CN110533332B - 一种基于多初始点罚函数的计算资源分配方法及服务器 - Google Patents

Abstract

本发明提供了一种基于多初始点罚函数的计算资源分配方法及服务器，当接收到计算资源分配请求时，收集初始数据信息，其中初始数据信息包括集中器基站基本信息以及采集终端基本信息；初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作；采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解；依据所述目标最优解，集中器基站对计算资源进行分配。本发明采用了计算资源分配算法、综合考虑了大规模MIMO与MEC的智能配用电网络中的实际应用情况，利用多初始点罚函数，对计算资源进行分配，极大地降低了采集终端的延迟，效率较高，且极大程度地节省了计算资源。

Description

一种基于多初始点罚函数的计算资源分配方法及服务器

技术领域

本发明涉及计算资源分配领域，具体涉及一种基于多初始点罚函数的计算资源分配方法及服务器。

背景技术

随着社会的进步与发展，电网规模快速扩大，智能电网、电力物联网的提出，使得越来越多的用户终端以及采集终端开始通过配电网络接入电力数据中心，这就使得电力数据中心需要处理大量的数据。但实际应用中，并非所有的数据信息都需要接入电力数据中心。

在现有技术中，由于网络承载能力有限，大量的数据涌入会导致网络堵塞，甚至网络瘫痪，浪费大量的计算资源，导致计算缓慢，延迟较大，效率较低。

发明内容

为了解决上述技术问题，本发明提供一种基于多初始点罚函数的计算资源分配方法及服务器。

本发明是以如下技术方案实现的：

本发明提供了一种基于多初始点罚函数的计算资源分配方法，其特征在于，应用于MIMO-MEC智能配用电网络中，所述智能配用电网络包括集中器基站以及与所述集中器基站信号相连的多个采集终端，所述计算资源分配方法包括：

收集初始数据信息，其中初始数据信息包括集中器基站基本信息以及采集终端基本信息；

初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作；

采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解；

依据所述目标最优解，集中器基站对计算资源进行分配。

上述的方法，可选的，初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作包括：

随机初始化初始点信息(p_d,p_p,f,τ,μ)_n，最优解(p_d,p_p,f,τ,μ)_opt以及最优解对应的罚函数值F^*＝inf,ε>0，并令n←0，其中n＝1,2,3...N；

式中，p_d为采集终端的数据传输功率，p_p为采集终端的导频传输功率。

上述的方法，可选的，采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解，包括：

令(p_d,p_p,f,τ,μ)⁽⁰⁾＝(p_d,p_p,f,τ,μ)_n；

初始化(p_d,p_p,f,τ,μ)⁽⁰⁾，{μ_k,k＝1,2,…}，ε>0，令m←0；

计算

若

则(p_d,p_p,f,τ,μ)^*＝(p_d,p_p,f,τ,μ)^(m)；

一维搜索最优步长t_m，满足决策变量不超过范围且

取

若||(p_d,p_p,f,τ,μ)^(m+1)-(p_d,p_p,f,τ,μ)^(m)||<ε，则(p_d,p_p,f,τ,μ)^*＝(p_d,p_p,f,τ,μ)^(m+1)，否则，令m←m+1，并返回所述初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作的步骤；

式中，(p_d,p_p,f,τ,μ)^*为最优解。

上述的方法，可选的，计算资源分配算法中的辅助算法，包括：

式中，

R_k＝log₂(1+SINR_k)，

本发明提供了一种服务器，包括：

服务器设置于基站集中器中，所述服务器用于执行上述任一项所述的方法，实现对计算资源的分配。

本发明的有益效果是：

本发明提供了一种基于多初始点罚函数的计算资源分配方法及服务器，当接收到计算资源分配请求时，收集初始数据信息，其中初始数据信息包括集中器基站基本信息以及采集终端基本信息；初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作；采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解；依据所述目标最优解，集中器基站对计算资源进行分配。本发明采用了计算资源分配算法、综合考虑了大规模M I MO与MEC的智能配用电网络中的实际应用情况，利用多初始点罚函数，对计算资源进行分配，极大地降低了采集终端的延迟，效率较高，且极大程度地节省了计算资源。

附图说明

图1是本发明实施例提供的一种基于多初始点罚函数的计算资源分配方法的方法流程图。

图2是本发明实施例提供的一种基于多初始点罚函数的计算资源分配方法与单初始点罚函数梯度下降算法的性能对比图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例提供了一种基于多初始点罚函数的计算资源分配方法，该方法可以应用在集中器基站中，其执行主体可以为集中器基站的服务器，图1示出了本发明实施例提供的基于多初始点罚函数的计算资源分配方法的方法流程，包括：

S101：收集初始数据信息，其中初始数据信息包括集中器基站基本信息以及采集终端基本信息。

其中，集中器基站基本信息以及采集终端基本信息包含了多个基本信息，具体可以为集中器基站可提供的信道带宽容量信息，集中器基站天线数，网络中采集终端数，采集终端的计算任务长度等可用于实现本申请的基本数据信息。

S102:初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作。

随机初始化初始点信息(p_d,p_p,f,τ,μ)_n，最优解(p_d,p_p,f,τ,μ)_opt以及最优解对应的罚函数值F^*＝inf,ε>0，并令n←0，其中n＝1,2,3...N；

S103：采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解。

令(p_d,p_p,f,τ,μ)⁽⁰⁾＝(p_d,p_p,f,τ,μ)_n；

初始化(p_d,p_p,f,τ,μ)⁽⁰⁾，{μ_k,k＝1,2,…}，ε>0，令m←0；

计算

若

则(p_d,p_p,f,τ,μ)^*＝(p_d,p_p,f,τ,μ)^(m)；

一维搜索最优步长t_m，满足决策变量不超过范围且

取

若||(p_d,p_p,f,τ,μ)^(m+1)-(p_d,p_p,f,τ,μ)^(m)||<ε，则(p_d,p_p,f,τ,μ)^*＝(p_d,p_p,f,τ,μ)^(m+1)，否则，令m←m+1，并返回所述初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作的步骤；

式中，(p_d,p_p,f,τ,μ)^*为最优解。

S104：依据所述目标最优解，集中器基站对计算资源进行分配。

下面举出一具体场景实施例，来对本发明进行说明：

如图2所示，将本发明所提算法与单初始点罚函数梯度下降算法进行性能比较。单初始点罚函数梯度下降算法以随机初始点开始，采用梯度下降算法进行优化。另外惩罚因子不断增大保证了求得的解满足约束。仿真设置条件为：该系统场景下设置服务器频率为1011Hz，采集终端和基站间距离在[10,60]m之间服从均匀分布，传输带宽为1MHz，采集终端能量约束上限为0.2J，基站天线数为32，采集终端迁移计算数据量为2000bits，最大传输功率为0.2W，导频传输时间为20ms。

图2展示了本发明所提方法与单初始点罚函数梯度下降算法的优化性能随系统中采集终端数变化的对比图；其为执行1000次蒙特卡洛仿真下平均结果。在仿真中，采集终端数以5为单位步进，由5增加到25。由图可知，两种算法优化结果中，最大迁移计算时延均随采集终端数的增加而增大，其原因在于：一方面，在给定天线数的大规模MIMO系统中，随着采集终端数的增多，传输过程中采集终端间干扰增大，导致采集终端信干噪比减小，从而造成计算迁移时延增加；另一方面，由于总计算资源有限，服务器分配给每个采集终端的计算资源会随采集终端数增加而减少，从而造成采集终端计算时延增加。另外，随着采集终端数增多，本发明所提算法相对于对比算法的优越性越明显。其原因在于，采集终端数增多使单初始点罚函数梯度下降算法所求得的解更容易陷入局部最优，而本发明所提算法以多初始点开始，可以较好得避过局部最优解，故本发明所提方法性能优越性得到验证。

由上述的技术方案可以看出，本发明提供了一种基于多初始点罚函数的计算资源分配方法及服务器，当接收到计算资源分配请求时，收集初始数据信息，其中初始数据信息包括集中器基站基本信息以及采集终端基本信息；初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作；采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解；依据所述目标最优解，集中器基站对计算资源进行分配。本发明采用了计算资源分配算法、综合考虑了大规模MIMO与MEC的智能配用电网络中的实际应用情况，利用多初始点罚函数，对计算资源进行分配，相较于现有技术，极大地降低了采集终端的延迟，效率较高，且极大程度地节省了计算资源。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种基于多初始点罚函数的计算资源分配方法，其特征在于，应用于MIMO-MEC智能配用电网络中，所述智能配用电网络包括集中器基站以及与所述集中器基站信号相连的多个采集终端，所述计算资源分配方法包括：

收集初始数据信息，其中初始数据信息包括集中器基站基本信息以及采集终端基本信息；

初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作；

采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解；

依据所述目标最优解，集中器基站对计算资源进行分配；

所述初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作包括：

随机初始化初始点信息(p_d,p_p,f,τ,μ)_n，最优解(p_d,p_p,f,τ,μ)_opt以及最优解对应的罚函数值F^*＝inf,ε>0，并令n←0，其中n＝1,2,3...N；

式中，p_d为采集终端的数据传输功率，p_p为采集终端的导频传输功率；

所述采用计算资源分配算法，对所述初始点信息、最优解以及所述最优解对应的罚函数值进行计算，以得到目标最优解，包括：

令(p_d,p_p,f,τ,μ)⁽⁰⁾＝(p_d,p_p,f,τ,μ)_n；

初始化(p_d,p_p,f,τ,μ)⁽⁰⁾，{μ_k,k＝1,2,…}，ε>0，令m←0；

计算

若

则(p_d,p_p,f,τ,μ)^*＝(p_d,p_p,f,τ,μ)^(m)；

一维搜索最优步长t_m，满足决策变量不超过范围且

取

若||(p_d,p_p,f,τ,μ)^(m+1)-(p_d,p_p,f,τ,μ)^(m)||<ε，则(p_d,p_p,f,τ,μ)^*＝(p_d,p_p,f,τ,μ)^(m+1)，否则，令m←m+1，并返回所述初始化初始点信息、最优解以及所述最优解对应的罚函数值，并执行预设操作的步骤；

式中，(p_d,p_p,f,τ,μ)^*为最优解；

所述计算资源分配算法中的辅助算法，包括：

式中，

R_k＝log₂(1+SINR_k)，

2.一种服务器，其特征在于，所述服务器设置于基站集中器中，所述服务器用于执行如权利要求1所述的方法，实现对计算资源的分配。

Images