回给主节点。主节点接收到从节点的计算结果后,根据任务的标号组合出最后的结果。
Claims (6)
1.一种移动朵云中基于粒子群和模拟退火优化的任务分配方法,其特征在于:该任务分配方法基于粒子群和模拟退火优化,在时延限制下,综合考虑主节点的卸载需求、信道状态以及时延等限制,并根据节点的剩余计算资源公平地进行任务分配,使整个网络所有节点的计算能耗与通信能耗之和最低;该方法包括如下步骤:
(1)发起任务卸载请求;当移动朵云中主节点上有复杂的计算任务,而该主节点没有足够的计算资源来对该任务进行处理时,该主节点向移动朵云的其他从节点发送任务卸载请求;当从节点接收到主节点的任务卸载请求后,从节点收集该节点当前剩余的计算资源信息,并回传给发起任务卸载请求的主节点;
(2)建立代价函数;收到各从节点的响应后,发起任务卸载请求的主节点根据各个从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数;
(3)求解优化问题;执行基于粒子群和模拟退火优化的任务分配算法,在算法的每一次迭代中,首先采用粒子群优化的方法,根据粒子的个体最优解与当前种群的最优解进行预处理,之后使用模拟退火优化对粒子群优化得到的结果进行进一步处理,在保证收敛速度的同时避免陷入局部最优解;
(4)分发任务;主节点根据结果向各个从节点分配计算任务,从节点接收到发送来的任务后进行处理,并将结果返回给主节点;主节点接收到从节点的计算结果后,根据任务的标号重新整理结果。
2.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法,其特征在于:所述的节点任务卸载代价函数既考虑节点能耗,也考虑任务卸载时的分配公平性。
3.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法,其特征在于:在选取种群最优解时,不再直接选取当前种群中适应度最优的粒子,而是根据适应度值所计算出的概率来选取种群最优解。
4.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法,其特征在于:所述步骤(2)中,建立代价函数:
我们使用M表示任务的总数,N表示从节点的总数;am,n∈{0,1}表示任务m的分配策略,αm,n=1表示任务m被分配给从节点Sn,而αm,n=0表示任务m没有被分配给从节点Sn,则矩阵A={αm,n|m∈M,n∈N}表示所有任务的分配策略;bm∈{0,1}表示任务m的本地计算策略,bm=1表示任务m在本地进行计算处理;bm=0表示任务m被分配给某个从节点进行处理,则向量B=(b1,b2,b3…,bm)T表示所有任务的本地计算策略;
我们定义代价函数为:
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mrow>
</munder>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<msub>
<mi>E</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<msub>
<mi>kL</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&mu;</mi>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<mo>|</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mi>m</mi>
</msub>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<msub>
<mi>E</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>W</mi>
<mi>n</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
Subject to m∈M,n∈N
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1.</mn>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
Ttotal<Tin (1.b)
am,n∈{0,1} (1.c)
bm∈{0,1} (1.d)
其中δ和μ分别是能耗和公平性的权重;Tin表示最大可接受时延;Wn表示从节点Sn预期的能量消耗;Lm,l表示任务m分配在本地处理所需要的工作量,fm,l表示本地计算的能力,比例k=10-11;(1.a)保证每个任务只能被一个节点并用一种方式处理;(1.b)保证执行时延小于最大可接受时延;(1.c)和(1.d)给出了决策变量的定义;任务m分配到从节点Sn产生的能量Em,n和总时延Ttotal分别由公式(2)和(3)表示
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>/</mo>
<msub>
<mi>Wlog</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mi>W</mi>
<mo>+</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>n</mi>
<mo>,</mo>
<mo>&Exists;</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>P</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>kL</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<msubsup>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>W</mi>
<mi> </mi>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>H</mi>
<mi>n</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mi>W</mi>
<mo>+</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>n</mi>
<mo>,</mo>
<mo>&Exists;</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</msub>
<msubsup>
<mi>P</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<msubsup>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mi>m</mi>
</munder>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<msub>
<mi>L</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示主节点将任务m传输到从节点Sn的传输功率,Dm,n表示任务m分配到从节点Sn时的传输的数据量,W是信道带宽,Lm,n表示任务m分配在从节点Sn上被处理所需要的工作量;fm,n表示从节点Sn对任务m的计算能力;Hm,n表示该信道的信道增益,表示热噪声功率。
5.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法,其特征在于:所述步骤(3)中,求解优化问题:
粒子的位置定义为表示任务m分配到了从节点Sn上.表示任务m在本地进行处理;和用来辅助记录粒子的位置信息;表示中 表示中 表示中 表示中
我们定义粒子的适应度函数为
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
定义粒子i的速度为我们使用标准的粒子群迭代方式(5),使得粒子能够根据个体最优解和种群最优解GR=(g1,g2,…,gm)来更新粒子速度;
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>w</mi>
</msubsup>
<mo>=</mo>
<mi>w</mi>
<mo>&times;</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mi>w</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>w</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mo>,</mo>
<mi>w</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>g</mi>
<mi>w</mi>
</msup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mo>,</mo>
<mi>w</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中惯性指数w为
<mrow>
<mi>w</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>I</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中w1和w2分别是初始惯性值和最终惯性值,I表示当前迭代次数,Imax表示最大迭代次数;
公式(7)表示根据粒子的适应值得出的各个粒子被选为种群最优解的概率
<mrow>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>b</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mi>i</mi>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
粒子位置的更新如下所示
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msup>
<mi>v</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>|</mo>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>mod</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mo>|</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msup>
<mi>v</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>|</mo>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
接下来采用模拟退火优化对粒子群优化的结果进行优化;当粒子当前的适应度值比之前的适应度值更小时,粒子的位置将会被更新为当前位置,当粒子当前的适应度值比之前的适应度值更大时,粒子的位置将会以一定概率被更新为当前位置,这个概率值由公式(9)所得,
<mrow>
<msub>
<mi>pr</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
<mi>T</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>></mo>
<msubsup>
<mi>F</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示粒子i之前的适应度值,表示粒子i当前适应度值,T表示模拟退火算法中的退火温度并由下式得出
<mrow>
<mi>T</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mi>lg</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
6.根据权利要求5所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法,其特征在于:所述步骤(3)中,基于模拟退火的粒子位置的更新选择如下:
第一步:根据公式(4)计算粒子的适应度值;
第二步:如果新的适应度值比之前的适应度值高,那么粒子的位置就会被更新,否则会跳到第三步;
第三步:在0和1之间生成一个随机数,记为r;
第四步:根据公式(9)计算粒子i的位置更新概率,记为pri;
第五步:如果pri大于r,那么粒子的位置就会被更新,否则就不会更新粒子的位置;
第六步:重复第一步到第五步直到所有的粒子都被计算一次;
经过粒子群和模拟退火优化处理之后,判断当前迭代次数是否到达规定的最大迭代次数,若到达则将所有个体最优解中适应度值最小的粒子的位置作为分配结果并跳出循环,反之根据公式(9)计算当前种群中各个体最优解被选择为种群最优解的概率并选举出新的种群最优解,之后根据公式(6)和公式(10)更新相关参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710905804.XA CN107766135B (zh) | 2017-09-29 | 2017-09-29 | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710905804.XA CN107766135B (zh) | 2017-09-29 | 2017-09-29 | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107766135A true CN107766135A (zh) | 2018-03-06 |
CN107766135B CN107766135B (zh) | 2021-04-27 |
Family
ID=61267467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710905804.XA Active CN107766135B (zh) | 2017-09-29 | 2017-09-29 | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766135B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965395A (zh) * | 2018-06-21 | 2018-12-07 | 河南科技大学 | 一种基于遗传算法的任务联合执行方法 |
CN109062657A (zh) * | 2018-07-02 | 2018-12-21 | 南京邮电大学 | 基于粒子群优化的Docker容器调度方法 |
CN109358953A (zh) * | 2018-09-20 | 2019-02-19 | 中南大学 | 一种微云中的多任务应用卸载方法 |
CN109669452A (zh) * | 2018-11-02 | 2019-04-23 | 北京物资学院 | 一种基于并行强化学习的云机器人任务调度方法和系统 |
CN109889598A (zh) * | 2019-03-07 | 2019-06-14 | 武汉大学 | 一种基于移动节点的自组织计算平台及其任务调度方法 |
CN110377352A (zh) * | 2019-05-20 | 2019-10-25 | 中国人民解放军军事科学院战争研究院 | 基于移动设备云系统的任务处理方法和装置 |
CN110430593A (zh) * | 2019-08-17 | 2019-11-08 | 胡洋 | 一种边缘计算用户任务卸载方法 |
CN110768827A (zh) * | 2019-10-17 | 2020-02-07 | 广州大学 | 一种基于群智能算法的任务卸载方法 |
CN110794965A (zh) * | 2019-10-23 | 2020-02-14 | 湖南师范大学 | 一种移动虚拟现实语言交际模拟学习计算系统和方法 |
CN111404703A (zh) * | 2019-01-02 | 2020-07-10 | 中国移动通信有限公司研究院 | 一种时延优化方法及装置、设备、存储介质 |
CN111831330A (zh) * | 2020-07-10 | 2020-10-27 | 深圳致星科技有限公司 | 用于联邦学习的异构计算系统设备交互方案 |
CN111860622A (zh) * | 2020-07-03 | 2020-10-30 | 北京科技大学 | 一种应用于编程现场大数据的聚类方法及系统 |
CN112084019A (zh) * | 2020-08-12 | 2020-12-15 | 东南大学 | 基于模拟退火的异构mec计算平台中的计算卸载与资源分配方法 |
CN112256349A (zh) * | 2020-10-26 | 2021-01-22 | 重庆邮电大学 | 一种基于ssa-sa算法的移动边缘计算任务卸载方法 |
CN112511644A (zh) * | 2020-12-14 | 2021-03-16 | 首都信息发展股份有限公司 | 一种多设备位姿共享方法及装置 |
CN113157431A (zh) * | 2021-02-02 | 2021-07-23 | 天津理工大学 | 一种针对边缘网络应用环境的计算任务副本分发方法 |
CN113220364A (zh) * | 2021-05-06 | 2021-08-06 | 北京大学 | 一种基于车联网移动边缘计算系统模型的任务卸载方法 |
CN114553711A (zh) * | 2020-11-19 | 2022-05-27 | 富士通株式会社 | 网络节点聚类方法、系统及计算机可读存储介质 |
CN115118728A (zh) * | 2022-06-21 | 2022-09-27 | 福州大学 | 基于蚁群算法的边缘负载均衡任务调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103501232A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 一种移动环境下基于虚拟终端的群组协作系统及方法 |
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
CN104869151A (zh) * | 2015-04-07 | 2015-08-26 | 北京邮电大学 | 一种业务卸载方法及系统 |
CN107122249A (zh) * | 2017-05-10 | 2017-09-01 | 重庆邮电大学 | 一种基于边缘云定价机制的任务卸载决策方法 |
CN107181820A (zh) * | 2017-06-30 | 2017-09-19 | 南京理工大学 | 移动自组织云中社会利益最大化资源共享方法 |
-
2017
- 2017-09-29 CN CN201710905804.XA patent/CN107766135B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103501232A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 一种移动环境下基于虚拟终端的群组协作系统及方法 |
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
CN104869151A (zh) * | 2015-04-07 | 2015-08-26 | 北京邮电大学 | 一种业务卸载方法及系统 |
CN107122249A (zh) * | 2017-05-10 | 2017-09-01 | 重庆邮电大学 | 一种基于边缘云定价机制的任务卸载决策方法 |
CN107181820A (zh) * | 2017-06-30 | 2017-09-19 | 南京理工大学 | 移动自组织云中社会利益最大化资源共享方法 |
Non-Patent Citations (1)
Title |
---|
胡大庆: "基于粒子群模拟退火和聚类算法的软硬件划分方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965395B (zh) * | 2018-06-21 | 2021-01-22 | 河南科技大学 | 一种基于遗传算法的任务联合执行方法 |
CN108965395A (zh) * | 2018-06-21 | 2018-12-07 | 河南科技大学 | 一种基于遗传算法的任务联合执行方法 |
CN109062657A (zh) * | 2018-07-02 | 2018-12-21 | 南京邮电大学 | 基于粒子群优化的Docker容器调度方法 |
CN109358953A (zh) * | 2018-09-20 | 2019-02-19 | 中南大学 | 一种微云中的多任务应用卸载方法 |
CN109358953B (zh) * | 2018-09-20 | 2020-09-08 | 中南大学 | 一种微云中的多任务应用卸载方法 |
CN109669452A (zh) * | 2018-11-02 | 2019-04-23 | 北京物资学院 | 一种基于并行强化学习的云机器人任务调度方法和系统 |
CN111404703A (zh) * | 2019-01-02 | 2020-07-10 | 中国移动通信有限公司研究院 | 一种时延优化方法及装置、设备、存储介质 |
CN109889598A (zh) * | 2019-03-07 | 2019-06-14 | 武汉大学 | 一种基于移动节点的自组织计算平台及其任务调度方法 |
CN109889598B (zh) * | 2019-03-07 | 2021-04-16 | 武汉大学 | 一种基于移动节点的自组织计算平台及其任务调度方法 |
CN110377352A (zh) * | 2019-05-20 | 2019-10-25 | 中国人民解放军军事科学院战争研究院 | 基于移动设备云系统的任务处理方法和装置 |
CN110430593A (zh) * | 2019-08-17 | 2019-11-08 | 胡洋 | 一种边缘计算用户任务卸载方法 |
CN110430593B (zh) * | 2019-08-17 | 2022-05-13 | 胡洋 | 一种边缘计算用户任务卸载方法 |
CN110768827A (zh) * | 2019-10-17 | 2020-02-07 | 广州大学 | 一种基于群智能算法的任务卸载方法 |
CN110794965A (zh) * | 2019-10-23 | 2020-02-14 | 湖南师范大学 | 一种移动虚拟现实语言交际模拟学习计算系统和方法 |
CN111860622A (zh) * | 2020-07-03 | 2020-10-30 | 北京科技大学 | 一种应用于编程现场大数据的聚类方法及系统 |
CN111860622B (zh) * | 2020-07-03 | 2023-12-22 | 北京科技大学 | 一种应用于编程现场大数据的聚类方法及系统 |
CN111831330A (zh) * | 2020-07-10 | 2020-10-27 | 深圳致星科技有限公司 | 用于联邦学习的异构计算系统设备交互方案 |
CN112084019A (zh) * | 2020-08-12 | 2020-12-15 | 东南大学 | 基于模拟退火的异构mec计算平台中的计算卸载与资源分配方法 |
CN112084019B (zh) * | 2020-08-12 | 2022-05-10 | 东南大学 | 基于模拟退火的异构mec计算平台中的计算卸载与资源分配方法 |
CN112256349A (zh) * | 2020-10-26 | 2021-01-22 | 重庆邮电大学 | 一种基于ssa-sa算法的移动边缘计算任务卸载方法 |
CN114553711A (zh) * | 2020-11-19 | 2022-05-27 | 富士通株式会社 | 网络节点聚类方法、系统及计算机可读存储介质 |
CN112511644A (zh) * | 2020-12-14 | 2021-03-16 | 首都信息发展股份有限公司 | 一种多设备位姿共享方法及装置 |
CN113157431A (zh) * | 2021-02-02 | 2021-07-23 | 天津理工大学 | 一种针对边缘网络应用环境的计算任务副本分发方法 |
CN113157431B (zh) * | 2021-02-02 | 2022-09-20 | 天津理工大学 | 一种针对边缘网络应用环境的计算任务副本分发方法 |
CN113220364A (zh) * | 2021-05-06 | 2021-08-06 | 北京大学 | 一种基于车联网移动边缘计算系统模型的任务卸载方法 |
CN115118728A (zh) * | 2022-06-21 | 2022-09-27 | 福州大学 | 基于蚁群算法的边缘负载均衡任务调度方法 |
CN115118728B (zh) * | 2022-06-21 | 2024-01-19 | 福州大学 | 基于蚁群算法的边缘负载均衡任务调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107766135B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766135A (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
CN108540406B (zh) | 一种基于混合云计算的网络卸载方法 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN109600178B (zh) | 一种边缘计算中能耗与时延和最小化的优化方法 | |
CN107682443A (zh) | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 | |
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN110377353A (zh) | 计算任务卸载系统与方法 | |
CN110351754A (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN114189892A (zh) | 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
CN110519849B (zh) | 一种针对移动边缘计算的通信和计算资源联合分配方法 | |
CN113286317B (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
Zhu et al. | Energy and delay co-aware computation offloading with deep learning in fog computing networks | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
Li et al. | Computation offloading strategy for improved particle swarm optimization in mobile edge computing | |
Wang | Collaborative task offloading strategy of UAV cluster using improved genetic algorithm in mobile edge computing | |
CN113821346A (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
Bi et al. | Energy-aware task offloading with genetic particle swarm optimization in hybrid edge computing | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Wang et al. | Joint offloading decision and resource allocation in vehicular edge computing networks | |
Bozkaya | A Digital Twin Framework for Edge Server Placement in Mobile Edge Computing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |