CN108924938A - 一种用于无线充电边缘计算网络计算能效的资源分配方法 - Google Patents

Abstract

本发明公开了一种无线充电边缘计算网络计算能效的资源分配方法，其主要解决了现有技术无法保证计算能效最大化问题。其实现步骤是：设置功率分配参数；初始化功率分配参数；计算最佳本地计算频率，最佳用户发送功率和最佳计算加载时间；计算的拉格朗日乘子；计算迭代最佳本地计算频率，迭代最佳用户发送功率，迭代最佳计算加载时间和迭代最佳能量收集时间；计算拉格朗日乘子迭代误差；判断拉格朗日乘子是否满足终止条件；计算系统计算能效；判断是否满足终止条件；得到系统最大计算能效和相应的最佳本地计算频率，最佳用户发送功率，最佳计算加载时间和最佳能量收集时间。

Description

一种用于无线充电边缘计算网络计算能效的资源分配方法

技术领域

本发明属于无线通信技术领域，更进一步涉及无线充电边缘计算网络领域中的以计算能效为优化目标的最佳资源分配方法。本发明可以根据用户的能量消耗约束条件， 用户的传输数据量约束条件以及能量收集时间和计算加载时间约束条件，在非线性能 量收集模型下获得最大计算能效的最佳资源分配。

背景技术

随着物联网业务的高速发展和新型宽带业务的快速增长，基于云计算技术的远程计算任务加载方式因较长的通信时延和较高的运行代价将面临严峻挑战。此外，边缘 计算网络存在大量的能量存储有限和体积受限的移动设备，随着高性能计算应用的不 断兴起，这势必导致移动设备的计算能力有限与长时间持续享受低延时高用户体验服 务需求之间的矛盾日益凸显。无线充电边缘计算网络作为一种新兴的移动计算技术， 不仅能降低通信时延和提高计算效率，而且能够解决移动设备存储能量有限的问题， 使得其成为当期研究热点。无线充电边缘计算网络将边缘计算服务器邻近布置于需要 执行计算任务的移动用户附近，移动用户能够将部分或全部计算密集型任务加载到边 缘计算服务器，缩短了计算任务加载距离，提高了计算效率。另一方面，无线充电边 缘计算服务器通过射频信号为低能量存储用户提供可持续的能源供应，具有更好的可 控性和稳定性。从而无线充电边缘计算网络不仅能够提高移动用户的计算性能，而且 能够提升系统资源的使用效率。

加之，传统的无线充电边缘计算网络的资源优化技术过于侧重用户计算比特性能的优化，而忽视了计算能效的优化。而对于能量存储有限的移动设备，为长时间持续 享受高性能计算的移动应用，计算能效将变得更为重要。在计算能效优化框架下，仅 考虑最大化计算比特的资源分配方案将不再适用，取而代之的是整个无线充电边缘计 算网络将在综合考虑用户的计算比特和所消耗的能量基础上，对网络的无线通信资源、 能量资源和计算资源进行联合优化，从而实现用户体验和计算能效的整体提升。因此 针对用户计算能效的优化研究，具有更重要的研究价值和实际研究意义。而且，现有 的基于线性能量收集模型的用户调度技术，因其采用理想的线性能量收集模型，使其 无法适用于实际非线性能量手机模型的无线充电边缘计算网络。因此在以用户计算能 效为优化目标的系统架构下，为充分利用系统无线通信资源、能量资源和计算资源， 考虑实际的非线性能量收集模型更具有实际研究意义。

在无线充电边缘计算网络中，由于移动用户的能量收集与进行能量收集的时间和无线充电边缘服务器的发送功率有关，而且移动用户需达到的计算性能目标与可利用 的计算加载时间、用户发送功率以及本地计算频率有关。因此，在无线充电边缘计算 网络中，对能量收集时间、计算加载时间、用户发送功率和本地计算频率进行最佳分 配，能在保证用户处理信息数据量需求的同时获得更高的计算能效。

L.Liu,Z.Chang,X.Guo,S.Mao和T.Ristaniemi,等人在其发表的论文 “Multi-objective optimization for computing in fog computing”(IEEE Internet ofThings, vol.5,no.1,pp.283-294,2018.)中，首次在多用户边缘计算网络中定义了用户计算能 效，并提出了最大化计算能效的最佳资源分配方法。该方法在传输速率约束约束下，通过多目标优化方法，获得每个用户的最优卸载概率和发送功率，达到最大化系统的 计算能效。该资源分配方法存在的不足之处是：只适用于传统的边缘计算网络，无法 应用于实际的无线充电边缘计算网络中。在无线充电边缘计算网络中，必须考虑到能 量收集过程。因此，该基于网络计算能效的最佳资源分配方法不适用无线充电边缘计 算网络。

S.Mao,S.Leng,K.Yang,Q.Zhao和M.Liu等人在其发表的论文“Energy efficiencyand delay tradeoff in multi-user wireless powered mobile-edge computingsystems”(IEEE Globecom 2017,to be published.)中，首次在无线充电边缘计算网络中，定义了计算能效，通过利用分式优化和凸优化手段，提出了最大化计算能效的资 源分配策略。该方法是在网络稳定性、中央处理单元周期频率、峰值传输功率和能量 英国约束下，通过随机优化达到最大化计算能效。通过联合计算分配和资源管理的算 法将问题转化为在每个时间块中一系列确定性优化问题。该资源分配方法的不足之处 是：其提出的策略是基于线性能量收集模型。而实际的能量收集电路因非线性端到端 的能量转换，其收集的能量呈现更为复杂的非线性形式。因此，文献提出的资源分配 策略无法适用于非线性能量收集模型下的无线充电边缘计算网络。

发明内容

本发明针对上述现有技术的不足，提出一种用于最大化无线充电边缘计算网络计算能效的最佳资源分配方法，可以提高系统的计算能效和保证用户之间的公平性，并 应用于实际的无线充电边缘计算网络中。

为了实现上述目的，本发明的技术方法包括如下步骤

(1)设置资源分配参数：

(1a)设置容错误差ξ，其取值范围为(0,1)；

(1b)设置最大迭代次数N，其取值为所选用计算设备的容许计数范围内大于 10的正整数；

(2)初始化资源分配参数：

(2a)将选择计算能效迭代次数n初始化为1；

(2b)将次梯度迭代算法的迭代次数初始化为1；

(3)计算最佳本地计算频率，最佳用户发送功率，最佳计算加载时间和最佳能 量收集时间：

(3a)按照下式，对给定的计算能效初始值η⁰计算最佳本地计算频率和最 佳用户发送功率

其中，表示初始化的第k个用户的最小数据量约束对应的拉格朗日乘子，表示初始化的第k个用户的能量效率约束对应的拉格朗日乘子，为初始化的第k个 用户的能量消耗约束对应的拉格朗日乘子，η⁰为初始化的给定的计算能效。且，C为 在每个用户的中央处理单元处计算一位原始数据所需要的周期，γ_c是第k个用户的处 理器芯片的有效电容系数，取决于第k个用户的芯片架构，B为通信带宽，υ_k＞1表 示包括写在计算任务在内的通信开销，g_k为第k个用户到MEC服务器的卸载链路的 瞬时信道功率增益，为第k个用户的噪声功率。k＝1,2,3,...,K，K表示次级用户 总个数，n表示次梯度迭代算法的迭代次数，表示平方根操作，ln2表示2的自然 对数，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值；

(3b)按照下式计算辅助变量Υ

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位 原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开 销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个 用户的噪声功率；P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k 个用户的恒定电路消耗，P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期 间第k个用户的恒定电路消耗，μ和ψ为能量收集电路参数，γ_c是第k个用户的处理 器芯片的有效电容系数，取决于第k个用户的芯片架构，log₂(·)表示以2为底的对 数操作。

(3c)按照下式计算最佳计算加载时间

其中，Υ为辅助变量，ηⁿ为给定的计算能效，表示第k个用户的最小数据 量约束对应的拉格朗日乘子，表示第k个用户的能量效率约束对应的拉格朗日乘子，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，为第k个用户的噪 声功率。k＝1,2,3,...,K，K表示次级用户总个数，ln2表示2的自然对数；最佳计算 加载时间通过一维搜索方法获取。

(3d)按照下式计算最佳能量收集时间

其中，T为一个帧结构的总时长，为第k个用户最佳计算加载时间， k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数；

(4)计算拉格朗日乘子：

利用次梯度迭代算法，计算最小数据量约束对应的拉格朗日乘子能量效率 约束对应的拉格朗日乘子和能量消耗约束对应的拉格朗日乘子

(5)计算迭代最佳本地计算频率，最佳用户发送功率和最佳计算加载时间

(5a)按照下式，对给定的计算能效ηⁿ计算最佳本地计算频率和最佳用户 发送功率

其中，表示第n次迭代的第k个用户的最小数据量约束对应的拉格朗日乘子， 表示第n次迭代的第k个用户的能量效率约束对应的拉格朗日乘子，为第n次 迭代的第k个用户的能量消耗约束对应的拉格朗日乘子，ηⁿ为第n次迭代的给定的 计算能效。且，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期， γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，B为 通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到MEC 服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率。k＝1,2,3,...,K， K表示次级用户总个数，n表示次梯度迭代算法的迭代次数，表示平方根操作，ln2 表示2的自然对数，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值；

(5b)按照下式计算辅助变量Υ

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位原 始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销， g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个用 户的噪声功率；为第k个用户的最大能量收集功率，P₀为能量收集的感应阈值， P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k个用户的恒定电路 消耗，μ和ψ为能量收集电路参数，γ_c是第k个用户的处理器芯片的有效电容系数， 取决于第k个用户的芯片架构，k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯 度迭代算法的迭代次数，log₂(·)表示以2为底的对数操作。

(5c)按照下式计算最佳计算加载时间

其中，Υ为辅助变量，ηⁿ为给定的计算能效，表示第k个用户的最小数据量 约束对应的拉格朗日乘子，表示第k个用户的能量效率约束对应的拉格朗日乘子， B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，为第k个用户的噪 声功率。k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数， ln2表示2的自然对数；

(5c)按照下式计算最佳能量收集时间

其中，T为一个帧结构的总时长，为第k个用户最佳计算加载时间， k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数；

(6)计算拉格朗日乘子迭代误差：

计算最小数据量约束对应的拉格朗日乘子迭代误差ζ_λ，能量效率约束对应的拉格朗日乘子迭代误差ζ_θ和能量消耗约束对应的拉格朗日乘子迭代误差ζ_ρ；

(7)判断最小数据量约束对应的拉格朗日乘子迭代误差，能量效率约束对应的 拉格朗日乘子迭代误差和能量消耗约束对应的拉格朗日乘子迭代误差是否满足拉格 朗日乘子迭代终止条件，若是，则执行步骤(8)，否则，将次梯度迭代算法的迭代次 数加1后执行步骤(4)；

(8)按照下式，计算系统计算能效η

(9)判断是否满足计算终止条件，若是，则执行步骤(10)，否则，将迭代次数 加1，并将步骤(8)所得计算能效赋值给ηⁿ⁺¹后执行步骤(3)；

(10)得到最佳能量收集时间最佳计算加载时间最佳用户发射功率最佳本地计算频率和最大计算能效η。

本发明的有益效果

第一，由于本发明引入能量收集过程，使得边缘计算网络具有更长的工作寿命，克服了现有技术中能量受限导致系统工作效率低的不足。本发明使得无线充电边缘 计算网络具有更好的可持续性，大大提高了系统的工作效率和可持续能力。

第二，由于本发明引入考虑能量收集电路产生的门限效应的非线性能量收集模型，使得无限充电边缘计算网络设计具有更贴近实际的能量收集电路性能。本发明 使得无线充电边缘计算网络设计更为实际，具有更好的实际应用前景。

第三，由于本发明引入计算能效概念，使得本发明的优化目标更为全面，在保 证无线充电边缘计算网络的工作数据量的同时降低系统的能量消耗，充分利用网络 的无线通信资源、能量资源和计算资源。本发明能够整体提升系统计算能效。

第四，由于本发明引入高效率的迭代算法，使得本发明能够快速的获得系统最 大计算能效以及对应的资源分配。本发明资源分配方法复杂度低，大大降低了资源 分配过程中的时间损耗。

附图说明

图1是本发明的流程图；

图2是采用本发明和现有技术在功率约束下的安全能效对比图；

图3是采用本发明在不同功率约束条件和不同迭代次数下的计算能效对比图。

具体实施方式

下面结合附图对发明做进一步描述。

结合附图1对本发明方法的具体步骤描述如下。

步骤1，设置资源分配参数。

设置容错误差ξ，其取值范围为(0,1)；设置次级用户安全能效的最大迭代次数N，其取值为所选用计算设备的容许计数范围内大于10的正整数。根据所需要的容错误 差和最大需要迭代次数，设置容错误差ξ>0，最大迭代次数N。在本发明的实施例 中容错误差ξ都设置为0.0001，最大迭代次数N为100000。容错误差越小，在进行 迭代计算系统计算能效时，可能需要的迭代次数越多，但是获得的最佳解会更加精确。

步骤2，初始化资源分配参数。

将选择计算能效迭代次数n初始化为1；将次梯度迭代算法的迭代次数初始化为1；

步骤3，计算最佳计算加载时间，最佳用户能量收集时间，最佳用户发射功率和 最佳本地计算频率。

按照下式，对给定的计算能效初始值η⁰计算最佳本地计算频率和最佳用户 发送功率

其中，表示初始化的第k个用户的最小数据量约束对应的拉格朗日乘子，表示初始化的第k个用户的能量效率约束对应的拉格朗日乘子，为初始化的第k个 用户的能量消耗约束对应的拉格朗日乘子，η⁰为初始化的给定的计算能效。且，C为 在每个用户的中央处理单元处计算一位原始数据所需要的周期，γ_c是第k个用户的处 理器芯片的有效电容系数，取决于第k个用户的芯片架构，B为通信带宽，υ_k＞1表 示包括写在计算任务在内的通信开销，g_k为第k个用户到边缘计算服务器的卸载链路 的瞬时信道功率增益，为第k个用户的噪声功率。k＝1,2,3,...,K，K表示次级用 户总个数，n表示subgradient迭代算法的迭代次数，表示平方根操作，ln2表示2 的自然对数，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值；

按照下式计算辅助变量Υ

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位 原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开 销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个 用户的噪声功率；为第k个用户的最大能量收集功率，P₀为能量收集的感应阈值， P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k个用户的恒定电路 消耗，μ和ψ为能量收集电路参数，γ_c是第k个用户的处理器芯片的有效电容系数， 取决于第k个用户的芯片架构，log₂(·)表示以2为底的对数操作。

按照下式计算最佳计算加载时间

其中，Υ为辅助变量，表示初始化的第k个用户的最小数据量约束对应的拉 格朗日乘子，表示初始化的第k个用户的能量效率约束对应的拉格朗日乘子，为 初始化的第k个用户的能量消耗约束对应的拉格朗日乘子，η⁰为初始化的给定的计算 能效。B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，为第k个用 户的噪声功率。k＝1,2,3,...,K，K表示次级用户总个数，ln2表示2的自然对数；

按照下式计算最佳能量收集时间

其中，T为一个帧结构的总时长，为第k个用户最佳计算加载时间， k＝1,2,3,...,K，K表示次级用户总个数，n表示subgradient迭代算法的迭代次数；

在迭代计算系统计算能效时，初始时系统计算能效η⁰的选择对于迭代算法的次数影响很大，当选择的初始时的系统计算能效与最大系统计算能效非常接近时，只需 要较少的迭代次数，相反，则需要的迭代次数较多。最佳计算加载时间和最佳能 量收集时间通过一维搜索方法获取。

步骤4，计算拉格朗日乘子

利用subgradient迭代算法，计算最小数据量约束对应的拉格朗日乘子能量效率约束对应的拉格朗日乘子和能量消耗约束对应的拉格朗日乘子的具体公式 如下：

其中n表示迭代指数，θ(n)，和δ(n)表示在第n次迭代的迭代步长。 和表示相应的次级梯度；

步骤5，计算迭代最佳本地计算频率，最佳用户发送功率和最佳计算加载时间

按照下式，对给定的计算能效ηⁿ计算最佳本地计算频率和最佳用户发送功 率

其中，表示第n次迭代的第k个用户的最小数据量约束对应的拉格朗日乘子， 表示第n次迭代的第k个用户的能量效率约束对应的拉格朗日乘子，为第n次 迭代的第k个用户的能量消耗约束对应的拉格朗日乘子，ηⁿ为第n次迭代的给定的 计算能效。且，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期， γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，B为 通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到MEC 服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率。k＝1,2,3,...,K， K表示次级用户总个数，n表示subgradient迭代算法的迭代次数，表示平方根操 作，ln2表示2的自然对数，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值；

按照下式计算辅助变量Υ

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位 原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开 销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个 用户的噪声功率；为第k个用户的最大能量收集功率，P₀为能量收集的感应阈值， P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k个用户的恒定电路 消耗，μ和ψ为能量收集电路参数，γ_c是第k个用户的处理器芯片的有效电容系数， 取决于第k个用户的芯片架构，k＝1,2,3,...,K，K表示次级用户总个数，n表示 subgradient迭代算法的迭代次数，log₂(·)表示以2为底的对数操作。

按照下式计算最佳计算加载时间

其中，Υ为辅助变量，ηⁿ为给定的计算能效，表示第k个用户的最小数据 量约束对应的拉格朗日乘子，表示第k个用户的能量效率约束对应的拉格朗日乘子， B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，为第k个用户的噪 声功率。k＝1,2,3,...,K，K表示次级用户总个数，n表示subgradient迭代算法的迭代 次数，ln2表示2的自然对数；

按照下式计算最佳能量收集时间

其中，T为一个帧结构的总时长，为第k个用户最佳计算加载时间， k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数；

容错误差的设置对需要多少次迭代获得最大系统计算能效具有一定的影响，当容错误差设置很小时，需要的迭代次数越多，否则，相对较小。另外需要迭代次数的多 少也与系统计算能效初始值选择有关，当计算能效初始值选择接近最大计算能效时， 只需要较少的迭代次数就能获得最大计算能效，否则获得最大计算能效的迭代次数就 多些。本发明的迭代算法使用本次计算所得优化变量值作为下一次计算的初始值为后 续的计算提供了数据上的支持，简化了计算步骤，使得整体的资源分配方法的复杂度 大大减低。

步骤6，计算拉格朗日乘子迭代误差：

计算最小数据量约束对应的拉格朗日乘子迭代误差ζ_λ，能量效率约束对应的拉格朗日乘子迭代误差ζ_θ和能量消耗约束对应的拉格朗日乘子迭代误差ζ_ρ

步骤7，计算拉格朗日乘子迭代误差是否满足拉格朗日乘子迭代终止条件

判断最小数据量约束对应的拉格朗日乘子迭代误差ζ_λ，能量效率约束对应的拉格朗日乘子迭代误差ζ_θ和能量消耗约束对应的拉格朗日乘子迭代误差ζ_ρ是否满足拉 格朗日乘子迭代终止条件，若是，则执行步骤(8)，否则，将subgradient迭代算法的 迭代次数加1后执行步骤(4)；

其中，ζ_λ表示最小数据量约束对应的拉格朗日乘子迭代误差，ζ_θ表示能量效率 约束对应的拉格朗日乘子迭代误差，ζ_ρ表示能量消耗约束对应的拉格朗日乘子迭代 误差，ξ表示容错误差。

步骤8，计算系统计算能效

按照下式，计算系统计算能效η

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位 原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开 销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个 用户的噪声功率；P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k 个用户的恒定电路消耗，γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k 个用户的芯片架构，k＝1,2,3,...,K，K表示次级用户总个数，n表示subgradient迭代 算法的迭代次数，log₂(·)表示以2为底的对数操作。

步骤9，判断是否满足计算能效终止条件

按照下式进行判断

|η-ηⁿ|＜ξ

判断是否满足上述条件，若是，则执行步骤10，否则，将迭代次数加1，并将步 骤8所得计算能效赋值给ηⁿ⁺¹后执行步骤3；

步骤10，得到最大计算能效和最佳资源分配策略

迭代停止时，第n次迭代计算所得能量收集时间为最佳能量收集时间，为最佳计算加载时间，为最佳用户发射功率，为最佳本地计算频率，以及最大 计算能效η。

下面结合仿真实验对本发明的效果做进一步说明。

1、仿真条件：

本发明的仿真实验在MATLAB R2014a(8.3.0)软件下进行的。本发明中用户个 数K设置为2，第k个用户的最大能量收集功率设置为0.004927瓦，能量收集的 感应阈值P₀设置为0.000064瓦，通信带宽B分别2兆赫兹，能量收集电路参数μ和ψ 分别设置为274和0.29，噪声方差设置为10^-9，中央处理单元计算一比特数据的周 期C设置为10³周期每比特，第k个用户的处理器芯片的有效电容系数γ_c设置为10^-28， 使用次梯度算法计算拉格朗日乘子时迭代步长t设置为0.1，容错误差ξ都设置为 0.0001，最大迭代次数为100000。

2、仿真内容：

参照附图2，通过对采用本发明的最大化系统计算能效和现有其他研究的最大化系统计算比特数框架下，不同计算模式的系统计算能效的对比结果得到的曲线图中， 得到现有其他研究不能保证系统的计算能效，而本方法能保证系统获得最大系统能效。 本发明的优化框架旨在最大化系统计算能效，而对比研究的优化框架致力于最大化计 算比特数。而且，在计算能效最大化框架下，计算能效首先随着发射功率增加，然后 在发射功率足够大时减小。由于计算比特数的数量随着发射功率的增加而增加，因此 在计算能效和计算比特的数量之间存在折衷。也可以看出，在部分卸载方案下实现的 计算能效是卸载和本地计算方案中最大的。原因是部分卸载模式可以灵活地为计算卸 载和本地计算分配资源。

附图2中的第一幅图是采用本发明和现有技术在基站传输功率约束下的安全能效对比图。图2中的第一幅图中的横坐标表示最大基站传输功率单位(瓦)，纵坐标表 示系统计算能效单位(比特/赫兹/焦耳)。以宝石形标示的折线表示采用本发明方法的 系统最大计算能效，以倒三角形标示的折线表示现有技术采用最大化计算比特优化框 架所得最大计算能效，以圆圈标示的折线表示在最大化计算能效优化框架下采用计算 加载方法所得的最大计算能效，以正方形标示的折线标示在最大化计算能效优化框架 下采用本地计算方法所得的最大计算能效。以基站传输功率在15毫瓦到30毫瓦变化， 其他参量按照仿真条件所述的值，应用本发明和现有技术的方法进行仿真实验。通过 比较计算能效曲线，可以看出，应用本发明的方法所获得的计算能效大于其他方法得 到的计算能效，且计算能效曲线都随着基站传输功率约束增大而增大且逐渐趋于平稳。

附图2中的第二幅图采用本发明和现有技术在不同用户个数下的系统计算性能的对比图。图2中的第一幅图中的横坐标表示总用户数单位(个)，纵坐标表示系统计 算能效单位(比特/赫兹/焦耳)。条形图按从左到右的顺序依次为在最大化用户计算能 效之和的优化框架下获得的用户平均计算能效、在最大最小公平性优化框架下获得的 用户平均计算能效、在最大化用户计算能效之和优化框架下用户间最优计算能效、在 最大化用户计算能效之和优化框架下用户间最差计算能效、在最大最小公平性优化框 架下用户间最优计算能效和在最大最小公平性优化框架下用户间最差计算能效。以总 用户数为4到5变化，其他参量按照仿真条件所述的值，应用本发明和现有技术的方 法进行仿真实验。可以看出，在本发明的优化框架下，最佳用户和最差用户之间的计 算能效差距小于对比优化框架下获得的计算能效差距。这表明采用本发明的方法可以 提高用户之间的计算能效公平性。

参照附图3，采用本发明在不同功率约束条件和不同迭代次数下的系统计算能效对比结果所得的曲线图中，得到不管用户受到的功率约束多大，本发明能很快的达到 收敛效果，只要迭代很少的次数系统就能获得最大的系统计算能效。

附图3中横坐标标示循环的迭代次数，纵坐标标示系统计算能效单位(比特/赫兹/焦耳)，以圆圈标示的折线表示采用最大传输功率约束为19毫瓦的系统计算能效， 以正方形标示的折线表示采用最大传输功率约束为17毫瓦的系统计算能效，以宝石 形标示的折线表示采用最大传输功率约束为15毫瓦的系统计算能效。其他参量按照 仿真条件所述的值，应用本发明的方法进行仿真实验。通过比较三种不同条件下得到 的系统计算能效，可以开出从初始时到第二次循环三者迅速变大，之后随着循环次数 的增大小幅度变化，直至几乎不变，且最大传输功率约束为19毫瓦的系统计算能效 大于最大传输功率约束为17毫瓦的系统计算能效，最次为最大传输功率约束为15毫 瓦的系统计算能效。

综合上述仿真结果和分析，本发明所提出的用于最大化无线充电边缘计算网络计算能效的最佳资源分配方法，能保证系统获得最大的计算能效并且提高用户之间的公 平性，而且算法复杂度低，适应于实际的非线性能量收集模型，这使得本发明在实际 中能更好的得到应用。

Claims (5)

1.一种用于无线充电边缘计算网络计算能效的资源分配方法，包括如下步骤：

(1)设置资源分配参数：

(1a)设置容错误差ξ，其取值范围为(0,1)；

(1b)设置最大迭代次数N，其取值为所选用计算设备的容许计数范围内大于10的正整数；

(2)初始化资源分配参数：

(2a)将选择计算能效迭代次数n初始化为1；

(2b)将subgradient迭代算法的迭代次数初始化为1；

(3)计算最佳本地计算频率，最佳用户发送功率和最佳计算加载时间：

(3a)按照下式，对给定的计算能效初始值η⁰计算最佳本地计算频率和最佳用户发送功率

其中，表示初始化的第k个用户的最小数据量约束对应的拉格朗日乘子，表示初始化的第k个用户的能量效率约束对应的拉格朗日乘子，为初始化的第k个用户的能量消耗约束对应的拉格朗日乘子，η⁰为初始化的给定的计算能效，且，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期，γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率，k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数，表示平方根操作，ln2表示2的自然对数，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值；

(3b)按照下式计算辅助变量Υ

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率；P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k个用户的恒定电路消耗，P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k个用户的恒定电路消耗，μ和ψ为能量收集电路参数，γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，log₂(·)表示以2为底的对数操作；

(3c)按照下式计算最佳计算加载时间

其中，Υ为辅助变量，ηⁿ为给定的计算能效，表示第k个用户的最小数据量约束对应的拉格朗日乘子，表示第k个用户的能量效率约束对应的拉格朗日乘子，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，为第k个用户的噪声功率，k＝1,2,3,...,K，K表示次级用户总个数，ln2表示2的自然对数；

(3d)按照下式计算最佳能量收集时间

其中，T为一个帧结构的总时长，为第k个用户最佳计算加载时间，k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数；

(4)计算拉格朗日乘子：

利用次梯度迭代算法，计算最小数据量约束对应的拉格朗日乘子能量效率约束对应的拉格朗日乘子和能量消耗约束对应的拉格朗日乘子

(5)计算迭代最佳本地计算频率最佳用户发送功率和最佳计算加载时间

(6)计算拉格朗日乘子迭代误差：

计算最小数据量约束对应的拉格朗日乘子迭代误差ζ_λ，能量效率约束对应的拉格朗日乘子迭代误差ζ_θ和能量消耗约束对应的拉格朗日乘子迭代误差ζ_ρ；

(7)判断最小数据量约束对应的拉格朗日乘子迭代误差，能量效率约束对应的拉格朗日乘子迭代误差和能量消耗约束对应的拉格朗日乘子迭代误差是否满足拉格朗日乘子迭代终止条件，若是，则执行步骤(8)，否则，将次梯度迭代算法的迭代次数加1后执行步骤(4)；

(8)按照下式，计算系统计算能效η

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率；P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k 个用户的恒定电路消耗，γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数，log₂(·)表示以2为底的对数操作；

(9)判断是否满足计算终止条件，若是，则执行步骤(10)，否则，将迭代次数加1，并将步骤(8)所得计算能效赋值给ηⁿ⁺¹后执行步骤(3)；

(10)得到最佳能量收集时间最佳计算加载时间最佳用户发射功率最佳本地计算频率和最大计算能效η。

2.根据权利要求1所述的用于无线充电边缘计算网络计算能效的资源分配方法，其特征在于，步骤(4)所述的采用次梯度迭代算法，计算最小数据量约束对应的拉格朗日乘子能量效率约束对应的拉格朗日乘子和能量消耗约束对应的拉格朗日乘子的具体公式如下：

其中n表示迭代次数，表示使用subgradient迭代算法第k次迭代时最小数据量约束对应的拉格朗日乘子，表示使用subgradient迭代算法第k+1次迭代时能量效率约束对应的拉格朗日乘子，表示使用subgradient迭代算法第k次迭代时能量效率约束对应的拉格朗日乘子，表示使用subgradient迭代算法第k+1次迭代时最小数据量约束对应的拉格朗日乘子，表示使用subgradient迭代算法第k次迭代时能量消耗约束对应的拉格朗日乘子，表示使用subgradient迭代算法第k+1次迭代时能量消耗约束对应的拉格朗日乘子，θ(n)，和δ(n)表示在第n次迭代的迭代步长，和表示相应的次级梯度，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值。

3.根据权利要求1所述的用于无线充电边缘计算网络计算能效的资源分配方法其特征在于，步骤(5)计算迭代最佳本地计算频率，最佳用户发送功率和最佳计算加载时间的具体公式如下：

按照下式，对给定的计算能效ηⁿ计算最佳本地计算频率和最佳用户发送功率

其中，表示第n次迭代的第k个用户的最小数据量约束对应的拉格朗日乘子，表示第n次迭代的第k个用户的能量效率约束对应的拉格朗日乘子，为第n次迭代的第k个用户的能量消耗约束对应的拉格朗日乘子，ηⁿ为第n次迭代的给定的计算能效，且，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期，γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到MEC服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率，k＝1,2,3,...,K，K表示次级用户总个数，n表示subgradient迭代算法的迭代次数，表示平方根操作，ln2表示2的自然对数，[a]⁺＝max(a,0)，且max(a,0)表示取a和0中较大值；

按照下式计算辅助变量Υ

其中，T为一个帧结构的总时长，C为在每个用户的中央处理单元处计算一位原始数据所需要的周期，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，g_k为第k个用户到边缘计算服务器的卸载链路的瞬时信道功率增益，为第k个用户的噪声功率；为第k个用户的最大能量收集功率，P₀为能量收集的感应阈值，P_r,k为无线能量传输阶段的接收功率，P_c,k为卸载计算过程期间第k个用户的恒定电路消耗，μ和ψ为能量收集电路参数，γ_c是第k个用户的处理器芯片的有效电容系数，取决于第k个用户的芯片架构，k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数，log₂(·)表示以2为底的对数操作；

按照下式计算最佳计算加载时间

其中，Υ为辅助变量，ηⁿ为给定的计算能效，表示第k个用户的最小数据量约束对应的拉格朗日乘子，表示第k个用户的能量效率约束对应的拉格朗日乘子，B为通信带宽，υ_k＞1表示包括写在计算任务在内的通信开销，为第k个用户的噪声功率，k＝1,2,3,...,K，K表示次级用户总个数，n表示subgradient迭代算法的迭代次数，ln2表示2的自然对数；

按照下式计算最佳能量收集时间

其中，T为一个帧结构的总时长，为第k个用户最佳计算加载时间，k＝1,2,3,...,K，K表示次级用户总个数，n表示次梯度迭代算法的迭代次数。

4.根据权利要求1所述的用于无线充电边缘计算网络计算能效的资源分配方法其特征在于，步骤(7)所对计算的最小数据量约束对应的拉格朗日乘子迭代误差ζ_λ，能量效率约束对应的拉格朗日乘子迭代误差ζ_θ和能量消耗约束对应的拉格朗日乘子迭代误差ζ_ρ进行判断的具体公式如下：

其中，ζ_λ表示最小数据量约束对应的拉格朗日乘子迭代误差，ζ_θ表示能量效率约束对应的拉格朗日乘子迭代误差，ζ_ρ表示能量消耗约束对应的拉格朗日乘子迭代误差，ξ表示容错误差。

5.根据权利要求1所述的用于无线充电边缘计算网络计算能效的资源分配方法其特征在于，步骤(9)所述的计算能效终止条件具体表述如下：

|η-ηⁿ|＜ξ

其中，ηⁿ表示第n次迭代时计算能效值，η为当前迭代的计算能效计算值，ζ表示容错误差，n表示计算能效的迭代次数，n＝1,2,3,...,N，N表示计算能效的最大迭代次数，|·|表示绝对值操作。