CN110531996B - 一种多微云环境下基于粒子群优化的计算任务卸载方法 - Google Patents

Abstract

本发明公开了一种多微云环境下基于粒子群优化的计算任务卸载方法，步骤为：建立计算任务卸载方案，构建计算任务卸载模型；创建粒子群，初始化所有粒子的速度与位置；根据粒子适应度计算方法，计算粒子群中每个粒子的适应度，记录每个粒子的个体最优位置，得到初始全局最优位置；根据惯性权重更新方案，更新每个粒子的速度与位置；判断是否满足迭代次数，是则输出全局最优适应度粒子编码，否则将继续迭代；将全局最优适应度粒子编码解码成计算任务卸载方案，并输出方案。本发明基于加权自适应惯性权重的粒子群优化算法，算法寻优能力强，能有效减少计算任务卸载总时间，提高资源利用率。

Description

一种多微云环境下基于粒子群优化的计算任务卸载方法

技术领域

本发明属于移动云计算领域，特别涉及一种多微云环境下基于粒子群优化的计算任务卸载方法。

背景技术

随着大数据和人工智能时代的到来，深度学习成为了学术界和工业界的研究热点。CNN作为深度学习研究领域中的一个重要分支，凭借着其强大的特征学习和分类能力，已被广泛应用于图像识别、目标检测、自然语言处理、语音识别以及生物信息学等领域。而CNN中庞大的参数量导致神经网络模型需要消耗大量的存储空间以及计算资源，这使得将卷积神经网络部署在资源有限的移动设备上受到了很大的限制。移动云计算中的任务卸载技术，可以将移动设备上的任务以部分代码或整个应用的形式迁移到云端，利用云端强大的计算能力减少运行时间并降低移动设备能耗。其中基于微云的计算任务卸载策略，可以让云中的存储和计算资源更接近终端用户，减少卸载过程中网络传输开销。但是，移动设备访问远程云容易受到网络连接的影响，可能出现传输时延过大或断线等问题。为了解决这个问题，面向微云的计算模式被提出。微云是一种网络边缘的小型云，可以让云中的存储和计算资源更接近终端用户，减少卸载过程中的网络传输开销。微云通常以分布式的方式部署在各个区域中，为服务范围内的用户提供存储和计算资源。由于用户分布的不均匀性和任务请求到达的随机性，不同微云中的任务数量存在明显差异。

发明内容

发明目的：为了克服现有技术中的问题，针对多微云环境下目标检测应用，本发明提供一种多微云环境下基于粒子群优化的计算任务卸载方法，能够提高算法寻优能力，能有效减少计算任务卸载总时间并提高资源利用率。

技术方案：为实现上述目的，本发明提供一种多微云环境下基于粒子群优化的计算任务卸载方法，包括如下步骤：

(1)构建面向多微云架构的计算任务卸载模型，建立计算任务卸载方案；

(2)创建并初始化粒子群，粒子的维数为计算任务卸载方案的个数，粒子中的位置编码代表计算任务卸载决策；设置粒子群算法参数，包括粒子数量、粒子维数、算法迭代次数、惯性权重，学习因子参数；

(3)根据粒子适应度计算方法，计算粒子群中每个粒子的适应度，记录个体粒子最优位置，并最终得到初始全局最优位置；

(4)根据惯性权重更新方法，更新每个粒子的速度与位置；

(5)判断是否满足迭代次数，是则输出全局最优适应度粒子编码，否则返回步骤(4)继续迭代；

(6)将全局最优适应度粒子编码解码成计算任务卸载方案，并输出方案粒子方案。每个粒子采用整数编码，编码长度为N·L，即有N·L维分量，代表任务的卸载方法，共有K+2种选择。如果为0则表示任务在本地运行，如果为K+1则表示任务卸载到远程云，否则表示任务卸载到对应编号的微云中。

进一步的，所述步骤(3)中粒子适应度计算方法具体步骤如下：

(3.1)粒子编码与离散化处理；

(3.2)适应度函数。

进一步的，所述步骤(3.1)中粒子编码与离散化处理的具体步骤如下：

定义距离函数为：

d_ij ^m＝|x_ij-y_jm|

其中x_ij为粒子位置，y_jm为粒子第j维分量的值域中第m个整数的值，整数值域为{0,1,...,K+1}，代表计算任务卸载方案；分别计算粒子位置到值域中每个元素的距离，并选取距离最小的元素替换粒子的位置，实现粒子编码的离散化。

进一步的，所述步骤(3.2)中适应度函数的具体步骤如下：

考虑微云计算资源的限制，卸载到微云c_u中所有任务的总计算量不能超过c_u的计算容量R_u；

采用罚函数法处理违反约束的粒子，构造约束函数为：

其中β_u为惩罚因子，取一个足够大的正数，x_i,j,u为任务a_i,j的卸载决策，w_i,j为任务a_i,j的计算量，R_u为微云c_u的计算容量；

通过构造惩罚函数，定义粒子的适应度函数为：

fitness(X)＝f(X)+g(X)

其中，

代表所有任务完成的时间，T_i,j为任务a_i,j的完成时间。

进一步的，所述步骤(4)中更新每个粒子的速度与位置的具体步骤如下：

基于进化代数和个体适应度的加权自适应惯性权重更新公式如下：

ω_i ^*(t)＝λ₁*ω(t)+λ₂*ω_i(t)

ω_i ^*(t)为粒子i最终的惯性权重值，λ₁和λ₂为权重因子，λ₁+λ₂＝1，ω(t)为面向高斯函数递减惯性权重的调整方法：

其中α为常数，取值为[0.1,0.3]；t为当前进化代数，t_max为最大进化代数；ω_max和ω_min分别为初始化时惯性权重的最大值和最小值；

ω_i(t)为根据每个粒子的适应度调整的惯性权重：

其中fitness_i(t)为第t代时粒子i的适应度，fitness_b(t)和fitness_w(t)分别为第t代时粒子的最优和最差适应度。

通过多微云协作的方式，将部分任务卸载到不同微云中运行，任务响应时间可以有效缩短。多微云环境下计算任务卸载问题是带有约束条件的整数规划问题，该问题为NP-hard问题。当问题规模较大时，算法数学求解复杂度过高。本发明针对现有计算任务卸载方法在多微云计算架构中效果不佳的缺点，提出多微云环境下基于粒子群优化的计算任务卸载方法。粒子群优化算法是受鸟群聚集模型启发而提出的一种群体智能优化算法，实现容易并且收敛速度快，常被用于解决多峰值和非线性的复杂问题。在粒子群算法中，惯性权重的值对粒子的局部和全局搜索能力有重要影响，较大的惯性权重可以提高全局搜索能力，而较小的惯性权重则有利于算法收敛。在求解过程中粒子的多样性不断减弱，算法虽然收敛速度较快但容易陷入局部最优。

有益效果：本发明与现有技术相比具有以下优点：

本发明针对多微云环境下基于粒子群优化的计算任务卸载方法，建立计算任务卸载方案，设计加权自适应惯性权重的粒子群优化算法，求解最优卸载方法问题，有效缩短计算任务卸载完成总时间。

附图说明

图1为具体实施例中计算任务卸载应用场景；

图2为本发明的流程图；

图3为具体实施例中多微云环境下基于粒子群优化的计算任务卸载方法示例图；

图4为具体实施例中多微云环境下基于粒子群优化的计算任务卸载方法中的粒子编码示例图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明所述的多微云环境下基于粒子群优化的计算任务卸载方法。通过建立计算任务卸载方案，设计加权自适应惯性权重的粒子群优化算法，求解最优卸载方法问题，有效缩短计算任务卸载完成总时间。

图1为本发明的计算任务卸载应用场景。

在用户提交CNN人脸识别等计算任务时，可以通过多微云协作的方式制定计算任务卸载策略，将计算任务卸载到在本地、临近微云或其他微云、远程云中运行。通过多微云协作执行计算任务，可以有效减少任务完成总时间。

图2为多微云环境下基于粒子群优化的计算任务卸载方法流程图。

步骤A：构建面向多微云协作的计算任务卸载模型，建立计算任务卸载方案。任务的卸载地点共有三种选择：第一种是直接在本地运行；第二种是卸载到临近微云或其他微云中运行，此方法需要考虑微云间转发任务的时延；第三种是卸载到远程云中运行，此方法需要综合考虑微云与微云、微云与远程云之间的转发时延。与在本地运行和卸载到远程云中相比，将任务卸载到微云中可以有效减少任务完成时间。但是单个微云的计算资源是有限的，在卸载决策时需要考虑微云计算资源的限制，卸载到微云c_u中所有任务的总计算量不能超过c_u的计算容量R_u：

其中N为移动终端的数量，L为每个移动设备提交的任务数，x_i,j,u为卸载决策变量，代表移动终端m_i上的任务a_i,j是否卸载到微云c_u中，w_i,j为任务计算量。

考虑三种卸载方案，移动终端m_i提交的任务a_i,j的完成时间T_i,j可以表示为：

其中t_i,j ^l表示任务a_i,j在本地移动设备中的运行时间，t_i,j,u ^c表示任务a_i,j在c_u中的运行时间，t_i,j,u ^l→c表示任务a_i,j卸载到微云c_u中所需的传输时延，t_i,j ^r为任务a_i,j在远程云中的运行时间，t_i,j ^l→r表示将任务a_i,j卸载到远程云所需的传输时延。x_i,j,0、x_i,j,u、x_i,j,K+1分别表示将任务a_i,j卸载到本地、微云及远程云中，K为微云的数量。

制定任务卸载方案X，使系统中所有任务的总完成时间最小，即

卸载决策矩阵X即为最后所求解，包含每个任务的卸载方案。

步骤B：创建并初始化粒子群，粒子的维数为计算任务卸载方案的个数，粒子中的位置编码代表计算任务卸载决策；设置粒子群算法参数，包括粒子数量、粒子维数、算法迭代次数、惯性权重，学习因子等参数；

步骤C：计算粒子群中每个粒子的适应度，根据粒子适应度值，记录个体粒子最优位置，并最终得到初始全局最优位置；

步骤C1:粒子编码与离散化，在面向多微云协作的计算任务卸载问题中，每个粒子采用整数编码，编码长度为N·L，即有N·L维分量，代表任务的卸载方法，共有K+2种选择。如果为0则表示任务在本地运行，如果为K+1则表示任务卸载到远程云，否则表示任务卸载到对应编号的微云中。

图3所示为多微云协作的任务卸载示例。

图3中包括c₁和c₂两个微云以及m₁和m₂两个移动终端设备，m₁在c₁的服务范围内，m₂在c₂的服务范围内，每个移动设备提交三个任务。从图3中可以看出，任务a_1,1在本地运行，x_1,1,0＝1；任务a_1,2在微云c₁中运行，x_1,2,1＝1；任务a_1,3通过微云c₁转发到微云c₂中运行，x_1,3,2＝1；任务a_2,1在微云c₂中运行，x_2,1,2＝1；任务a_2,2卸载到远程云中运行，x_2,2,3＝1；任务a_2,3在本地运行，x_2,3,0＝1。

图4为任务卸载方法对应的粒子编码。

由于标准粒子群算法计算会出现连续值，需要对编码进行离散化处理，定义距离函数为：

d_ij ^m＝|x_ij-y_jm|

其中x_ij为粒子位置，y_jm为粒子第j维分量的值域中第m个整数的值，整数值域为{0,1,...,K+1}，代表计算任务卸载方案。分别计算粒子位置到值域中每个元素的距离，并选取距离最小的元素替换粒子的位置，实现粒子编码的离散化。

步骤C2:约束处理，由于目标函数带有约束条件，导致粒子在运动过程中可能出现不可行解。采用罚函数法处理违反约束的粒子，构造约束函数为：

其中β_u为惩罚因子，可以取一个足够大的正数，x_i,j,u为任务a_i,j的卸载决策，w_i,j为任务a_i,j的计算量，R_u为微云c_u的计算容量。

通过构造惩罚函数，定义粒子的适应度函数为：

fitness(X)＝f(X)+g(X)

其中，

代表所有任务完成的时间，T_i,j为任务a_i,j的完成时间。

步骤D：根据惯性权重更新方法，更新每个粒子的速度与位置。具体包括以下步骤：

步骤D1:基于进化代数和个体适应度的加权自适应惯性权重，定义惯性权重更新公式如下：

ω_i ^*(t)＝λ₁*ω(t)+λ₂*ω_i(t)

ω_i ^*(t)即为粒子i最终的惯性权重值，λ₁和λ₂为权重因子，λ₁+λ₂＝1，ω(t)为面向高斯函数递减惯性权重的调整方法：

其中α为常数，取值为[0.1,0.3]。t为当前进化代数，t_max为最大进化代数。ω_max和ω_min分别为初始化时惯性权重的最大值和最小值。

ω_i(t)为根据每个粒子的适应度调整的惯性权重：

其中fitness_i(t)为第t代时粒子i的适应度，fitness_b(t)和fitness_w(t)分别为第t代时粒子的最优和最差适应度。

步骤D2：根据惯性权重，更新粒子的速度与位置。粒子的速度与位置更新公式如下：

v_ij ^k+1＝ωv_ij ^k+r₁c₁(pbest_ij-x_ij ^k)+r₂c₂(gbest_j-x_ij ^k)

x_ij ^k+1＝v_ij ^k+1+x_ij ^k

其中k表示进化代数，v_ij ^k表示第k代时粒子i第j维向量的速度，x_ij ^k表示第k代时粒子i第j维向量的位置。pbest_ij为粒子i第j维向量的个体最优位置，gbest_j为种群中所有粒子第j维向量的全局最优位置。ω为惯性权重，r₁和r₂为分布在区间[0,1]中的随机数，c₁和c₂为学习因子。计算粒子位置后，需要根据粒子编码与离散化规则进行取整，将粒子位置值转化为相应值域中的整数，便于算法进行。

步骤E：判断是否满足迭代次数，是则输出全局最优适应度粒子编码，否则将返回步骤D继续迭代；

步骤F：将全局最优适应度粒子编码解码成计算任务卸载方案，并输出方案。如果为0则表示任务在本地运行，如果为K+1则表示任务卸载到远程云，否则表示任务卸载到对应编号的微云中。

Claims (2)

1.一种多微云环境下基于粒子群优化的计算任务卸载方法，其特征在于，包括如下步骤：

(1)构建面向多微云架构的计算任务卸载模型，建立计算任务卸载方案；

(2)创建并初始化粒子群，粒子的维数为计算任务卸载方案的个数，粒子中的位置编码代表计算任务卸载决策；设置粒子群算法参数，包括粒子数量、粒子维数、算法迭代次数、惯性权重，学习因子参数；

(3)根据粒子适应度计算方法，计算粒子群中每个粒子的适应度，记录个体粒子最优位置，并最终得到初始全局最优位置；

(4)根据惯性权重更新方法，更新每个粒子的速度与位置；

(5)判断是否满足迭代次数，是则输出全局最优适应度粒子编码，否则返回步骤(4)继续迭代；

(6)将全局最优适应度粒子编码解码成计算任务卸载方案，根据每个粒子的整数编码，输出计算任务卸载方案；如果为0则表示任务在本地运行，如果为K+1则表示任务卸载到远程云，否则表示任务卸载到对应编号的微云中；

所述步骤(3)中粒子适应度计算方法具体步骤如下：

(3.1)粒子编码与离散化处理；

(3.2)适应度函数；

所述步骤(3.1)中粒子编码与离散化处理的具体步骤如下：

定义距离函数为：

d_ij ^m＝|x_ij-y_jm|

其中x_ij为粒子位置，y_jm为粒子第j维分量的值域中第m个整数的值，整数值域为{0,1,...,K+1}，代表计算任务卸载方案；分别计算粒子位置到值域中每个元素的距离，并选取距离最小的元素替换粒子的位置，实现粒子编码的离散化；

所述步骤(3.2)中适应度函数的具体步骤如下：

考虑微云计算资源的限制，卸载到微云c_u中所有任务的总计算量不能超过c_u的计算容量R_u；

采用罚函数法处理违反约束的粒子，构造约束函数为：

其中β_u为惩罚因子，取一个足够大的正数，x_i,j,u为任务a_i,j的卸载决策，w_i,j为任务a_i,j的计算量，R_u为微云c_u的计算容量；

通过构造惩罚函数，定义粒子的适应度函数为：

fitness(X)＝f(X)+g(X)

其中，

代表所有任务完成的时间，T_i,j为任务a_i,j的完成时间。

2.根据权利要求1所述的一种多微云环境下基于粒子群优化的计算任务卸载方法，其特征在于，所述步骤(4)中更新每个粒子的速度与位置的具体步骤如下：

基于进化代数和个体适应度的加权自适应惯性权重更新公式如下：

ω_i ^*(t)＝λ₁*ω(t)+λ₂*ω_i(t)

ω_i ^*(t)为粒子i最终的惯性权重值，λ₁和λ₂为权重因子，λ₁+λ₂＝1，ω(t)为面向高斯函数递减惯性权重的调整方法：

其中α为常数，取值为[0.1,0.3]；t为当前进化代数，t_max为最大进化代数；ω_max和ω_min分别为初始化时惯性权重的最大值和最小值；

ω_i(t)为根据每个粒子的适应度调整的惯性权重：

其中fitness_i(t)为第t代时粒子i的适应度，fitness_b(t)和fitness_w(t)分别为第t代时粒子的最优和最差适应度。

Images