CN111585816A - 一种基于自适应遗传算法的任务卸载决策方法 - Google Patents

一种基于自适应遗传算法的任务卸载决策方法 Download PDF

Info

Publication number
CN111585816A
CN111585816A CN202010393454.5A CN202010393454A CN111585816A CN 111585816 A CN111585816 A CN 111585816A CN 202010393454 A CN202010393454 A CN 202010393454A CN 111585816 A CN111585816 A CN 111585816A
Authority
CN
China
Prior art keywords
task
user
mec server
model
unloading
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
CN202010393454.5A
Other languages
English (en)
Other versions
CN111585816B (zh
Inventor
申滨
闫伟
刘笑笑
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010393454.5A priority Critical patent/CN111585816B/zh
Publication of CN111585816A publication Critical patent/CN111585816A/zh
Application granted granted Critical
Publication of CN111585816B publication Critical patent/CN111585816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0826—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network costs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于自适应遗传算法的任务卸载决策方法，属于移动边缘计算领域。通过针对单小区‑多用户MEC场景下的计算任务卸载，设计系统总开销优化函数，并提出卸载决策的优化问题。由于该类问题是非线性限制的0‑1规划问题，无法通过相应公式求解，但若使用枚举法求解，计算复杂度又过高，因此，需要使用启发式算法来求最优解。本发明采用一种自适应遗传算法，即交叉概率和变异概率能够随个体适应度函数自动改变，当种群各个适应度趋于一致或者趋于局部最优时，使交叉概率和变异概率二者增加、而当群体适应度比较分散时，使交叉概率和变异概率减少，从而防止算法进入局部最优解，更好地收敛于全局最优解，大大提高了算法的收敛速度。

Description

一种基于自适应遗传算法的任务卸载决策方法
技术领域
本发明属于移动边缘计算领域，涉及一种基于自适应遗传算法的任务卸载决策方法。
背景技术
近年来，随着移动通信技术的发展和智能终端的普及，各种网络服务和应用不断涌现，用户对网络服务质量、请求时延等网络性能的要求越来越高。尽管目前新型移动设备的中央处理单元(CPU,central processing unit)的处理能力越来越强大，但仍有很大可能在短时间内无法处理巨大的应用程序需求。此外，由移动设备依靠自身本地处理这些应用任务也面临着另一个问题，即电池电量快速消耗所引起的续航时间缩短问题。这些问题严重影响了应用程序在用户设备上的运行效率和用户体验。为了解决以上问题，欧洲电信标准协会提出了移动边缘计算(Mobile Edge Computing,MEC)技术，与传统云计算系统相比，它提供了无线接入网络内的计算能力。作为MEC的关键技术之一，任务卸载是指移动设备将计算密集型和延迟敏感型任务卸载到MEC服务器进行处理的技术，以解决移动设备在存储、计算性能以及能效等方面存在的不足。
在单小区-多用户场景下部署的MEC系统中，由于MEC服务器的计算能力有一定的限制，可能会限制所有用户都将计算任务卸载到MEC服务器上执行的可能性，因此需要设计合适的卸载决策。
发明内容
有鉴于此，本发明的目的在于提供一种基于自适应遗传算法的任务卸载决策方法。降低用户在此过程中的总开销。假设用户需要执行一定的计算任务，MEC服务器及用户设备本身均有一定的任务计算及处理能力，用户可以选择本地处理其自身的计算任务，也可将计算任务卸载到MEC服务器上处理。通过将用户任务的处理时延和能量消耗的加权和建模为优化目标，利用自适应遗传算法制定用户的任务卸载决策。
为达到上述目的，本发明提供如下技术方案：
一种基于自适应遗传算法的任务卸载决策方法，该方法包括以下步骤：
步骤一：单小区-多用户网络场景模型的构建；
步骤二：单小区-多用户网络场景任务卸载模型的构建；
构建单小区-多用户场景下的任务卸载模型，单小区-多用户场景下的任务卸载模型包括通信模型、计算模型以及系统总开销优化函数模型；
步骤三：基于自适应遗传算法的任务卸载策略；
通过初始化种群和编码、适应度函数设计、基因选择、交叉、变异遗传操作，最后得出最优的用户卸载决策。
可选的，所述单小区-多用户网络场景模型为宏基站BS小区下有K个移动用户，所有移动用户的集合表示为
Figure BDA0002486479830000021
BS与MEC服务器共址部署并相连，MEC服务器利用其计算资源协助处理移动用户卸载的计算任务。
可选的，所述单小区-多用户网络场景任务卸载模型包括通信模型、计算模型以及系统总开销优化函数模型：
(1)通信模型的构建
假设用户采用正交的上行传输信道，用户在计算卸载过程中彼此之间不会产生同频干扰；令Rk(pk)表示用户k以pk功率传输时的上行链路速率，表示为：
Figure BDA0002486479830000022
其中，Wk表示用户k对应的上行链路带宽，用户k可调节其上行传输功率为pk∈(0，pmax]，
Figure BDA0002486479830000023
表示系统上行链路总带宽，hk表示用户k到BS的上行链路功率增益，
Figure BDA0002486479830000024
表示BS对应于用户k的上行链路噪声功率；
(2)计算模型的构建
用户k的计算任务使用一个三元参数组来表示：
Figure BDA0002486479830000025
其中bk表示计算任务输入数据的大小，sk表示计算该任务所需的CPU周期数，
Figure BDA0002486479830000026
表示用户k所能容忍的最大时延，即任务若在
Figure BDA0002486479830000027
时间内完成，则不会影响用户的体验质量QoE；
假设任务
Figure BDA0002486479830000028
不能再分，即任务仅能够被整体处理，或者其已是最小任务单元；用户k通过监测应用配置获取任务输入数据大小bk及所需的计算资源信息sk；根据具体需求，用户选择在本地进行计算任务处理，或将计算任务卸载到基站侧的MEC服务器进行远端处理；
①当用户k选择本地执行任务时，令
Figure BDA0002486479830000029
表示用户k的本地计算能力，即CPU周期数；
Figure BDA00024864798300000210
表示本地执行任务完成时间，则有：
Figure BDA00024864798300000211
令
Figure BDA0002486479830000031
表示用户k本地执行任务所消耗的能量，表示为：
Figure BDA0002486479830000032
其中，能耗系数k值的大小取决于移动设备的芯片结构；
本地计算的开销包括本地设备执行此计算任务所对应产生的能量消耗和时延的加权和，根据公式(26)(27)，表示为：
Figure BDA0002486479830000033
其中，
Figure BDA0002486479830000034
且
Figure BDA0002486479830000035
分别为用户k对任务能耗和时延的偏好权重值；若用户k对任务完成时延要求高，则需增大
Figure BDA0002486479830000036
减小
Figure BDA0002486479830000037
即以增加能耗为代价来减小任务完成的时延；
②当用户k选择将任务卸载到MEC服务器进行计算时，令
Figure BDA0002486479830000038
表示任务在对应于用户远端的MEC服务器的处理时延，表示为：
Figure BDA0002486479830000039
其中，
Figure BDA00024864798300000310
和
Figure BDA00024864798300000311
分别表示任务的输入数据通过上行链路上传至MEC服务器以及任务在MEC服务器处理所对应的时延，并且有：
Figure BDA00024864798300000312
其中，
Figure BDA00024864798300000313
务处理时延，记作
Figure BDA00024864798300000314
表示为：
Figure BDA00024864798300000315
为保证任务正常处理，在公式(31)中，令fk表示MEC服务器分配给卸载用户的计算资源，假定fk≠0；
用户k卸载任务的远端处理能耗，记作
Figure BDA00024864798300000316
包含用户上传数据量所消耗的能量，忽略等待任务处理和结果返回阶段的待机能耗，表示为：
Figure BDA00024864798300000317
其中，ζ是设备传输功率放大器的效率；当用户k选择将任务卸载到MEC服务器进行处理时，其总开销包括任务上传至MEC服务器的能量消耗和任务在远端MEC服务器的执行时延的加权和，根据公式(29)(30)(31)(32)，表示如下
Figure BDA0002486479830000041
③系统总开销优化函数模型
令ak∈{0，1}表示用户k是否进行任务卸载的决策变量；当ak＝1时，用户k选择将任务卸载到基站MEC服务器执行；否则，用户k选择本地处理任务；本发明的主要目标是最小化用户在计算任务卸载过程中的总开销；在单小区-多用户的场景下，计算任务卸载的优化目标函数表示：
Figure BDA0002486479830000042
其中，A＝{a1，a2，…，aK}表示K个用户的卸载决策集合；约束条件C1表明用户任务仅能选择本地执行或者远端处理；约束条件C2表明由于系统带宽限制，假设各个用户上传时分配的链路带宽Wk皆相等，则有
Figure BDA0002486479830000043
表示小区内仅同时允许不超过N个用户进行数据上传；约束条件C3表示用户的计算任务处理时的总时延要小于用户所能容忍的最大时延。
可选的，所述基于自适应遗传算法的任务卸载策略包括：通过初始化种群和编码、适应度函数设计、基因选择、交叉和变异，得出最优的用户卸载决策。
本发明的有益效果在于：针对单小区-多用户MEC场景，本发明建立了一个多用户场景下的任务卸载模型，包括任务模型、通信模型以及计算模型。设计了系统总开销优化函数，并提出了基于自适应遗传算法的任务卸载决策方案，最终通过迭代求解得到最优的卸载决策。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为网络场景图；
图2为单点交叉示意图；
图3为基本位变异示意图；
图4为基于自适应遗传算法的卸载决策流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，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。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图4，为一种单小区-多用户场景下移动边缘计算任务卸载方法的具体实现过程：
1、当移动边缘计算和基站联合部署的时候，MEC服务器需要服务不止一个移动用户。每个移动设备需要通过无线接入网和MEC服务器进行网络通信，而MEC服务器又可以通过主干网络与远端的中心云服务器连接。同时，部署在网络边缘的MEC服务器由于资源有限，并不能满足过多数量的计算需求。
2、基于上述，给出单小区-多用户场景下任务卸载决策的具体技术方案。
2.1单小区-多用户场景任务卸载模型构建
为了方便问题的研究，接下来构建多用户场景下的任务卸载模型，包括通信模型、计算模型以及系统总开销优化函数模型。
本发明考虑图1所示的单小区-多用户移动边缘计算场景。具体地，宏基站(BaseStation，BS)小区下有K个移动用户，所有移动用户的集合表示为
Figure BDA0002486479830000061
BS与MEC服务器共址部署并相连，MEC服务器利用其计算资源协助处理移动用户卸载的计算任务。将移动用户k的计算任务表示为
Figure BDA0002486479830000062
bk表示计算任务输入数据的大小，sk表示计算该任务所需的CPU周期数，
Figure BDA0002486479830000063
表示用户k所能容忍的最大时延，即任务若在
Figure BDA0002486479830000064
时间内完成，则不会影响用户的体验质量(Quality of Experience，QoE)。假设任务
Figure BDA0002486479830000065
不可再分(即任务仅可被整体处理)或者其已是最小任务单元。用户k可以通过监测应用配置获取任务输入数据大小bk及所需的计算资源信息sk。根据具体需求，用户可选择在本地进行计算任务处理，或将计算任务卸载到基站侧的MEC服务器进行远端处理。
(1)通信模型的构建
在本模型中假设用户采用正交的上行传输信道，因此用户在计算卸载过程中彼此之间不会产生同频干扰。令Rk(pk)表示用户k以pk功率传输时的上行链路速率，可表示为：
Figure BDA0002486479830000066
其中，Wk表示用户k对应的上行链路带宽，用户可调节其上行传输功率pk∈(0，pmax]，
Figure BDA0002486479830000067
表示系统上行链路总带宽，hk表示用户k到BS的上行链路功率增益，
Figure BDA0002486479830000068
表示BS对应于用户k的上行链路噪声功率。
(2)计算模型的构建
用户k的计算任务使用一个三元组来表示：
Figure BDA0002486479830000069
其中bk表示计算任务输入数据的大小，sk表示计算该任务所需的CPU周期数，
Figure BDA00024864798300000610
表示用户k所能容忍的最大时延，即任务若在
Figure BDA00024864798300000611
时间内完成，则不会影响用户的体验质量(Quality ofExperience，QoE)。假设任务
Figure BDA00024864798300000612
不可再分(即任务仅可被整体处理)或者其已是最小任务单元。用户k可以通过监测应用配置获取任务输入数据大小bk及所需的计算资源信息sk。根据具体需求，用户可选择在本地进行计算任务处理，或将计算任务卸载到基站侧的MEC服务器进行远端处理。
①当用户k选择本地执行任务时，令
Figure BDA00024864798300000613
表示用户k的本地计算能力(CPU周期数)，
Figure BDA00024864798300000614
表示本地执行任务完成时间，则有：
Figure BDA00024864798300000615
令
Figure BDA0002486479830000071
表示用户k本地执行任务所消耗的能量，可表示为：
Figure BDA0002486479830000072
其中，能耗系数k值的大小取决于移动设备的芯片结构。
本地计算的开销包括本地设备执行此计算任务所对应产生的能量消耗和时延的加权和，根据公式(12)(13)，可表示为：
Figure BDA0002486479830000073
其中，
Figure BDA0002486479830000074
且
Figure BDA0002486479830000075
分别为用户k对任务能耗和时延的偏好权重值。若用户对任务完成时延要求高，则需增大
Figure BDA0002486479830000076
减小
Figure BDA0002486479830000077
即以增加能耗为代价来减小任务完成的时延。
②当用户k选择将任务卸载到MEC服务器进行计算时，令
Figure BDA0002486479830000078
表示任务在对应于用户远端的MEC服务器的处理时延，其可表示为：
Figure BDA0002486479830000079
其中，
Figure BDA00024864798300000710
和
Figure BDA00024864798300000711
分别表示任务的输入数据通过上行链路上传至MEC服务器以及任务在MEC服务器处理所对应的时延，并且有：
Figure BDA00024864798300000712
其中，
Figure BDA00024864798300000713
任务处理时延，记作
Figure BDA00024864798300000714
可表示为：
Figure BDA00024864798300000715
为保证任务正常处理，在公式(17)中，令fk表示MEC服务器分配给卸载用户的计算资源，假定fk≠0。
用户k卸载任务的远端处理能耗，记作
Figure BDA00024864798300000716
包含用户k上传数据量所消耗的能量(忽略等待任务处理和结果返回阶段的待机能耗)，可表示为：
Figure BDA00024864798300000717
其中，ζ是设备传输功率放大器的效率。
因此，当用户k选择将任务卸载到MEC服务器进行处理时，其总开销包括任务上传至MEC服务器的能量消耗和任务在远端MEC服务器的执行时延的加权和，根据公式(15)(16)(17)(18)，可表示如下
Figure BDA00024864798300000718
本发明主要考虑用户端的能耗和时延，省略了MEC服务器的计算能耗。一般地，由于返回时的数据量较小，也省略了接收返回数据时的用户的能耗和时延。
⑶系统总开销优化函数模型
令ak∈{0，1}表示用户k是否进行任务卸载的决策变量。当ak＝1时，用户k选择将任务卸载到基站MEC服务器执行；否则，用户k选择本地处理任务。本发明的主要目标是最小化用户在计算任务卸载过程中的总开销。根据上面的讨论，在单小区-多用户的场景下，计算任务卸载的优化目标函数表示：
Figure BDA0002486479830000081
其中，A＝{a1，a2，…，aK}表示K个用户的卸载决策集合。约束条件C1表明用户任务仅能选择本地执行或者远端处理；约束条件C2表明由于系统带宽限制，假设各个用户上传时分配的链路带宽Wk皆相等，则有
Figure BDA0002486479830000082
表示小区内仅可同时允许不超过N个用户进行数据上传。约束条件C3表示用户的计算任务处理时的总时延要小于用户所能容忍的最大时延
Figure BDA0002486479830000083
遗传算法是一种高效的全局搜索算法，在解决非线性、多峰、大空间、全局化等比较复杂的问题方面具有特定的优势，因模拟自然界中生物进化过程的“优胜劣汰”规律而出名，其主要思想是将目标优化问题的解编码成染色体，然后通过模拟染色体的遗传进化过程来逐渐逼近获取最优解。但是算法在寻优过程中，容易陷入局部最优解。
本发明采用一种自适应遗传算法，即交叉概率和变异概率能够随适应度自动改变，当种群各个适应度趋于一致或者趋于局部最优时，使交叉概率和变异概率二者增加、而当群体适应度比较分散时，使交叉概率和变异概率减少。从而防止算法进入局部最优解，更好地收敛全局最优解，大大提高了算法的收敛速度。
在步骤三中基于自适应遗传算法的任务卸载策略，其过程为：
(1)初始化种群和编码
在利用遗传算法对用户的任务卸载决策进行求解时，不能对解空间的参数直接进行处理，必须将它们转换成遗传空间中由基因按一定结构组成的染色体或个体，以方面后面的交叉和变异等遗传操作，这一转换操作称为编码。常见的编码方式主要包括：二进制编码、格雷码编码、符号编码等。
由于本发明中用户的卸载决策为0-1的二进制变量，因此选择二进制编码方式。令
Figure BDA0002486479830000091
表示初始种群集合，满足
Figure BDA0002486479830000092
而且网络中的用户总数为K，因此使用K个二进制位(基因)构造第i条染色体为
Figure BDA0002486479830000093
i∈{1，2，…，I}。算法1详细描述了生成初始种群集合
Figure BDA0002486479830000094
的过程，其中
Figure BDA0002486479830000095
表示第i条染色体中随机生成基因k的概率。
算法1种群初始化算法
Figure BDA0002486479830000096
(2)适应度函数设计
适应度体现了种群个体对周围环境的适应能力。在遗传算法中，通常需要选取合适的适应度函数，来作为评价染色体优劣的重要标准。如果个体的适应度函数越大，说明该个体的染色体越优良，在种群的繁衍进化的过程中更有机会保留其优秀的基因，遗传到下一代。
适应度函数用于评估可能的解决方案，并由此找到最优解。在本发明中，将用户总开销的倒数作为评价染色体优劣的适应度函数，表达式如下所示：
Figure BDA0002486479830000097
基于上式可以看出，一条染色体个体所对应的适应度函数越大，则其所对应的任务卸载决策的总开销越小，这正是基于遗传算法的任务卸载策略的求解目标。根据给定的适应度函数，遗传算法将在基因更新的迭代操作中找到渐进的最优解。
(3)选择运算
选择的目的是从当前种群中选择优质的个体而淘汰劣质个体，从而将优良的个体遗传到下一代。本发明根据个体的适应度函数值比例来进行选择操作，其基本思想是各个个体被选中的概率与其适应度函数值大小成正比。采用轮盘赌选择方法，从父代中选取一部分个体，构成子代种群集合
Figure BDA0002486479830000101
具体操作如下：
①首先根据公式(22)计算出每个个体遗传到下一代群体中的概率：
Figure BDA0002486479830000102
其中f(Ai)为公式(21)中描述的个体Ai的适应度函数值。
②然后计算出每个个体的累积概率：
Figure BDA0002486479830000103
在得到个体的累计概率后，然后通过随机产生[0,1]之间的个体选择点r，判断其在累计概率序列中的位置进行个体的选择，最终得到选择后的种群集合
Figure BDA0002486479830000104
其具体流程如算法2所示。
算法2选择算法
Figure BDA0002486479830000105
Figure BDA0002486479830000111
(4)交叉和变异运算
遗传基因的重组(交叉和变异)是自然界生物进化的基础。在遗传算法中交叉操作是指首先将种群中的染色体进行两两配对，然后将两个染色体上的部分基因进行交换操作，从而产生优良个体的过程，增强了算法的全局搜索能力。常见的交叉方法包括：单点交叉、多点交叉、均匀交叉等。
本发明选择常见的单点交叉对染色体进行操作，具体操作为：在两个相互配对的染色体个体中随机选择基因交叉点e，并将该点的基因概率re与交叉概率Pc进行比较，若小于等于Pc，则在该点相互交换两个染色体的部分基因，从而产生两个新个体。单点交叉操作的算法流程如算法3所示。
算法3单点交叉算法
Figure BDA0002486479830000112
Figure BDA0002486479830000121
变异操作是模拟生物种群在自然的环境中由于偶然因素引起的基因突变。变异操作的主要内容是对群体中染色体上的基因值按照某种规则进行变动，以增强算法的局部搜索能力。常见的变异方式有：基本位变异、均匀变异、高斯变异等。本发明采用适合二进制编码变异的方式：基本位变异。即染色体个体中的某个基因值概率
Figure BDA0002486479830000122
与变异概率Pm进行判断来决定是否发生改变，即0→1或者1→0的变动。其具体流程如算法4所示。
算法4基本位变异算法
Figure BDA0002486479830000123
(5)自适应的交叉和变异概率
在遗传算法中交叉概率和变异概率的选取直接影响着算法的收敛速度，当交叉概率选取过大时，可能导致群体产生新个体的速度加快，全局搜索能力增强，因而不利于具有高适应度个体的基因结构遗传到下一代；如果交叉概率选取的过小，则会使算法的搜索速度过慢，以至于停滞不前。针对变异概率来说，如果其概率值选取过小，则可能导致不易产生新的基因型个体，使其陷入局部最优解。而若变异概率取值过大，遗传算法就成为了纯粹的随机搜索算法。因此针对不同目标优化问题，选取合适的交叉概率和变异概率成为遗传算法需要解决的问题。
本发明采用可以根据个体的适应值做动态变化的交叉概率Pc和变异概率Pm，使其更好地保留种群中的优良个体，使算法收敛于全局最优。针对以上问题，本章对交叉概率Pc和变异概率Pm做出相应的改进，其表示为：
Figure BDA0002486479830000131
其中，fmax表示种群个体中的最大适应度值；favg表示整个种群的平均适应值；f表示种群中选择交叉操作的两个个体中较大的适应度值；f′是变异个体的适应度值；β1、β2、β3和β4为常数。
(6)遗传终止条件
通过上述的遗传操作，能够得到新一代的种群。然后根据公式(21)计算出新一代种群个体的适应度值。若该种群的最大适应度值与平均适应度值变化不大，即|fmax-favg|≤ξ(ξ取0.0015)，或者已经达到预设的种群最大进化次数Gmax，则算法停止，输出最优的适应度值以及所对应的卸载决策。否则继续执行算法，直到满足停止条件。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于自适应遗传算法的任务卸载决策方法，其特征在于：该方法包括以下步骤：
步骤一：单小区-多用户网络场景模型的构建；
步骤二：单小区-多用户网络场景任务卸载模型的构建；
构建单小区-多用户场景下的任务卸载模型，单小区-多用户场景下的任务卸载模型包括通信模型、计算模型以及系统总开销优化函数模型；
步骤三：基于自适应遗传算法的任务卸载策略；
通过初始化种群和编码、适应度函数设计、基因选择、交叉、变异遗传操作，最后得出最优的用户卸载决策。
2.根据权利要求1所述的一种基于自适应遗传算法的任务卸载决策方法，其特征在于：所述单小区-多用户网络场景模型为宏基站BS小区下有K个移动用户，所有移动用户的集合表示为
Figure FDA0002486479820000011
BS与MEC服务器共址部署并相连，MEC服务器利用其计算资源协助处理移动用户卸载的计算任务。
3.根据权利要求1所述的一种基于自适应遗传算法的任务卸载决策方法，其特征在于：所述单小区-多用户网络场景任务卸载模型包括通信模型、计算模型以及系统总开销优化函数模型：
(1)通信模型的构建
假设用户采用正交的上行传输信道，用户在计算卸载过程中彼此之间不会产生同频干扰；令Rk(pk)表示用户k以pk功率传输时的上行链路速率，表示为：
Figure FDA0002486479820000012
其中，Wk表示用户k对应的上行链路带宽，用户k可调节其上行传输功率为pk∈(0，pmax]，
Figure FDA0002486479820000013
表示系统上行链路总带宽，hk表示用户k到BS的上行链路功率增益，
Figure FDA0002486479820000014
表示BS对应于用户k的上行链路噪声功率；
(2)计算模型的构建
用户k的计算任务使用一个三元参数组来表示：
Figure FDA0002486479820000015
其中bk表示计算任务输入数据的大小，sk表示计算该任务所需的CPU周期数，
Figure FDA0002486479820000016
表示用户k所能容忍的最大时延，即任务若在
Figure FDA0002486479820000017
时间内完成，则不会影响用户的体验质量QoE；
假设任务
Figure FDA0002486479820000018
不能再分，即任务仅能够被整体处理，或者其已是最小任务单元；用户k通过监测应用配置获取任务输入数据大小bk及所需的计算资源信息sk；根据具体需求，用户选择在本地进行计算任务处理，或将计算任务卸载到基站侧的MEC服务器进行远端处理；
①当用户k选择本地执行任务时，令
Figure FDA0002486479820000021
表示用户k的本地计算能力，即CPU周期数；
Figure FDA0002486479820000022
表示本地执行任务完成时间，则有：
Figure FDA0002486479820000023
令
Figure FDA0002486479820000024
表示用户k本地执行任务所消耗的能量，表示为：
Figure FDA0002486479820000025
其中，能耗系数k值的大小取决于移动设备的芯片结构；
本地计算的开销包括本地设备执行此计算任务所对应产生的能量消耗和时延的加权和，根据公式(26)(27)，表示为：
Figure FDA0002486479820000026
其中，
Figure FDA0002486479820000027
且
Figure FDA0002486479820000028
分别为用户k对任务能耗和时延的偏好权重值；若用户k对任务完成时延要求高，则需增大
Figure FDA0002486479820000029
减小
Figure FDA00024864798200000210
即以增加能耗为代价来减小任务完成的时延；
②当用户k选择将任务卸载到MEC服务器进行计算时，令
Figure FDA00024864798200000211
表示任务在对应于用户远端的MEC服务器的处理时延，表示为：
Figure FDA00024864798200000212
其中，
Figure FDA00024864798200000213
和
Figure FDA00024864798200000214
分别表示任务的输入数据通过上行链路上传至MEC服务器以及任务在MEC服务器处理所对应的时延，并且有：
Figure FDA00024864798200000215
其中，
Figure FDA00024864798200000216
务处理时延，记作
Figure FDA00024864798200000217
表示为：
Figure FDA00024864798200000218
为保证任务正常处理，在公式(31)中，令fk表示MEC服务器分配给卸载用户的计算资源，假定fk≠0；
用户k卸载任务的远端处理能耗，记作
Figure FDA00024864798200000219
包含用户上传数据量所消耗的能量，忽略等待任务处理和结果返回阶段的待机能耗，表示为：
Figure FDA0002486479820000031
其中，ζ是设备传输功率放大器的效率；当用户k选择将任务卸载到MEC服务器进行处理时，其总开销包括任务上传至MEC服务器的能量消耗和任务在远端MEC服务器的执行时延的加权和，根据公式(29)(30)(31)(32)，表示如下
Figure FDA0002486479820000032
③系统总开销优化函数模型
令ak∈{0，1}表示用户k是否进行任务卸载的决策变量；当ak＝1时，用户k选择将任务卸载到基站MEC服务器执行；否则，用户k选择本地处理任务；本发明的主要目标是最小化用户在计算任务卸载过程中的总开销；在单小区-多用户的场景下，计算任务卸载的优化目标函数表示：
Figure FDA0002486479820000033
其中，A＝{a1，a2，…，aK}表示K个用户的卸载决策集合；约束条件C1表明用户任务仅能选择本地执行或者远端处理；约束条件C2表明由于系统带宽限制，假设各个用户上传时分配的链路带宽Wk皆相等，则有
Figure FDA0002486479820000034
表示小区内仅同时允许不超过N个用户进行数据上传；约束条件C3表示用户的计算任务处理时的总时延要小于用户所能容忍的最大时延。
4.根据权利要求1所述的一种基于自适应遗传算法的任务卸载决策方法，其特征在于：所述基于自适应遗传算法的任务卸载策略包括：通过初始化种群和编码、适应度函数设计、基因选择、交叉和变异，得出最优的用户卸载决策。
CN202010393454.5A 2020-05-11 2020-05-11 一种基于自适应遗传算法的任务卸载决策方法 Active CN111585816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010393454.5A CN111585816B (zh) 2020-05-11 2020-05-11 一种基于自适应遗传算法的任务卸载决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010393454.5A CN111585816B (zh) 2020-05-11 2020-05-11 一种基于自适应遗传算法的任务卸载决策方法

Publications (2)

Publication Number Publication Date
CN111585816A true CN111585816A (zh) 2020-08-25
CN111585816B CN111585816B (zh) 2022-07-01

Family

ID=72126480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010393454.5A Active CN111585816B (zh) 2020-05-11 2020-05-11 一种基于自适应遗传算法的任务卸载决策方法

Country Status (1)

Country Link
CN (1) CN111585816B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111918311A (zh) * 2020-08-12 2020-11-10 重庆邮电大学 基于5g移动边缘计算的车联网任务卸载和资源分配方法
CN112181655A (zh) * 2020-09-30 2021-01-05 杭州电子科技大学 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN112235835A (zh) * 2020-09-09 2021-01-15 广州大学 一种时变移动边缘计算网络的动态卸载方法
CN112231009A (zh) * 2020-09-17 2021-01-15 浙江工业大学 一种能量捕获网络模型任务计算卸载决策与调度方法
CN112256345A (zh) * 2020-10-10 2021-01-22 深圳供电局有限公司 一种基于最先适应算法和遗传算法的计算任务卸载方法
CN112272102A (zh) * 2020-09-11 2021-01-26 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112512063A (zh) * 2020-11-25 2021-03-16 福州大学 基于射频能量收集的无人机协助边缘计算的资源分配方法
CN112512056A (zh) * 2020-11-14 2021-03-16 北京工业大学 一种移动边缘计算网络中多目标优化的计算卸载方法
CN112949200A (zh) * 2021-03-15 2021-06-11 成都优乐控智能科技有限责任公司 一种边缘计算任务分割方法
CN113163004A (zh) * 2021-04-09 2021-07-23 北京易华录信息技术股份有限公司 一种工业互联网边缘任务卸载决策方法、装置及存储介质
CN116155728A (zh) * 2023-04-23 2023-05-23 华东交通大学 超密集网络中计算卸载与资源优化方法
CN117195738A (zh) * 2023-09-27 2023-12-08 广东翼景信息科技有限公司 一种面向无人机走廊的基站天线设置与上倾角优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158855A (zh) * 2014-07-24 2014-11-19 浙江大学 基于遗传算法的移动服务组合计算卸载方法
CN104469780A (zh) * 2014-11-14 2015-03-25 北京邮电大学 一种上下行时隙资源与频率资源二维联合分配方法与装置
US20170164237A1 (en) * 2015-12-03 2017-06-08 The Trustees Of The Stevens Institute Of Technology System Apparatus And Methods For Cognitive Cloud Offloading In A Multi-Rat Enabled Wireless Device
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110069325A (zh) * 2018-09-05 2019-07-30 西南民族大学 基于任务分类的移动边缘计算任务调度方法
CN110766159A (zh) * 2019-09-29 2020-02-07 南京理工大学 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104158855A (zh) * 2014-07-24 2014-11-19 浙江大学 基于遗传算法的移动服务组合计算卸载方法
CN104469780A (zh) * 2014-11-14 2015-03-25 北京邮电大学 一种上下行时隙资源与频率资源二维联合分配方法与装置
US20170164237A1 (en) * 2015-12-03 2017-06-08 The Trustees Of The Stevens Institute Of Technology System Apparatus And Methods For Cognitive Cloud Offloading In A Multi-Rat Enabled Wireless Device
CN110069325A (zh) * 2018-09-05 2019-07-30 西南民族大学 基于任务分类的移动边缘计算任务调度方法
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110766159A (zh) * 2019-09-29 2020-02-07 南京理工大学 基于改进遗传算法的多uav服务边缘计算的任务分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛海波等: "改进遗传算法的边缘计算卸载策略", 《西安邮电大学学报》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111918311A (zh) * 2020-08-12 2020-11-10 重庆邮电大学 基于5g移动边缘计算的车联网任务卸载和资源分配方法
CN111918311B (zh) * 2020-08-12 2022-04-12 重庆邮电大学 基于5g移动边缘计算的车联网任务卸载和资源分配方法
CN112235835A (zh) * 2020-09-09 2021-01-15 广州大学 一种时变移动边缘计算网络的动态卸载方法
CN112272102B (zh) * 2020-09-11 2023-07-14 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112272102A (zh) * 2020-09-11 2021-01-26 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112231009A (zh) * 2020-09-17 2021-01-15 浙江工业大学 一种能量捕获网络模型任务计算卸载决策与调度方法
CN112231009B (zh) * 2020-09-17 2024-04-16 浙江工业大学 一种能量捕获网络模型任务计算卸载决策与调度方法
CN112181655A (zh) * 2020-09-30 2021-01-05 杭州电子科技大学 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN112256345A (zh) * 2020-10-10 2021-01-22 深圳供电局有限公司 一种基于最先适应算法和遗传算法的计算任务卸载方法
CN112512056A (zh) * 2020-11-14 2021-03-16 北京工业大学 一种移动边缘计算网络中多目标优化的计算卸载方法
CN112512056B (zh) * 2020-11-14 2022-10-18 北京工业大学 一种移动边缘计算网络中多目标优化的计算卸载方法
CN112512063A (zh) * 2020-11-25 2021-03-16 福州大学 基于射频能量收集的无人机协助边缘计算的资源分配方法
CN112949200A (zh) * 2021-03-15 2021-06-11 成都优乐控智能科技有限责任公司 一种边缘计算任务分割方法
CN112949200B (zh) * 2021-03-15 2022-10-25 成都优乐控智能科技有限责任公司 一种边缘计算任务分割方法
CN113163004B (zh) * 2021-04-09 2023-01-24 北京易华录信息技术股份有限公司 一种工业互联网边缘任务卸载决策方法、装置及存储介质
CN113163004A (zh) * 2021-04-09 2021-07-23 北京易华录信息技术股份有限公司 一种工业互联网边缘任务卸载决策方法、装置及存储介质
CN116155728A (zh) * 2023-04-23 2023-05-23 华东交通大学 超密集网络中计算卸载与资源优化方法
CN117195738A (zh) * 2023-09-27 2023-12-08 广东翼景信息科技有限公司 一种面向无人机走廊的基站天线设置与上倾角优化方法
CN117195738B (zh) * 2023-09-27 2024-03-12 广东翼景信息科技有限公司 一种面向无人机走廊的基站天线设置与上倾角优化方法

Also Published As

Publication number Publication date
CN111585816B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN111585816B (zh) 一种基于自适应遗传算法的任务卸载决策方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN111182582B (zh) 面向移动边缘计算的多任务分布式卸载方法
CN111930436A (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN113781002B (zh) 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
CN111726854B (zh) 一种降低物联网计算卸载能耗的方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN113626104B (zh) 边云架构下基于深度强化学习的多目标优化卸载策略
CN112650581A (zh) 一种面向智能楼宇的云边协同任务调度方法
CN113573363B (zh) 基于深度强化学习的mec计算卸载与资源分配方法
Zhu et al. Computing offloading strategy using improved genetic algorithm in mobile edge computing system
CN112083967B (zh) 一种云边端计算任务的卸载方法、计算机设备及存储介质
CN114205791A (zh) 一种基于深度q学习的社交感知d2d协同缓存方法
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN116089091A (zh) 基于物联网边缘计算的资源分配和任务卸载方法
CN116185523A (zh) 一种任务卸载和部署的方法
Dou et al. Mobile edge computing based task offloading and resource allocation in smart grid
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
CN117119486A (zh) 一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
CN109561129B (zh) 一种基于光纤-无线网络的协同计算卸载方法
CN109195222B (zh) 一种基于统计特性参考的功率分配方法

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