CN111445111A - 一种基于边缘协同的电力物联网任务分配方法 - Google Patents

一种基于边缘协同的电力物联网任务分配方法 Download PDF

Info

Publication number
CN111445111A
CN111445111A CN202010156939.2A CN202010156939A CN111445111A CN 111445111 A CN111445111 A CN 111445111A CN 202010156939 A CN202010156939 A CN 202010156939A CN 111445111 A CN111445111 A CN 111445111A
Authority
CN
China
Prior art keywords
task
particle
representing
task allocation
things
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
Application number
CN202010156939.2A
Other languages
English (en)
Other versions
CN111445111B (zh
Inventor
夏伟栋
许洪华
邵苏杰
司小庆
辛辰
王徐延
张璨
刘国峰
徐晗
汪千军
石亚骏
杨冬昱
陶欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010156939.2A priority Critical patent/CN111445111B/zh
Publication of CN111445111A publication Critical patent/CN111445111A/zh
Application granted granted Critical
Publication of CN111445111B publication Critical patent/CN111445111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种基于边缘协同的电力物联网任务分配方法，包括依据电力物联网某时刻的所有业务请求和EN空闲资源建立两点协作任务分配模型；以最小化平均任务完成时延为优化目标构建任务分配问题模型；应用TENCTA‑IPSO算法对任务分配问题模型进行求解。本发明方法有效降低了电网业务的任务完成时延。其中TENCTA‑IPSO算法利用遗传算法的交叉、变异操作对粒子群算法中粒子更新策略进行改进，在粒子保持自身学习能力的同时，提高粒子种群的多样性，避免早熟陷入局部最优，计算出的任务分配方案最大程度缩短了平均任务完成时延。

Description

一种基于边缘协同的电力物联网任务分配方法
技术领域
本发明属于电力物联网任务分配技术领域，涉及一种基于边缘协同的电力物联网任务分配方法。
背景技术
电力物联网是物联网在智能电网中的应用，其将通信基础设施资源和电力系统基础设施资源有效整合，实现电力系统各环节万物互联，状态全面感知、信息高效处理。电力物联网承载视频监控、感知检测、智能运维，设备巡检等多种业务接入。通常这些业务需求多样化,如视频监控、设备诊断等业务数据处理量大，对资源要求高；电表智能监测、巡检机器人、AR智能运维等业务对时延敏感，需要及时得到计算结果。随着电力物联网的建设和业务不断开展，业务终端呈现爆发式增长，数据处理量也随之增长，导致在云计算模式下的物联网网络传输压力加大，云中心处理负荷升高、业务处理时延也难以同时满足大部分业务需求。
为解决此问题，边缘计算作为云计算的扩展补充方案在电力物联网中得到了应用，基于边缘计算的电力物联网架构如图1所示。在网络边缘侧部署具有计算、存储能力的EN(边缘节点)，如无线接入点，路由器、SDN交换机、边缘服务器等，电力业务终端通过有线、Wi-Fi、微功率无线、4G/5G、低功耗广域网等方式与EN相连，将计算任务放置在EN就近处理，能够减少网络传输量和云端负荷，在业务处理和数据传输方面同时实现降低时延的目的，满足越来越严苛的业务时延需求。
但是，与云中心相比，EN计算、存储等资源依然十分有限。随着单一EN需要接入和处理的业务应用逐渐增多，资源有限的EN难以同时满足接入的多种差异化明显的电力物联网业务的不同需求。同时EN间的处理负荷存在差异。首先，业务终端在统一接入到边缘计算终端时存在地理分布不均衡；其次，在突发情况下，需要大量信息采集终端在某一时段内同时上传数据进行处理，导致部分EN需要处理大量业务请求，而其他EN则处于相对空闲状态。因此，不均衡的业务请求时空分布将进一步加剧部分业务需求难以满足这一问题的严重程度。
为了解现有电力物联网中任务分配问题研究的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：
技术方案1：公开号为CN201811075238.5的《面向移动边缘计算的车联网任务卸载与资源分配策略》专利，涉及针对移动边缘计算(MEC)提供IT服务环境和云计算能力带来的高带宽、低时延优势，同时结合LTE免授权频谱(LTE-U)技术，该专利研究了车辆异构网络中基于(MEC)的任务卸载模式决策和资源分配问题。考虑链路差异化要求，即车辆到路边单元(V2I)链路的高容量和车辆到车辆(V2V)链路的高可靠性，将用户服务质量(QoS)建模为容量与时延的组合形式。首先采用改进的K-means算法依据不同的QoS对请求车辆进行聚类从而确定通信模式，其次利用基于无竞争期(CFP)的LTE-U，结合载波聚合(CA)技术，使用分布式Q-Learning算法进行信道和功率分配。
技术方案1联合建模容量和时延因子作为k-means算法特征输入进行分簇，从而确定车辆通信模式，最后基于分簇结果采用Q-learning作为增强型解决方案配置资源从而最大化系统性能，但该专利采用的强化学习算法时间复杂度较高，难以在较短的时间内计算出最优资源分配策略和任务分配策略，不满足一些低时延场景需求。
技术方案2：公开号为CN201910789821.0的《一种基于双向拍卖机制的边缘计算任务卸载方法及装置》专利，提供了一种基于双向拍卖机制的边缘计算任务卸载方法及装置，资源分配决策包括每个用户设备的目标边缘服务器为该用户设备的待处理任务提供的资源块数目；并基于资源分配决策，生成卸载指令，每一卸载指令中包含一用户设备卸载至该用户设备的各个目标边缘服务器的数据量，将卸载指令发送至相应的用户设备，以使该用户设备将待处理任务的相应数据量的部分任务卸载至各个目标边缘服务器。
技术方案2提出利用双向拍卖机制完成边缘计算任务卸载方案设计，综合考虑了边缘侧用户终端和边缘服务器的双方受益，最大化边缘服务器的资源利用率，但是没有考虑很多业务低时延需求，对降低任务完成时延问题没有很好解决。
技术方案3：公开号为CN201910741439.2《一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法》的专利，提出了一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法，以支持边缘服务器对资源分配的优化。边缘服务器将移动边缘计算系统状态作为输入，边缘服务器资源调度模块通过深度强化学习算法输出最优资源分配方案，移动设备终端根据最优资源分配方案进行任务卸载并与边缘服务器一同执行任务。该深度强化学习算法由DNN，MCTS，LSTM相互协作完成，与贪婪搜索和DQN算法相比，该发明提出的算法在优化服务时延与优化移动终端的服务能量消耗方面有大幅提升。
技术方案3考虑了移动边缘计算系统状态信息包括边缘服务器的计算资源情况、无线通信基站与移动终端的通信资源情况，以及移动设备的任务请求信息；所述任务请求信息包括：每个移动设备终端和无线通信基站的信道增益信息、当前待处理的任务的数据量大小、移动设备终端完成当前任务所需的CPU时钟周期数，以及移动设备终端CPU时钟频率等信息，但没有考虑业务自身各种资源需求以及业务之间的差异性。
发明内容
为解决现有技术中的不足，本申请提供一种基于边缘协同的电力物联网任务分配方法，需要通过EN协作来及时有效的全部满足日益增长的业务处理需求，解决电力物联网场景中EN资源有限和负载不均衡导致业务需求难以得到满足的问题，实现在满足业务资源需求的约束条件下最小化平均任务完成时延。
为了实现上述目标，本申请采用如下技术方案：
一种基于边缘协同的电力物联网任务分配方法，包括以下步骤：
步骤1：依据电力物联网某时刻的所有业务请求和EN空闲资源建立两点协作任务分配模型；
步骤2：以最小化平均任务完成时延为优化目标构建任务分配问题模型；
步骤3：应用TENCTA-IPSO算法对任务分配问题模型进行求解。
本发明进一步包括以下优选方案：
优选地，步骤1建立的两点协作任务分配模型，其任务分配决策X＝{xijk}取值为：
Figure BDA0002404398140000031
其中，一个子任务只能由Ri中的一个EN执行，即：
Figure BDA0002404398140000032
Figure BDA0002404398140000041
xijk表示UE(用户终端)i的子任务j是否在EN k上执行；
Figure BDA0002404398140000042
表示协作完成UE i任务的EN集合；EN是具有计算、存储能力的边缘设备；
Figure BDA0002404398140000043
表示EN集合，ri1、ri2为完成UE i所有子任务的两个EN；M为电力物联网中包括的EN个数；
EN满足分配到本节点上的子任务的计算和存储资源需求，即：
Figure BDA0002404398140000044
Figure BDA0002404398140000045
和
Figure BDA0002404398140000046
表示在协作节点决策R，任务分配决策X下EN k的计算资源和存储资源的应满足量；
Figure BDA0002404398140000047
表示UE集合，N为电力物联网中包括的UE(终端节点)个数；
Figure BDA0002404398140000048
为UEi发起的任务集合；
Ck、Ek分别表示虚拟计算单元数目、虚拟存储单元数目；
cij表示UE i的第j个子任务的计算资源需求，eij表示UE i的第j个子任务的存储资源需求。
优选地，步骤1建立的两点协作任务分配模型，其时延为：
Figure BDA0002404398140000049
Figure BDA00024043981400000410
表示UE i将任务输入数据全部上传到EN ui的网络时延，EN ui表示UE i的接入节点EN；
Figure BDA00024043981400000411
为UE i的接入点；dij表示第j个子任务的输入数据量；vi为UE i的上行链路数据传输速率。
优选地，步骤1建立的两点协作任务分配模型，其EN协作计算方式为：
1)接入点计算：
UE i的任务全部由EN ui完成，因此UE i的任务协作完成时延为：
Figure BDA00024043981400000412
xijui＝1表示UE i的子任务j由EN ui执行，tij表示第j个子任务在资源满足情况下的计算时延；
2)接入点EN ui和邻居EN ri2协作计算：
首先EN ui完成UE i的部分子任务，另一部分发送到邻居EN ri2上计算，EN ri2上子任务计算完成后再将结果返回到EN ui进行合并；
EN ui，ENri2上子任务的计算时延分别为：
Figure BDA0002404398140000051
Figure BDA0002404398140000052
表示UE i的子任务j由EN ri2执行；
从EN ui到EN ri2的数据传输时延为：
Figure BDA0002404398140000053
Figure BDA0002404398140000054
表示EN ui到ri2的数据发送速率；
计算结果回传到ui的传输时延：
Figure BDA0002404398140000055
Figure BDA0002404398140000056
表示ENri2到ui的数据发送速率；λij表示第j个子任务计算结果数据量与输入数据量的比例大小；
因此UE i的任务协作完成时延为：
Figure BDA0002404398140000057
3)邻居EN协作计算：
EN ui将UE i的任务分为两部分分别转发到EN ri1和ri2，ri1和ri2各自计算完成后，计算结果在ri1或者ri2上进行合并最后回传给EN ui；
模型设定在最先完成自身计算任务的EN上合并计算结果，设该EN为EN ri1；
EN ui将UE i的子任务转发到EN ri1和EN ri2的通信时延分别为：
Figure BDA0002404398140000061
Figure BDA0002404398140000062
表示EN ui到ri1的数据发送速率；
EN ri1、EN ri2上的计算时延分别为：
Figure BDA0002404398140000063
EN ri2将计算结果发送到EN ri1的通信时延为：
Figure BDA0002404398140000064
Figure BDA0002404398140000065
表示EN ri2到ri1的发送速率；
合并后的计算结果从EN ri1发送到EN ui的通信时延为：
Figure BDA0002404398140000066
Figure BDA0002404398140000067
表示EN ri1到ui的发送速率；
计算结果合并时间点取决于EN ri1上子任务计算完成时间点和EN ri2的子任务计算结果发送到达EN ri1时间点的最大值，因此有UE i的任务协作完成时延为：
Figure BDA0002404398140000068
优选地，步骤2中，分别分析业务请求和资源、时延及协作计算，并以最小化平均任务完成时延为优化目标构建任务分配问题模型，构建的任务分配问题模型为：
Figure BDA0002404398140000069
Figure BDA0002404398140000071
C1、C2表示在任务分配中EN需要满足任务的计算、存储资源需求；
C3、C4表示UE i的每个任务只能由Ri中两个EN其中之一完成；
C5表示每一个任务只能由一个EN完成；
C6表示UE i的任务j是否在EN k上完成,xijk＝1表示是，xijk＝0表示不是。
优选地，步骤3中，所述TENCTA-IPSO算法对标准粒子群算法进行改进，通过将遗传算法中的交叉变异策略改进粒子群中粒子位置更新公式，使得粒子逼近最优解，具体包括：
步骤301：对任务分配问题进行编码；
步骤302：定义评估粒子质量的Fitness函数；
步骤303：改进粒子更新策略，得出TENCTA-IPSO算法以求解步骤2构建的任务分配问题模型。
优选地，步骤301中，设粒子种群规模为Y，第l个粒子表示为一个D维位置向量，记为
Figure BDA0002404398140000072
第l个粒子迄今为止搜索到的最优位置为该个体极值，记为
Figure BDA0002404398140000073
整个粒子群迄今为止搜索到的最优位置为全局最优值GSbest＝(g1,g2,...,gD)，
Figure BDA0002404398140000074
表示第l个粒子的位置向量第n维的值，
Figure BDA0002404398140000075
表示第l个粒子迄今为止搜索到的最优位置的向量第n维的值，gn表示整个粒子群迄今为止搜索到的最优位置第n维的值；
采用离散编码策略生成候选粒子，每一个粒子代表EN的协作方案和任务分配方案，第t次迭代后的第l个粒子表示为：
Figure BDA0002404398140000076
其中Rl(t)为第t次迭代后的第l个粒子的协作节点EN决策，Zl(t)为第t次迭代后的第l个粒子的任务分配决策，
Figure BDA0002404398140000077
表示第i个终端节点选择的两个EN，
Figure BDA0002404398140000078
表示第i个终端节点的第j个子任务在
Figure BDA0002404398140000079
上执行。
优选地，步骤302中，定义评估粒子质量的Fitness函数为：
Figure BDA0002404398140000081
γ∈(0,1)表示约束违反因子，对于粒子S，优化目标
Figure BDA0002404398140000082
及约束违反度G(S)越小，粒子的质量越优。
优选地，步骤303中，采用遗传算法中的交叉变异策略来更新粒子位置，具体为：
Figure BDA0002404398140000083
其中，Cross()、Muta()分别表示交叉操作和变异操作；
Figure BDA0002404398140000084
表示Sl(t)和
Figure BDA0002404398140000085
进行交叉；
Figure BDA0002404398140000086
表示Sl(t)与
Figure BDA0002404398140000087
交叉后的结果再与GSbest交叉；
c0、c1为学习因子，分别表示与
Figure BDA0002404398140000088
GSbest的交叉点数目，通过随机策略选择交叉点；
符号
Figure BDA0002404398140000089
表示以一定的概率保留交叉结果，如下所示，
Figure BDA00024043981400000810
其中，δ0、δ1为(0，1)范围内的常数；
Figure BDA00024043981400000811
r0为(0，1)范围内的随机数，当r0<δ0时Sl(t)与
Figure BDA00024043981400000812
进行交叉操作，否则不进行交叉；
r1为(0，1)范围内的随机数，当r1＜δ1时Gl(t)与
Figure BDA00024043981400000813
进行交叉操作，否则不进行交叉；
上述交叉中不改变
Figure BDA00024043981400000814
或GSbest；
Figure BDA0002404398140000091
Al(t)为两次交叉后的结果，r2为(0，1)范围内的随机数，当r2<δ2时进行变异操作，否则不进行变异；
Muta(c2，Al(t))中，c2表示变异点个数，采用随机策略选取c2个变异点，在Al(t)中Rl(t)部分随机改变为EN下标范围内的值，Zl(t)部分随机改变为[1,2]范围内的值。
本申请所达到的有益效果：
通过仿真对比分析可得，本发明提出的一种基于边缘协同的电力物联网任务分配方法有效降低了电网业务的任务完成时延。其中TENCTA-IPSO算法利用遗传算法的交叉、变异操作对粒子群算法中粒子更新策略进行改进，在粒子保持自身学习能力的同时，提高粒子种群的多样性，避免早熟陷入局部最优，计算出的任务分配方案最大程度缩短了平均任务完成时延。
附图说明
图1是基于边缘计算的电力物联网架构；
图2是本发明方法的流程示意图；
图3是本发明实施例中第一种协作方式；
图4是本发明实施例中第二种协作方式；
图5是本发明实施例中第三种协作方式；
图6是本发明实施例中交叉过程示意图；
图7是本发明实施例中变异过程示意图；
图8是本发明实施例中不同种群数量Y下的收敛情况；
图9是本发明实施例中不同交叉概率δ0下的收敛情况；
图10是本发明实施例中不同交叉概率δ1下的收敛情况；
图11是本发明实施例中不同变异概率δ2下的收敛情况；
图12是本发明实施例中不同UE数量下三种协作方式的UE比例；
图13是本发明实施例中不同优化算法对比。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图2所示，本申请的一种基于边缘协同的电力物联网任务分配方法，包括以下步骤：
步骤1：依据电力物联网某时刻的所有业务请求和EN空闲资源建立两点协作任务分配模型；
1、业务请求和资源
假设网络中包括N个UE，M个EN，EN是具有计算、存储能力的边缘设备。使用
Figure BDA0002404398140000101
和
Figure BDA0002404398140000102
分别表示UE集合和EN集合。
UE的任务请求在EN上协作执行,考虑到多个EN协作会带来一定的通信资源开销，因此本发明采用两点协作方式，协作节点决策用R表示，其中UE i的任务由EN集合
Figure BDA0002404398140000103
协作完成，ri1、ri2为完成UE i所有子任务的两个EN。
UE i发起的任务集合为
Figure BDA0002404398140000104
其中第j个子任务用五元组wij＝(cij,eij,dij,tij,lij)表示,cij表示计算资源需求，eij表示存储资源需求，dij表示输入数据量，tij表示在该资源满足情况下的计算时延，lij表示计算结果数据量与输入数据量的比例大小，子任务之间没有时序依赖关系，可以独立完成。由于EN具有资源异构性，本发明采用容器和虚拟化技术支撑EN资源分配的实现，子任务所需的资源量用虚拟资源单元数目进行表示。
假设所有UE的请求在某一时刻同时发起，设此时EN k的剩余资源为(Ck,Ek)，Ck、Ek分别表示虚拟计算单元数目、虚拟存储单元数目。任务分配决策X＝{xijk}取值规定如下，
Figure BDA0002404398140000105
其中一个子任务只能由Ri中的一个EN执行，因此有如下约束，
Figure BDA0002404398140000106
xijk表示UE i的子任务j是否在EN k上执行；EN需要满足分配到本节点上的子任务的计算和存储资源需求，
Figure BDA0002404398140000111
和
Figure BDA0002404398140000112
表示在协作节点决策R，任务分配决策X下EN k的计算资源和存储资源的应满足量，因此有如下约束，
Figure BDA0002404398140000113
2、时延
每个UE都会与距离最近的一个EN接入。设UE i的接入点为
Figure BDA0002404398140000114
因此EN k关联的UE集合可以表示为
Figure BDA0002404398140000115
EN k的带宽资源为Bk Hz。本发明默认与EN关联的UE平均分配EN的带宽资源。UE i与EN ui的信噪比为
Figure BDA0002404398140000116
其中pi表示UE i传输功率，
Figure BDA0002404398140000117
表示UE i与EN ui的信道增益，σ2表示加性高斯白噪声功率。因此当UE i接入到EN ui时，可由香农定理得UE i的上行链路数据传输速率。
Figure BDA0002404398140000118
UE i到EN ui网络时延包括端口速率引起的传输时延和传播时延，c表示有线或者无线信道的传播时延，
Figure BDA0002404398140000119
表示UE i和EN ui的物理距离，因此UE i将任务输入数据全部上传到EN ui的网络时延可以表示为，
Figure BDA00024043981400001110
由于UE i的下行链路带宽远远高于上行链路带宽，并且计算结果数据量较小，因此忽略计算结果在EN ui到UE i的下行传输时延，EN ui表示UE i的接入节点EN。
设EN k到EN k′的数据传输速率为vk,k′，本发明假设数据传输速率可以通过测量获得并且是已知的。
3、协作计算
UE i的任务由
Figure BDA00024043981400001111
协作执行，ri1和ri2各执行
Figure BDA00024043981400001112
中的一部分，计算结果在其中一个节点进行汇聚，并最后回传到UE i的接入点EN ui。
根据EN ui是否参与协作计算，存在三种协作方式：
1)接入点独立计算，即ri1＝ri2＝ui；
2)接入点和邻居EN协作计算，即
Figure BDA0002404398140000121
3)邻居EN协作计算，即
Figure BDA0002404398140000122
三种协作方式分别如图3-5所示，图3展示了第一种协作方式，由接入点完成业务终端发起的T1、T2、T3三个子任务。图4展示了第二种协作方式，由接入点完成子任务T1、T2，另一个邻居EN完成子任务T3，计算结果最后汇聚到接入点。图5展示了第三种协作方式，两个邻居EN各自完成一部分，然后由其中一个EN合并计算结果并返回。
Figure BDA0002404398140000123
表示UE i的任务协作完成时延，为任务输入数据从EN ui发送到EN ri1和ri2的通信时延、在EN ri1和ri2上的计算时延，计算结果合并并回传到EN ui的时延之和。
1)接入点计算：UE i的任务全部由EN ui完成，因此UE i的任务协作完成时延为：
Figure BDA0002404398140000124
Figure BDA0002404398140000125
表示UE i的子任务j由EN ui执行。
2)接入点EN ui和邻居EN ri2协作计算：首先EN ui完成UE i的部分子任务，另一部分发送到邻居EN ri2上计算，EN ri2上子任务计算完成后再将结果返回到EN ui进行合并。
EN ui，EN ri2上子任务的计算时延分别为：
Figure BDA0002404398140000126
Figure BDA0002404398140000127
表示UE i的子任务j由EN ri2执行；
从EN ui到EN ri2的数据传输时延为：
Figure BDA0002404398140000131
Figure BDA0002404398140000132
表示EN ui到ri2的数据发送速率；
计算结果回传到ui的传输时延为：
Figure BDA0002404398140000133
Figure BDA0002404398140000134
表示EN ri2到ui的数据发送速率；
因此UE i的任务协作完成时延为：
Figure BDA0002404398140000135
3)邻居EN协作计算：EN ui将UE i的任务分为两部分分别转发到EN ri1和ri2，ri1和ri2各自计算完成后，计算结果在ri1或者ri2上进行合并最后回传给EN ui。模型设定在最先完成自身计算任务的EN上合并计算结果，不妨设该EN为ri1。
EN ui将UE i的子任务转发到EN ri1和ri2的通信时延分别为：
Figure BDA0002404398140000136
Figure BDA0002404398140000137
表示EN ui到ri1的数据发送速率；
EN ri1、ri2上的计算时延分别为：
Figure BDA0002404398140000138
EN ri2将计算结果发送到EN ri1的通信时延为：
Figure BDA0002404398140000139
Figure BDA00024043981400001310
表示EN ri2到ri1的发送速率；
合并后的计算结果从EN ri1发送到EN ui的通信时延为：
Figure BDA0002404398140000141
Figure BDA0002404398140000142
表示EN ri1到ui的发送速率；
计算结果合并时间点取决于EN ri1上子任务计算完成时间点和EN ri2的子任务计算结果发送到达EN ri1时间点的最大值，因此有UE i的任务协作完成时延为：
Figure BDA0002404398140000143
步骤2：分别分析业务请求和资源、时延及协作计算，以最小化平均任务完成时延为优化目标构建任务分配问题模型；
UE i从发送任务请求
Figure BDA0002404398140000144
到收到计算结果的总时延为：
Figure BDA0002404398140000145
其中
Figure BDA0002404398140000146
表示计算结果从EN ui回传到UE i的时延，如上所述这段时延较小忽略不计，同时忽略执行决策的计算时延与返回决策数据的传输时延。因此全部UE的任务平均完成时延为：
Figure BDA0002404398140000147
本发明将任务分配问题描述为最小化任务平均完成时延问题。
UE的任务分配决策用W＝(R,X)表示，
Figure BDA0002404398140000148
因此本发明的任务分配问题描述如下：
Figure BDA0002404398140000149
C1、C2表示在任务分配中EN需要满足任务的计算、存储资源需求；
C3、C4表示UE i的每个任务只能由Ri中两个EN其中之一完成；
C5表示每一个任务只能由一个EN完成；
C6表示UE i的任务j是否在EN k上完成,xijk＝1表示是，xijk＝0表示不是。
步骤3：应用TENCTA-IPSO算法对任务分配问题模型进行求解。
粒子群算法(PSO)是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，但标准PSO算法一般用来解决连续变量的优化问题，对于离散的优化问题处理不佳，并且算法迭代过程中容易陷入局部最优，导致收敛精度低和不易收敛。
本发明提出了TENCTA-IPSO算法，将遗传算法中的交叉变异策略改进粒子群中粒子位置更新公式，解决上述P1问题，具体包括：
步骤301：对任务分配问题(P1)进行编码；
设粒子种群规模为Y，第l个粒子表示为一个D维位置向量，记为
Figure BDA0002404398140000151
第l个粒子迄今为止搜索到的最优位置为该个体极值，记为
Figure BDA0002404398140000152
整个粒子群迄今为止搜索到的最优位置为全局最优值GSbest＝(g1,g2,...,gD)，
Figure BDA0002404398140000153
表示第l个粒子的位置向量第n维的值，
Figure BDA0002404398140000154
表示第l个粒子迄今为止搜索到的最优位置的向量第n维的值，gn表示整个粒子群迄今为止搜索到的最优位置第n维的值；
采用离散编码策略生成候选粒子，每一个粒子代表EN的协作方案和任务分配方案，第t次迭代后的第l个粒子表示为：
Figure BDA0002404398140000155
其中Rl(t)为第t次迭代后的第l个粒子的协作节点EN决策，Zl(t)为第t次迭代后的第l个粒子的任务分配决策，
Figure BDA0002404398140000156
表示第i个终端节点选择的两个EN，
Figure BDA0002404398140000157
表示第i个终端节点的第j个子任务在
Figure BDA0002404398140000158
上执行。为了方便起见将符号统一为：
Figure BDA0002404398140000159
其中
Figure BDA0002404398140000161
步骤302：定义评估粒子质量的Fitness函数；
Fitness函数用来评估粒子质量。问题描述中存在约束条件，但由于进化算法本身是一种无约束搜索技术，在处理有约束的优化问题中，需要结合一定的约束处理技术。在粒子编码中约束条件C3～C6已经得到满足，对于不等式约束条件C1、C2本发明采用约束违反度处理。定义粒子S的约束违反度为：
Figure BDA0002404398140000162
G(S)表示所有EN的计算、存储资源约束违反度之和，且G(S)≥0。当粒子在可行域范围内时，G(S)＝0，即满足G(S)＝0的所有粒子组成了搜索空间的可行域。当S不在可行域范围内时，G(S)>0。
定义粒子的Fitness函数：
Figure BDA0002404398140000163
γ∈(0,1)表示约束违反因子。对于粒子S，优化目标
Figure BDA0002404398140000164
及约束违反度G(S)越小，粒子的质量越优。为了避免存在不可行解的Fitness值高于可行解Fitness值，一般将γ取较大值，逼迫粒子远离不可行域，向可行域靠近。
步骤303：改进粒子更新策略，得出TENCTA-IPSO算法以求解步骤2构建的任务分配问题模型。
由于粒子使用离散编码方式，标准粒子群算法中粒子更新方法不再适用，本发明采用遗传算法中的交叉变异策略来更新粒子位置，具体为：
Figure BDA0002404398140000165
其中，Cross()、Muta()分别表示交叉操作和变异操作，具体交叉变异过程如图6-7所示，图6中，假设
Figure BDA0002404398140000166
为历史最优粒子
Figure BDA0002404398140000167
或者全局最优粒子GSbest，选择若干交叉点将S与
Figure BDA0002404398140000168
进行交叉，S变为S*，
Figure BDA0002404398140000169
保持不变。图7中在S中选取若干变异点进行变异，变异为符合编码要求范围内的值。
a)交叉
Figure BDA0002404398140000171
表示Sl(t)和
Figure BDA0002404398140000172
进行交叉；
Figure BDA0002404398140000173
表示Sl(t)与
Figure BDA0002404398140000174
交叉后的结果再与GSbest交叉；
c0、c1为学习因子，分别表示与
Figure BDA0002404398140000175
GSbest的交叉点数目，本发明通过随机策略选择交叉点；
符号
Figure BDA0002404398140000176
表示以一定的概率保留交叉结果，如下所示，
Figure BDA0002404398140000177
其中，δ0、δ1为(0，1)范围内的常数；
Figure BDA0002404398140000178
r0为(0，1)范围内的随机数，当r0<δ0时Sl(t)与
Figure BDA0002404398140000179
进行交叉操作，否则不进行交叉；
r1为(0，1)范围内的随机数，当r1＜δ1时Gl(t)与
Figure BDA00024043981400001710
进行交叉操作，否则不进行交叉；
上述交叉中不改变
Figure BDA00024043981400001711
或GSbest；
b)变异
Muta(c2,Sl(t))中，c2表示变异点个数，采用随机策略选取c2个变异点，在Sl(t)中Rl(t)部分随机改变为EN下标范围内的值，Zl(t)部分随机改变为[1,2]范围内的值。
Figure BDA00024043981400001712
Al(t)为两次交叉后的结果，r2为(0，1)范围内的随机数，当r2<δ2时进行变异操作，否则不进行变异；
Muta(c2，Al(t))中，c2表示变异点个数，采用随机策略选取c2个变异点，在Al(t)中Rl(t)部分随机改变为EN下标范围内的值，Zl(t)部分随机改变为[1,2]范围内的值。
TENCTA-IPSO算法具体流程如表1所示：
表1
Figure BDA0002404398140000181
对本发明进行仿真实验并验证其性能如下：
A.仿真步骤
Step 1：对提出的TENCTA-IPSO算法进行仿真实验，并研究不同参数对算法收敛效果的影响。
Step 2：研究TENCTA-IPSO算法中业务终端数量对协作方式的影响。
Step3：分别利用粒子群算法(PSO)、遗传算法(GA)两种智能优化算法解决P1问题，然后与TENCTA-IPSO算法对比收敛效果。
B.仿真设置
设定仿真环境为一个1km×1km的区域，区域内包含10个EN，50个UE，EN和UE的位置在该区域内随机生成。每个ENCPU频率(GHz)、存储空间大小(GB)服从正态分布，分别为
Figure BDA0002404398140000191
设定一个虚拟计算资源单元为0.1GHz，一个虚拟存储单元为0.5GB。两个EN之间的数据传输速率vk,k′(KB/s)服从正态分布
Figure BDA0002404398140000192
每个UE的子任务数量服从均匀分布U(1,5)，子任务的计算、存储虚拟资源单元需求数量、计算时延服从泊松分布，均值分别为λ1＝8，λ2＝10，λ3＝40。信道增益用如下公示表示：h＝127+30logd(d in kilometers),其他参数的设定如表2所示。
表2
Figure BDA0002404398140000193
C.仿真结果
1)不同参数对TENCTA-IPSO算法收敛效果的影响
TENCTA-IPSO算法包含种群规模Y、与个体最优粒子交叉概率δ0、与全局最优粒子交叉概率δ1、变异概率δ2四个重要参数，不同参数对搜索效率、解的质量都有一定的影响，如图8-11所示。
图8展示了不同种群数量Y下的TENCTA-IPSO算法的收敛情况，可以看出种群数量Y越大时搜索到的解的质量越优并且在前期收敛速度更快，在Y为10、20、30时分别收敛到125、88、74ms。当Y较小时，由于种群多样性较差导致陷入局部最优解的可能性很大，收敛缓慢。而随着种群数量Y增大时，种群多样性提高，因此搜索到最优解的概率增加，收敛速度得到提高。
图9展示了不同交叉概率δ0下TENCTA-IPSO算法的收敛情况，δ0为0.4、0.6、0.8时分别收敛到146、76、102ms。当δ0偏大或者偏小时，TENCTA-IPSO算法容易收敛到局部最优解，原因是δ0较小对粒子种群多样性的影响较小，收敛到全局最优的可能性较小，而δ0较大时粒子陷入局部最优的概率也变大，导致解质量差。
图10展示了不同交叉概率δ1下的收敛情况，与δ0同样，在与全局最优粒子的交叉概率δ1过大或者过小时都会降低解的质量，过小时影响种群多样性，过大容易陷入局部最优。
图11展示了不同变异概率δ2下的收敛情况，δ2为0.05、0.1、0.15时TENCTA-IPSO分别收敛到101ms、91ms、76ms，0.15时效果最好。原因是较小的变异概率对种群多样性的提高影响很小，而较大的变异概率导致粒子的Fitness值不稳定，影响最终的收敛结果。取合适的变异概率能够在优化中防止过早收敛产生局部最优而非总体最优。
2)UE数量对协作方式的影响
如图12所示，随着UE数量的增多，采用协作方式2、3的UE比例增多，协作方式1的比例开始减少。以UE数量为50为例，采用协作方式1、2、3的UE数量比例分别为0.6、0.23、0.17。UE数量较少时单个EN能够满足业务需求，但随着UE数量的增多，部分EN由于自身资源有限需要采用协作方式2与邻居EN协作完成一些UE的任务以满足业务需求。当UE数据继续增大时，部分EN剩余资源消耗殆尽，为了满足业务资源需求和降低业务完成时延，因此采用协作方式3利用两个资源空闲的邻居EN协作完成任务。
3)不同智能优化算法的收敛效果对比
利用粒子群算法(PSO)、遗传算法(GA)两种智能优化算法对P1问题进行求解，与提出的TENCTA-IPSO算法对比收敛效果，如图13所示。
能看出TENCTA-IPSO效果最好，收敛结果为74ms，而PSO和GA收敛结果为110ms、143ms。GA通过选择、交叉、变异三个操作进行染色体更新，提高了种群多样性，但算法迭代中不保存记忆，以前的知识随着种群的改变而被破坏，容易收敛到局部最优解。PSO算法具有历史记忆性，利用群体中个体对历史信息的共享机制对粒子进行更新，但利用粒子速度更新位置的方法对离散的优化问题处理不佳，影响解的质量。TENCTA-IPSO结合了PSO和GA算法的优势，增强了粒子群的更新能力和跳出局部最优的能力，对解决早熟收敛，局部寻优问题有了一定的改善。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (9)

1.一种基于边缘协同的电力物联网任务分配方法，其特征在于：包括以下步骤：
步骤1：依据电力物联网某时刻的所有业务请求和EN空闲资源建立两点协作任务分配模型；
步骤2：以最小化平均任务完成时延为优化目标构建任务分配问题模型；
步骤3：应用TENCTA-IPSO算法对任务分配问题模型进行求解。
2.根据权利要求1所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤1建立的两点协作任务分配模型，其任务分配决策X＝{xijk}取值为：
Figure FDA0002404398130000011
其中，一个子任务只能由Ri中的一个EN执行，即：
Figure FDA0002404398130000012
Figure FDA0002404398130000013
xijk表示UEi的子任务j是否在EN k上执行；
Figure FDA0002404398130000014
表示协作完成UEi任务的EN集合；EN是具有计算、存储能力的边缘设备；
Figure FDA0002404398130000015
表示EN集合，ri1、ri2为完成UEi所有子任务的两个EN；M为电力物联网中包括的EN个数；
EN满足分配到本节点上的子任务的计算和存储资源需求，即：
Figure FDA0002404398130000016
Figure FDA0002404398130000017
Figure FDA0002404398130000018
和
Figure FDA0002404398130000019
表示在协作节点决策R，任务分配决策X下EN k的计算资源和存储资源的应满足量；
Figure FDA00024043981300000110
表示UE集合，N为电力物联网中包括的UE个数；
Figure FDA00024043981300000111
为UE i发起的任务集合；
Ck、Ek分别表示虚拟计算单元数目、虚拟存储单元数目；
cij表示UE i的第j个子任务的计算资源需求，eij表示UE i的第j个子任务的存储资源需求。
3.根据权利要求2所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤1建立的两点协作任务分配模型，其时延为：
Figure FDA0002404398130000021
Figure FDA0002404398130000022
表示UEi将任务输入数据全部上传到EN ui的网络时延，EN ui表示UEi的接入节点EN；
Figure FDA0002404398130000023
为UE i的接入点；dij表示第j个子任务的输入数据量，vi为UE i的上行链路数据传输速率。
4.根据权利要求3所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤1建立的两点协作任务分配模型，其EN协作计算方式为：
1)接入点计算：
UEi的任务全部由EN ui完成，因此UEi的任务协作完成时延为：
Figure FDA0002404398130000024
Figure FDA0002404398130000025
表示UE i的子任务j由ENui执行，tij表示第j个子任务在资源满足情况下的计算时延；
2)接入点EN ui和邻居EN ri2协作计算：
首先ENui完成UEi的部分子任务，另一部分发送到邻居EN ri2上计算，EN ri2上子任务计算完成后再将结果返回到EN ui进行合并；
EN ui，EN ri2上子任务的计算时延分别为：
Figure FDA0002404398130000026
Figure FDA0002404398130000027
表示UE i的子任务j由EN ri2执行；
从EN ui到EN ri2的数据传输时延为：
Figure FDA0002404398130000031
Figure FDA0002404398130000032
表示EN ui到ri2的数据发送速率；
计算结果回传到ui的传输时延：
Figure FDA0002404398130000033
Figure FDA0002404398130000034
表示EN ri2到ui的数据发送速率；lij表示第j个子任务计算结果数据量与输入数据量的比例大小；
因此UE i的任务协作完成时延为：
Figure FDA0002404398130000035
3)邻居EN协作计算：
EN ui将UE i的任务分为两部分分别转发到EN ri1和ri2，ri1和ri2各自计算完成后，计算结果在ri1或者ri2上进行合并最后回传给EN ui；
模型设定在最先完成自身计算任务的EN上合并计算结果，设该EN为EN ri1；
EN ui将UE i的子任务转发到EN ri1和EN ri2的通信时延分别为：
Figure FDA0002404398130000036
Figure FDA0002404398130000037
表示EN ui到ri1的数据发送速率；
EN ri1、EN ri2上的计算时延分别为：
Figure FDA0002404398130000038
EN ri2将计算结果发送到EN ri1的通信时延为：
Figure FDA0002404398130000039
Figure FDA00024043981300000310
表示EN ri2到ri1的发送速率；
合并后的计算结果从EN ri1发送到EN ui的通信时延为：
Figure FDA0002404398130000041
Figure FDA0002404398130000042
表示EN ri1到ui的发送速率；
计算结果合并时间点取决于EN ri1上子任务计算完成时间点和EN ri2的子任务计算结果发送到达EN ri1时间点的最大值，因此有UEi的任务协作完成时延为：
Figure FDA0002404398130000043
5.根据权利要求4所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤2中，分别分析业务请求和资源、时延及协作计算，并以最小化平均任务完成时延为优化目标构建任务分配问题模型，构建的任务分配问题模型为：
Figure FDA0002404398130000044
Figure FDA0002404398130000045
Figure FDA0002404398130000046
Figure FDA0002404398130000047
Figure FDA0002404398130000048
Figure FDA0002404398130000049
Figure FDA00024043981300000410
C1、C2表示在任务分配中EN需要满足任务的计算、存储资源需求；
C3、C4表示UE i的每个任务只能由Ri中两个EN其中之一完成；
C5表示每一个任务只能由一个EN完成；
C6表示UE i的任务j是否在EN k上完成,xijk＝1表示是，xijk＝0表示不是。
6.根据权利要求5所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤3中，所述TENCTA-IPSO算法对标准粒子群算法进行改进，通过将遗传算法中的交叉变异策略改进粒子群中粒子位置更新公式，使得粒子逼近最优解，具体包括：
步骤301：对任务分配问题进行编码；
步骤302：定义评估粒子质量的Fitness函数；
步骤303：改进粒子更新策略，得出TENCTA-IPSO算法以求解步骤2构建的任务分配问题模型。
7.根据权利要求6所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤301中，设粒子种群规模为Y，第l个粒子表示为一个D维位置向量，记为
Figure FDA0002404398130000051
第l个粒子迄今为止搜索到的最优位置为该个体极值，记为
Figure FDA0002404398130000052
整个粒子群迄今为止搜索到的最优位置为全局最优值GSbest＝(g1,g2,...,gD)，
Figure FDA0002404398130000053
表示第l个粒子的位置向量第n维的值，
Figure FDA0002404398130000054
表示第l个粒子迄今为止搜索到的最优位置的向量第n维的值，gn表示整个粒子群迄今为止搜索到的最优位置第n维的值；
采用离散编码策略生成候选粒子，每一个粒子代表EN的协作方案和任务分配方案，第t次迭代后的第l个粒子表示为：
Figure FDA0002404398130000055
其中Rl(t)为第t次迭代后的第l个粒子的协作节点EN决策，Zl(t)为第t次迭代后的第l个粒子的任务分配决策，
Figure FDA0002404398130000056
表示第i个终端节点选择的两个EN，
Figure FDA0002404398130000057
表示第i个终端节点的第j个子任务在
Figure FDA0002404398130000058
上执行。
8.根据权利要求6所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤302中，定义评估粒子质量的Fitness函数为：
Figure FDA0002404398130000059
γ∈(0,1)表示约束违反因子，对于粒子S，优化目标
Figure FDA00024043981300000510
及约束违反度G(S)越小，粒子的质量越优。
9.根据权利要求6所述的一种基于边缘协同的电力物联网任务分配方法，其特征在于：
步骤303中，采用遗传算法中的交叉变异策略来更新粒子位置，具体为：
Figure FDA0002404398130000061
其中，Cross()、Muta()分别表示交叉操作和变异操作；
Figure FDA0002404398130000062
表示Sl(t)和
Figure FDA0002404398130000063
进行交叉；
Figure FDA0002404398130000064
表示Sl(t)与
Figure FDA0002404398130000065
交叉后的结果再与GSbest交叉；
c0、c1为学习因子，分别表示与
Figure FDA0002404398130000066
GSbest的交叉点数目，通过随机策略选择交叉点；
符号
Figure FDA0002404398130000067
表示以一定的概率保留交叉结果，如下所示，
Figure FDA0002404398130000068
Figure FDA0002404398130000069
其中，δ0、δ1为(0，1)范围内的常数；
Figure FDA00024043981300000610
r0为(0，1)范围内的随机数，当r0<δ0时Sl(t)与
Figure FDA00024043981300000611
进行交叉操作，否则不进行交叉；
r1为(0，1)范围内的随机数，当r1＜δ1时Gl(t)与
Figure FDA00024043981300000612
进行交叉操作，否则不进行交叉；
上述交叉中不改变
Figure FDA00024043981300000613
或GSbest；
Figure FDA00024043981300000614
Al(t)为两次交叉后的结果，r2为(0，1)范围内的随机数，当r2<δ2时进行变异操作，否则不进行变异；
Muta(c2，Al(t))中，c2表示变异点个数，采用随机策略选取c2个变异点，在Al(t)中Rl(t)部分随机改变为EN下标范围内的值，Zl(t)部分随机改变为[1,2]范围内的值。
CN202010156939.2A 2020-03-09 2020-03-09 一种基于边缘协同的电力物联网任务分配方法 Active CN111445111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010156939.2A CN111445111B (zh) 2020-03-09 2020-03-09 一种基于边缘协同的电力物联网任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010156939.2A CN111445111B (zh) 2020-03-09 2020-03-09 一种基于边缘协同的电力物联网任务分配方法

Publications (2)

Publication Number Publication Date
CN111445111A true CN111445111A (zh) 2020-07-24
CN111445111B CN111445111B (zh) 2022-10-04

Family

ID=71648691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010156939.2A Active CN111445111B (zh) 2020-03-09 2020-03-09 一种基于边缘协同的电力物联网任务分配方法

Country Status (1)

Country Link
CN (1) CN111445111B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199177A (zh) * 2020-10-19 2021-01-08 上海交通大学 基于遗传算法和计算拓扑模型的ska任务调度系统及方法
CN112286677A (zh) * 2020-08-11 2021-01-29 安阳师范学院 一种面向资源受限边缘云的物联网应用优化部署方法
CN112492591A (zh) * 2020-11-06 2021-03-12 广东电网有限责任公司电力调度控制中心 一种电力物联网终端接入网络的方法及装置
CN112637359A (zh) * 2020-12-29 2021-04-09 武汉烽火富华电气有限责任公司 一种基于边缘计算的终端资源调度方法
CN112702401A (zh) * 2020-12-15 2021-04-23 北京邮电大学 一种电力物联网多任务协同分配方法及装置
CN112883526A (zh) * 2021-03-15 2021-06-01 广西师范大学 一种任务延迟和可靠性约束下的工作负载分配方法
CN113376541A (zh) * 2021-06-04 2021-09-10 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113923224A (zh) * 2021-08-26 2022-01-11 国网河北省电力有限公司信息通信分公司 电力物联网任务卸载方法、服务器及终端
CN113986562A (zh) * 2021-12-29 2022-01-28 中移(上海)信息通信科技有限公司 一种资源调度策略生成方法、装置及终端设备
CN114143355A (zh) * 2021-12-08 2022-03-04 华北电力大学 一种电力物联网低时延安全云边端协同方法
WO2022057811A1 (zh) * 2020-09-17 2022-03-24 浙江大学 一种面向边缘服务器的网络突发负载疏散方法
WO2022095246A1 (zh) * 2020-11-06 2022-05-12 山东大学 一种基于差分隐私机制的边缘智能电网协作决策方法
CN114615294A (zh) * 2022-02-25 2022-06-10 广州鲁邦通物联网科技股份有限公司 一种电力物联网关边缘计算方法
CN115361688A (zh) * 2022-07-13 2022-11-18 西安电子科技大学 一种基于机器学习的工业无线边缘网关优化布局方案
CN115967962A (zh) * 2022-12-27 2023-04-14 广东技术师范大学 一种智能超表面辅助的端边协同计算迁移方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN110365753A (zh) * 2019-06-27 2019-10-22 北京邮电大学 基于边缘计算的物联网服务低时延负载分配方法及装置
CN110570075A (zh) * 2019-07-18 2019-12-13 北京邮电大学 一种电力业务边缘计算任务分配方法及装置
CN110717302A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电网实时在线监测业务的边缘计算终端设备布设方法
CN110717300A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN110365753A (zh) * 2019-06-27 2019-10-22 北京邮电大学 基于边缘计算的物联网服务低时延负载分配方法及装置
CN110570075A (zh) * 2019-07-18 2019-12-13 北京邮电大学 一种电力业务边缘计算任务分配方法及装置
CN110717302A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电网实时在线监测业务的边缘计算终端设备布设方法
CN110717300A (zh) * 2019-09-27 2020-01-21 云南电网有限责任公司 面向电力物联实时在线监测业务的边缘计算任务分配方法

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286677B (zh) * 2020-08-11 2021-07-16 安阳师范学院 一种面向资源受限边缘云的物联网应用优化部署方法
CN112286677A (zh) * 2020-08-11 2021-01-29 安阳师范学院 一种面向资源受限边缘云的物联网应用优化部署方法
US11784931B2 (en) 2020-09-17 2023-10-10 Zhejiang University Network burst load evacuation method for edge servers
WO2022057811A1 (zh) * 2020-09-17 2022-03-24 浙江大学 一种面向边缘服务器的网络突发负载疏散方法
CN112199177B (zh) * 2020-10-19 2023-03-31 上海交通大学 基于遗传算法和计算拓扑模型的ska任务调度系统及方法
CN112199177A (zh) * 2020-10-19 2021-01-08 上海交通大学 基于遗传算法和计算拓扑模型的ska任务调度系统及方法
WO2022095246A1 (zh) * 2020-11-06 2022-05-12 山东大学 一种基于差分隐私机制的边缘智能电网协作决策方法
CN112492591A (zh) * 2020-11-06 2021-03-12 广东电网有限责任公司电力调度控制中心 一种电力物联网终端接入网络的方法及装置
CN112492591B (zh) * 2020-11-06 2022-12-09 广东电网有限责任公司电力调度控制中心 一种电力物联网终端接入网络的方法及装置
CN112702401A (zh) * 2020-12-15 2021-04-23 北京邮电大学 一种电力物联网多任务协同分配方法及装置
CN112637359A (zh) * 2020-12-29 2021-04-09 武汉烽火富华电气有限责任公司 一种基于边缘计算的终端资源调度方法
CN112883526A (zh) * 2021-03-15 2021-06-01 广西师范大学 一种任务延迟和可靠性约束下的工作负载分配方法
CN112883526B (zh) * 2021-03-15 2023-04-07 广西师范大学 一种任务延迟和可靠性约束下的工作负载分配方法
CN113376541B (zh) * 2021-06-04 2023-06-06 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113376541A (zh) * 2021-06-04 2021-09-10 辽宁工程技术大学 一种基于crj网络的锂离子电池健康状态预测方法
CN113923224A (zh) * 2021-08-26 2022-01-11 国网河北省电力有限公司信息通信分公司 电力物联网任务卸载方法、服务器及终端
CN113923224B (zh) * 2021-08-26 2024-04-26 国网河北省电力有限公司信息通信分公司 电力物联网任务卸载方法、服务器及终端
CN114143355A (zh) * 2021-12-08 2022-03-04 华北电力大学 一种电力物联网低时延安全云边端协同方法
CN114143355B (zh) * 2021-12-08 2022-08-30 华北电力大学 一种电力物联网低时延安全云边端协同方法
CN113986562A (zh) * 2021-12-29 2022-01-28 中移(上海)信息通信科技有限公司 一种资源调度策略生成方法、装置及终端设备
CN114615294A (zh) * 2022-02-25 2022-06-10 广州鲁邦通物联网科技股份有限公司 一种电力物联网关边缘计算方法
CN115361688A (zh) * 2022-07-13 2022-11-18 西安电子科技大学 一种基于机器学习的工业无线边缘网关优化布局方案
CN115361688B (zh) * 2022-07-13 2023-11-10 西安电子科技大学 一种基于机器学习的工业无线边缘网关优化布局方案
CN115967962A (zh) * 2022-12-27 2023-04-14 广东技术师范大学 一种智能超表面辅助的端边协同计算迁移方法及系统

Also Published As

Publication number Publication date
CN111445111B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Nishio et al. Client selection for federated learning with heterogeneous resources in mobile edge
Ning et al. Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme
Chen et al. Deep reinforcement learning-based dynamic resource management for mobile edge computing in industrial internet of things
CN108777852A (zh) 一种车联网内容边缘卸载方法、移动资源分配系统
CN111475274A (zh) 云协同多任务调度方法及装置
Wu et al. Load balance guaranteed vehicle-to-vehicle computation offloading for min-max fairness in VANETs
Ren et al. Collaborative edge computing and caching with deep reinforcement learning decision agents
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN113918240A (zh) 任务卸载方法及装置
Wu et al. Optimal deploying IoT services on the fog computing: A metaheuristic-based multi-objective approach
CN113641504A (zh) 用于提升多智能体强化学习边缘计算效果的信息交互方法
Zhao et al. A digital twin-assisted intelligent partial offloading approach for vehicular edge computing
Wang et al. Task allocation mechanism of power internet of things based on cooperative edge computing
Lan et al. Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks
Li et al. Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment
CN113703984A (zh) 5g云边协同场景下基于soa架构的云任务优化策略方法
Yadav et al. An opposition-based hybrid evolutionary approach for task scheduling in fog computing network
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
Qin et al. Dynamic IoT service placement based on shared parallel architecture in fog-cloud computing
Gu et al. AI-Enhanced Cloud-Edge-Terminal Collaborative Network: Survey, Applications, and Future Directions
Wang et al. On Jointly optimizing partial offloading and SFC mapping: a cooperative dual-agent deep reinforcement learning approach
Shi et al. Workflow migration in uncertain edge computing environments based on interval many-objective evolutionary algorithm
Ren et al. A demand-driven incremental deployment strategy for edge computing in IoT network
Liu Animation art design online system based on mobile edge computing and user perception

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