CN110472301A - 一种基于多源-多中继设备的能耗优化方法 - Google Patents

Abstract

本发明涉及一种基于多源‑多中继设备的能耗优化方法，在本发明中，边缘服务器会对不同的任务进行考虑，在确保源设备上的任务可以在时间限制内完成的情况下，尽量选择能耗小的计算方式，并且通过合理的源‑中继设备对分配，降低源设备和中继设备的总能耗，此外，不同的源‑中继设备对分配的选择可以使架构下计算资源最大化利用，最大化的降低源设备、中继设备的总能耗，同时使得架构下的源设备可以尽可能的在时间条件下完成任务，有效地提高空闲设备的计算资源的利用率、优化架构总能耗、提高了架构的性能、降低任务延迟计算概率、同时实现了多计算任务并行处理。

Description

一种基于多源-多中继设备的能耗优化方法

技术领域

本发明涉及通信领域，更具体地，涉及一种基于多源-多中继设备的能耗优化方法。

背景技术

移动设备对于解决复杂应用计算的需求不断提高。但是移动设备的体积小，意味着它的计算能力有限，如何能够及时完成复杂应用的计算还需要面临一些挑战。第一是当多个中继共同存在时，低效的分配方式可能带来更大的能耗。第二是不同的任务完成方式有不同的能耗，不同的任务完成方式会带来额外的复杂性，如何从不同的任务完成模式中选择最佳方式，以达到能源的优化，这需要良好的分配方式。为了解决这些问题，可以考虑将边缘服务器作为一个决策者，联合多个中继设备，确定分配方式和计算方式。最近许多工作表明，协同计算可以进一步提高移动设备的能源性能。

边缘服务器作为决策者，可以为周边的源设备分配相应的中继，决定计算方式，从而减小源设备的能量消耗，提高架构下的整体性能，解决通信延迟。现有的研究只考虑了一个源设备，一个中继设备，一个边缘服务器的基础模型，而这个基础模型并不适应现实生活中多源设备、多中继设备的情况。

发明内容

为了解决现有技术中对于边缘服务器的研究模型只考虑了一个源设备，一个中继设备以及一个边缘服务器的不足，本发明提供了一种基于多源-多中继设备的能耗优化方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于多源-多中继设备的能耗优化方法，包括以下步骤：

步骤S1：边缘服务器为所有源设备上的任务选择一种任务完成的方式，任务完成的方式包括本地计算以及边缘计算两种；

步骤S2：边缘服务器为完成任务的源设备-中继设备配对选择任务计算方式并求出计算方式矩阵以及能耗矩阵；任务完成方式包括中继计算以及协同计算两种；

步骤S3：边缘服务器计算能耗矩阵的最佳带权匹配，根据任务方式矩阵以及能耗矩阵的最佳带权匹配求得该任务的完成方式；

步骤S4：边缘服务器将任务计算方式、源设备与中继设备匹配结果发送到各源设备中。

优选的，在步骤S1中，定义s_i(i∈{1,2,…,N})为第i个源设备，其中N为源设备的数量；定义r_j(j∈{1,2,…,M})为第j个中继设备，其中M为中继设备的数量；定义源设备s_i上有一个任务T_i，任务T_i的数据量大小为W_i；边缘服务器为所有源设备上的任务T_i从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式way_i。

优选的，任务T_i为不可分任务，即任务T_i无法分成多个子任务在不同设备上并行执行。

优选的，在步骤S1中，任务T_i从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式way_i的具体方式如下：

步骤S1.1：本地计算方式为源设备s_i上的任务T_i在源设备s_i自身完成，该方式下完成任务T_i所需时间为：

其中D_i是完成任务T_i所需要的CPU周期数，f_i ^l为源设备s_i上的CPU频率，其单位是Hz；该方式下完成任务T_i的能耗为：

其中为源设备s_i上CPU的有效电容系数，为一个远小于1的正数，其单位为J/bit；

步骤S1.2：边缘计算方式是源设备s_i上的任务T_i通过中继设备发送到边缘服务器并由边缘服务器完成任务T_i，该方式下完成任务T_i所需时间为：

其中W_i为任务T_i的数据量大小，其单位为bit，为源设备s_i的传输功率，单位为w，B_i为源设备s_i拥有的带宽，其单位为Hz，α为该边缘计算架构下的路径损耗常数，为边缘服务器作为接收端时的噪音功率，其单位为w，为s_i和边缘服务器的欧式距离，其单位为m，为边缘服务器上的CPU频率，其单位为Hz，该方式下完成此任务T_i所需能耗为：

步骤S1.3：首先设定En_i＝max，其中max表示能耗最大，表示无法通过此计算方式完成任务T_i；

步骤S1.4：当其中Ψ为完成任务T_i的最大时间，任务T_i将以本地计算方式完成，即way_i＝localComp，能耗En_i＝El_i；

步骤S1.5：当且ED_i<En_i，任务T_i将通过边缘计算方式完成，即way_i＝edgeComp，能耗En_i＝ED_i。

优选的，步骤S2的具体步骤如下：

步骤S2.1：中继计算方式为源设备s_i上的任务T_i通过无线传输发送到中继设备r_j并由中继设备r_j完成任务T_i，该方式下完成任务T_i所需时间为：

其中σ_j为中继设备r_j作为接收端时的噪音功率，其单位为w，为s_i和r_j之间的欧式距离，其单位为m，为中继设备r_j上的CPU频率，其单位是Hz，该方式下完成任务T_i的能耗为：

其中为中继设备r_j上CPU的有效电容系数，其单位是J/bit；

步骤S2.2：协同计算方式为源设备s_i采用解码重传方式通过中继设备r_j将任务T_i发送到边缘服务器并由边缘服务器完成，该方式下完成任务T_i所需时间为：

其中为中继设备r_j和边缘服务器的欧式距离，其单位为m，为中继设备r_j的传输功率，其单位为w，为s_i在协同计算模式下通过r_j的传输功率，其单位为w，该方式下完成任务T_i的能耗为：

步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝En_i,j∈{1,2,…,M}；

步骤S2.4：当且任务T_i选择中继计算方式，即tWay[i][j]＝relayComp，能耗

步骤S2.5：当同时满足和时，任务T_i选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗

优选的，步骤S3中边缘服务器将形成的将能耗矩阵E[i][j]中的各个元素变为其相反数，通过Kuhn-Munkres算法求出矩阵E[i][j]的最优带权匹配match_i，具体步骤如下：

步骤S3.1：边缘服务器通过一个循环从i＝1,2,…,N进行如下操作：

通过一个循环对E[i][j],j＝1,2,…,M的各个元素，变为其相反数；

步骤S3.2：边缘服务器对能耗矩阵E[i][j]使用Kuhn-Munkres算法，得到最大权重匹配m_i；

步骤S3.3：由于步骤S3.1中将能耗矩阵E[i][j]中的各个元素变为其相反数；因此最后的匹配结果为最小权重匹配；其中m_i的相关信息为：

其中，对于m_i≠0，更新En_i＝-E[i][m_i]以及way_i＝tWay[i][m_i]；可知，way_i为源设备s_i上任务T_i的完成方式，采用该方式完成任务T_i的能耗为En_i。

与现有技术相比，本发明技术方案的有益效果是：

本发明中边缘服务器会对不同的任务进行考虑，在确保任务可以在时间限制内完成的情况下，尽量选择能耗小的计算方式，并且通过合理的源-中继设备对分配，降低系统的能耗，此外，不同的源-中继设备对分配的选择可以使架构下资源最大化利用，最大化的降低架构的总能耗，同时使得架构下的源设备可以尽可能的在时间条件下完成任务，有效地提高空闲设备的计算资源的利用率、优化架构总能耗、提高了架构的性能、降低任务延迟计算概率、同时实现了多计算任务并行处理。

附图说明

图1为本发明的流程图。

图2为本发明的方法模型图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1、图2所示，一种基于多源-多中继设备的能耗优化方法，包括以下步骤：

步骤S1：边缘服务器为所有源设备上的任务选择一种任务完成的方式，任务完成的方式包括本地计算以及边缘计算两种；

步骤S2：边缘服务器为完成任务的源设备-中继设备配对选择任务计算方式并求出计算方式矩阵以及能耗矩阵；任务完成方式包括中继计算以及协同计算两种；

步骤S3：边缘服务器计算能耗矩阵的最佳带权匹配，根据任务方式矩阵以及能耗矩阵的最佳带权匹配求得该任务的完成方式；

步骤S4：边缘服务器将任务计算方式、源设备与中继设备匹配结果发送到各源设备中。

作为一个优选的实施例，在步骤S1中，定义s_i(i∈{1,2,…,N})为第i个源设备，其中N为源设备的数量；定义r_j(j∈{1,2,…,M})为第j个中继设备，其中M为中继设备的数量；定义源设备s_i上有一个任务T_i，任务T_i的数据量大小为W_i；边缘服务器为所有源设备上的任务T_i从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式way_i。

作为一个优选的实施例，任务T_i为不可分任务，即任务T_i无法分成多个子任务在不同设备上并行执行。

作为一个优选的实施例，在步骤S1中，任务T_i从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式way_i的具体方式如下：

步骤S1.1：本地计算方式为源设备s_i上的任务T_i在源设备s_i自身完成，该方式下完成任务T_i所需时间为：

其中D_i是完成任务T_i所需要的CPU周期数，f_i ^l为源设备s_i上的CPU频率，其单位是Hz；该方式下完成任务T_i的能耗为：

其中为源设备s_i上CPU的有效电容系数，为一个远小于1的正数，其单位为J/bit；

步骤S1.2：边缘计算方式是源设备s_i上的任务T_i通过中继设备发送到边缘服务器并由边缘服务器完成任务T_i，该方式下完成任务T_i所需时间为：

其中W_i为任务T_i的数据量大小，其单位为bit，为源设备s_i的传输功率，单位为w，B_i为源设备s_i拥有的带宽，其单位为Hz，α为该边缘计算架构下的路径损耗常数，为边缘服务器作为接收端时的噪音功率，其单位为w，为s_i和边缘服务器的欧式距离，其单位为m，为边缘服务器上的CPU频率，其单位为Hz，该方式下完成此任务T_i所需能耗为：

步骤S1.3：首先设定En_i＝max，其中max表示能耗最大，表示无法通过此计算方式完成任务T_i；

步骤S1.4：当其中Ψ为完成任务T_i的最大时间，任务T_i将以本地计算方式完成，即way_i＝localComp，能耗En_i＝El_i；

步骤S1.5：当且ED_i<En_i，任务T_i将通过边缘计算方式完成，即way_i＝edgeComp，能耗En_i＝ED_i。

作为一个优选的实施例，步骤S2的具体步骤如下：

步骤S2.1：中继计算方式为源设备s_i上的任务T_i通过无线传输发送到中继设备r_j并由中继设备r_j完成任务T_i，该方式下完成任务T_i所需时间为：

其中σ_j为中继设备r_j作为接收端时的噪音功率，其单位为w，为s_i和r_j之间的欧式距离，其单位为m，为中继设备r_j上的CPU频率，其单位是Hz，该方式下完成任务T_i的能耗为：

其中为中继设备r_j上CPU的有效电容系数，其单位是J/bit；

步骤S2.2：协同计算方式为源设备s_i采用解码重传方式通过中继设备r_j将任务T_i发送到边缘服务器并由边缘服务器完成，该方式下完成任务T_i所需时间为：

其中为中继设备r_j和边缘服务器的欧式距离，其单位为m，为中继设备r_j的传输功率，其单位为w，为s_i在协同计算模式下通过r_j的传输功率，其单位为w，该方式下完成任务T_i的能耗为：

步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝En_i,j∈{1,2,…,M}；

步骤S2.4：当且任务T_i选择中继计算方式，即tWay[i][j]＝relayComp，能耗

步骤S2.5：当同时满足和时，任务T_i选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗

作为一个优选的实施例，步骤S3中边缘服务器将形成的将能耗矩阵E[i][j]中的各个元素变为其相反数，通过Kuhn-Munkres算法求出矩阵E[i][j]的最优带权匹配match_i，具体步骤如下：

步骤S3.1：边缘服务器通过一个循环从i＝1,2,…,N进行如下操作：

通过一个循环对E[i][j],j＝1,2,…,M的各个元素，变为其相反数；

步骤S3.2：边缘服务器对能耗矩阵E[i][j]使用Kuhn-Munkres算法，得到最大权重匹配m_i；

步骤S3.3：由于步骤S3.1中将能耗矩阵E[i][j]中的各个元素变为其相反数；因此最后的匹配结果为最小权重匹配；其中m_i的相关信息为：

其中，对于m_i≠0，更新En_i＝-E[i][m_i]以及way_i＝tWay[i][m_i]；可知，way_i为源设备s_i上任务T_i的完成方式，采用该方式完成任务T_i的能耗为En_i。

实施例2

如图2所示，为本实施例的算法模型图。用户的源设备上的任务可以在源设备本身执行，可以卸载到中继设备执行，可以直接卸载到边缘服务器上执行，或者可以基于DF方式传送到边缘服务器进行执行。

具体的算法流程如图1所示，为本实施例的具体算法流程图。

边缘服务器作为架构下的一个中央控制者，控制整个架构的任务迁移策略、执行策略，定义源设备的集合为S，S中每一个元素定义为s_i且i∈{1,2,…,N}，N为源设备总数，定义T_i为s_i上的不可分任务，定义W_i为T_i的数据量，对用户s_i的任务T_i进行评估，确定默认计算方式way_i及初始能耗Energy_i；相关过程如下：

步骤一，为每个源设备s_i上的任务T_i，从本地计算模式和直接边缘计算模式中选择默认任务完成方式way_i，具体步骤为：

S1.1：初始化每个源设备的能耗E_i，使得En_i＝max，本地计算模式是任务T_i直接在源设备s_i本身完成，任务完成时间为

其中D_i是完成源设备s_i上的任务T_i所需要的CPU周期数，f_i ^local为源设备s_i的CPU频率；以本地计算模式完成该任务的能耗为

其中为源设备s_i上CPU的有效电容系数；直接边缘计算模式是源设备s_i上的任务T_i直接发送到边缘服务器上，并由其完成，该模式下完成时间为

其中为源设备s_i的传输功率，B_i为源设备s_i所拥有的带宽，α为整个架构系统下的路径损耗，σ_edge为边缘服务器接收端的噪音功率，为s_i和边缘服务器的欧式距离，D_i为源设备s_i上的任务T_i的数据量大小，f^edge为边缘服务器的CPU频率，该模式下完成此任务的能耗为

S1.2：当T_i ^local≤Ψ，Ψ为任务T_i的完成时间限制，这个任务T_i将选择本地计算模式，即way_i＝localComputing，计算能耗En_i＝El_i；

S1.3：当T_i ³≤Ψ且这个任务T_i将选择直接边缘计算模式，即way_i＝directEdgeComputing，计算能耗

步骤二，边缘服务器筛选各个可用的源-中继对的计算方式tempWay_i,j并形成能耗矩阵E[i][j]，其中能耗矩阵E[i][j]为步骤S4的匹配所使用，具体步骤为：

步骤S2.1：中继计算方式为源设备s_i上的任务T_i通过无线传输发送到中继设备r_j并由中继设备r_j完成任务T_i，该方式下完成任务T_i所需时间为：

其中σ_j为中继设备r_j作为接收端时的噪音功率，为s_i和r_j之间的欧式距离，为中继设备r_j上的CPU频率，该方式下完成任务T_i的能耗为：

其中为中继设备r_j上CPU的有效电容系数；

步骤S2.2：协同计算方式为源设备s_i采用解码重传方式通过中继设备r_j将任务T_i发送到边缘服务器并由边缘服务器完成，该方式下完成任务T_i所需时间为：

其中为中继设备r_j和边缘服务器的欧式距离，为中继设备r_j的传输功率，为s_i在协同计算模式下通过r_j的传输功率，该方式下完成任务T_i的能耗为：

步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝En_i,j∈{1,2,…,M}；

步骤S2.4：当且任务T_i选择中继计算方式，即tWay[i][j]＝relayComp，能耗

步骤S2.5：当同时满足和时，任务T_i选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗

步骤三，边缘服务器将形成的能耗矩阵E[i][j]使用Kuhn-Munkres算法完成匹配match_i，得到最小权重匹配，具体步骤如下：

S3.1：为了得到最小权重匹配，边缘服务器按能耗矩阵E[i][j]中的各个元素，将其变为其相反数；

S3.2：边缘服务器对能耗矩阵E[i][j]使用Kuhn-Munkres算法完成匹配match_i；

S3.3：match_i的相关信息为

其中，对于match_i≠0，更新En_i＝E[i][match_i]以及

本实施例最终目标是通过将架构下的能量消耗转化成二分图，存储在矩阵中，再通过最优权值匹配得到最小的权值匹配，从而得到整个架构下的能源消耗最优：

其中，El_i代表的是源设备s_i自身完成任务T_i的能耗，ED_i代表的是源设备s_i上的任务T_i以边缘计算方式完成的能耗，和分别代表源设备s_i上的任务T_i以中继计算方式或协同计算方式完成任务的能耗，分别表示源设备s_i上的任务T_i的完成方式，分别为本地计算方式、边缘计算方式、中继计算方式、协同计算方式，且满足与k∈{1,2,3,4}，当时，表明源设备s_i上的任务T_i的完成方式为本地计算方式，当时，表明源设备s_i上的任务T_i的完成方式为边缘计算方式，当时，表明源设备s_i上的任务T_i的完成方式为中继计算方式，当时，表明源设备s_i上的任务T_i的完成方式为协同计算方式。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于多源-多中继设备的能耗优化方法，其特征在于，包括以下步骤：

步骤S1：边缘服务器为所有源设备上的任务选择一种任务完成的方式，任务完成的方式包括本地计算以及边缘计算两种；

步骤S2：边缘服务器为完成任务的源设备-中继设备配对选择任务计算方式并求出计算方式矩阵以及能耗矩阵；任务完成方式包括中继计算以及协同计算两种；

步骤S3：边缘服务器计算能耗矩阵的最佳带权匹配，根据任务方式矩阵以及能耗矩阵的最佳带权匹配求得该任务的完成方式；

步骤S4：边缘服务器将任务计算方式、源设备与中继设备匹配结果发送到各源设备中。

2.根据权利要求1所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，在步骤S1中，定义s_i(i∈{1,2,…,N})为第i个源设备，其中N为源设备的数量；定义r_j(j∈{1,2,…,M})为第j个中继设备，其中M为中继设备的数量；定义源设备s_i上有一个任务T_i，任务T_i的数据量大小为W_i；边缘服务器为所有源设备上的任务T_i从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式way_i。

3.根据权利要求2所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，任务T_i为不可分任务，即任务T_i无法分成多个子任务在不同设备上并行执行。

4.根据权利要求3所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，在步骤S1中，任务T_i从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式way_i的具体方式如下：

步骤S1.1：本地计算方式为源设备s_i上的任务T_i在源设备s_i自身完成，该方式下完成任务T_i所需时间为：

其中D_i是完成任务T_i所需要的CPU周期数，f_i ^l为源设备s_i上的CPU频率，其单位是Hz；该方式下完成任务T_i的能耗为：

其中为源设备s_i上CPU的有效电容系数，为一个远小于1的正数，其单位为J/bit；

步骤S1.2：边缘计算方式是源设备s_i上的任务T_i通过中继设备发送到边缘服务器并由边缘服务器完成任务T_i，该方式下完成任务T_i所需时间为：

其中W_i为任务T_i的数据量大小，其单位为bit，为源设备s_i的传输功率，单位为w，B_i为源设备s_i拥有的带宽，其单位为Hz，α为该边缘计算架构下的路径损耗常数，为边缘服务器作为接收端时的噪音功率，其单位为w，为s_i和边缘服务器的欧式距离，其单位为m，为边缘服务器上的CPU频率，其单位为Hz，该方式下完成此任务T_i所需能耗为：

步骤S1.3：首先设定En_i＝max，其中max表示能耗最大，表示无法通过此计算方式完成任务T_i；

步骤S1.4：当其中Ψ为完成任务T_i的最大时间，任务T_i将以本地计算方式完成，即way_i＝localComp，能耗En_i＝El_i；

步骤S1.5：当且ED_i<En_i，任务T_i将通过边缘计算方式完成，即way_i＝edgeComp，能耗En_i＝ED_i。

5.根据权利要求4所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，步骤S2的具体步骤如下：

步骤S2.1：中继计算方式为源设备s_i上的任务T_i通过无线传输发送到中继设备r_j并由中继设备r_j完成任务T_i，该方式下完成任务T_i所需时间为：

其中σ_j为中继设备r_j作为接收端时的噪音功率，其单位为w，为s_i和r_j之间的欧式距离，其单位为m，为中继设备r_j上的CPU频率，其单位是Hz，该方式下完成任务T_i的能耗为：

其中为中继设备r_j上CPU的有效电容系数，其单位是J/bit；

步骤S2.2：协同计算方式为源设备s_i采用解码重传方式通过中继设备r_j将任务T_i发送到边缘服务器并由边缘服务器完成，该方式下完成任务T_i所需时间为：

其中为中继设备r_j和边缘服务器的欧式距离，其单位为m，为中继设备r_j的传输功率，其单位为w，为s_i在协同计算模式下通过r_j的传输功率，其单位为w，该方式下完成任务T_i的能耗为：

步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝En_i,j∈{1,2,…,M}；

步骤S2.4：当且任务T_i选择中继计算方式，即tWay[i][j]＝relayComp，能耗

步骤S2.5：当同时满足和时，任务T_i选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗

6.根据权利要求5所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，步骤S3中边缘服务器将形成的将能耗矩阵E[i][j]中的各个元素变为其相反数，通过Kuhn-Munkres算法求出矩阵E[i][j]的最优带权匹配match_i，具体步骤如下：

步骤S3.1：边缘服务器通过一个循环从i＝1,2,…,N进行如下操作：

通过一个循环对E[i][j],j＝1,2,…,M的各个元素，变为其相反数；

步骤S3.2：边缘服务器对能耗矩阵E[i][j]使用Kuhn-Munkres算法，得到最大权重匹配m_i；

步骤S3.3：由于步骤S3.1中将能耗矩阵E[i][j]中的各个元素变为其相反数；因此最后的匹配结果为最小权重匹配；其中m_i的相关信息为：

其中，对于m_i≠0，更新En_i＝-E[i][m_i]以及way_i＝tWay[i][m_i]；可知，way_i为源设备s_i上任务T_i的完成方式，采用该方式完成任务T_i的能耗为En_i。