CN111694664A - 一种边缘服务器的计算卸载分配方法 - Google Patents

一种边缘服务器的计算卸载分配方法 Download PDF

Info

Publication number
CN111694664A
CN111694664A CN202010497910.0A CN202010497910A CN111694664A CN 111694664 A CN111694664 A CN 111694664A CN 202010497910 A CN202010497910 A CN 202010497910A CN 111694664 A CN111694664 A CN 111694664A
Authority
CN
China
Prior art keywords
user terminal
vector
objective
edge server
function
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
CN202010497910.0A
Other languages
English (en)
Other versions
CN111694664B (zh
Inventor
黄梦醒
翟乾皓
冯思玲
罗再赐
邓扬
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.)
Hainan University
Original Assignee
Hainan University
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 Hainan University filed Critical Hainan University
Priority to CN202010497910.0A priority Critical patent/CN111694664B/zh
Publication of CN111694664A publication Critical patent/CN111694664A/zh
Application granted granted Critical
Publication of CN111694664B publication Critical patent/CN111694664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种边缘服务器的计算卸载分配方法，该方法包括如下步骤：依据每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比构建待优化向量利用第一目标子函数、第二目标子函数和第三目标子函数，以构造目标优化函数，第一目标子函数为所有用户终端上本地执行任务的计算时间和边缘服务器上执行任务的计算时间的总和，第二目标子函数为所有用户终端上本地执行任务的能量消耗和边缘服务器上执行任务的能量消耗的总和，第三目标子函数为边缘服务器上执行任务所产生的资费的总和，利用目标优化函数求解待优化向量的优化值，依据待优化向量的优化值对每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比进行相应的配置。

Description

一种边缘服务器的计算卸载分配方法
技术领域
本发明属于云边缘服务器计算领域，具体涉及一种边缘服务器的计算卸载 分配方法。
背景技术
随着互联网的快速发展和4G/5G无线网络的普及，万物互联的时代已经到 来，网络边缘设备数量的迅速增加，使得该类设备所产生的数据爆炸式增长， 已经达到了ZB级别。以云计算模型为核心的集中式大数据处理时代，其关键 技术已经不能高效处理网络边缘设备所产生的数据，主要表现在：1)集中式的 云计算能力呈线性增长，无法匹配爆炸式增长的海量边缘数据；2)网络边缘设 备需传输海量数据到云中心，而云中心则将处理后的结果返回用户，由此产生 的传输致使网络传输带宽的负载量急剧增加，造成较长的网络延迟；3)边缘设 备会产生用户的私密数据，将这些数据交由云计算中心无疑会破坏用户数据的 私密性4)网络边缘设备与云中心传输数据的过程会产生电能消耗。由此，以 边缘计算模型(MEC)为核心的边缘式大数据处理应运而生，与现有以云计算 模型为核心的集中式大数据处理相结合，二者相辅相成，应用于云中心和网络 边缘端的大数据处理，较好地解决了上述问题。
图1为现有技术中的边缘计算模型的示意图。如图1所示，边缘计算，是 指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体 的开放平台，就近提供最近端服务。而边缘计算中十分重要的问题是计算卸载 问题，即计算用户终端(UE)与MEC服务器(MEC Server)的任务分配情况。 现有移动边缘计算的卸载策略考虑两个目标：一是使得完成计算任务的总时间 最小(即从开始任务到得到最终计算结果的总时间最小，主要时间包括在UE 与MEC Server分别的执行时间，以及UE与MEC Server之间数据传输所花费的时间)，二是使得完成任务的总能耗最小(主要包括在UE与MEC Server分 别执行的能耗，以及UE与MEC Server之间数据传输的能耗)。然而，用户的 设备通过互联网进行的数据上传与下载，均需要支付一定的费用。事实上，截 止到2019年12月8日，中国移动超出流量按0.29元/MB收费(数据来源于百 度知道)。在数据规模日益庞大的今天，这是一笔不容忽视的经济开销。
现有的优化方法，多采用基于分解的多目标优化算法，同时优化总时间与 总能耗，并将动态电压频率调整技术引入MOEA/D中，在不增加总时间的前 提下，调节移动设备的CPU时钟频率以进一步降低移动设备的总能耗。该方 法存在的以下不足，其将计算卸载问题视为0-1整数规划，这就造成了UE的 任务分割变得极端，限制了UE任务分割的灵活性。同时尽管MOEA/D已表现 出较强的性能，但对于复杂前沿的多目标优化问题，其得到的非支配解极不均 匀，同时，对于高维多目标优化问题，其在分布性处理方面也不是很好。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种边缘服务器的计 算卸载分配方法，旨在解决现有的复杂前沿的多目标优化问题无法再兼顾能耗 和时间最小化的同时，兼顾流量资费的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种边缘服务器的计算 卸载分配方法，该方法包括如下步骤：
依据每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比 构建待优化向量，获取关于待优化向量的第一目标子函数、第二目标子函数和 第三目标子函数，其中，第一目标子函数为所有用户终端上本地执行任务的计 算时间和边缘服务器上执行任务的计算时间的总和，第二目标子函数为所有用 户终端上本地执行任务的能量消耗和边缘服务器上执行任务的能量消耗的总 和，第三目标子函数为边缘服务器上执行任务所产生的资费的总和；
利用第一目标子函数、第二目标子函数和第三目标子函数构造关于待优化 向量的目标优化函数，利用目标优化函数求解待优化向量的优化值，依据待优 化向量的优化值对每个用户终端在边缘服务器上执行的任务在每个用户终端任 务的占比进行相应的配置。
作为本发明的进一步改进，第一目标子函数的获取方式具体为：
将待优化向量表示为X＝(x1,x2,...,xn)，其中，xi(i＝1,2,...,n)表示用户终端i在 边缘服务器上执行的任务在用户终端i所有任务的占比，定义集合C＝{c1,c2,...,cn}，ci表示用户终端i的任务所需要的CPU周期总数，定义集合B＝{b1,b2,...,bn}，其中 bi表示用户终端i的任务的数据大小；
用户终端i在本地执行任务的计算总时间
Figure BDA0002523621910000031
如下：
Figure BDA0002523621910000032
其中，
Figure BDA0002523621910000033
是用户终端i的计算能力；
用户终端i在边缘服务器执行的计算总时间
Figure BDA0002523621910000034
如下：
Figure BDA0002523621910000035
其中，
Figure BDA0002523621910000036
表示边缘服务器分配给用户终端i的任务的计算能力；
Figure BDA0002523621910000037
即用 户终端i向边缘服务器传输数据的时间，
Figure BDA0002523621910000038
即用户终端i在MEC服务器上任 务的执行时间；ri为用户终端i的传输速率；
第一目标子函数的表达式为：
Figure BDA0002523621910000039
作为本发明的进一步改进，第二目标子函数的获取方式具体为：
将待优化向量表示为X＝(x1,x2,...,xn)，其中，xi(i＝1,2,...,n)表示用户终端i在 边缘服务器上执行的任务在用户终端i所有任务的占比，定义集合C＝{c1,c2,...,cn}，ci表示用户终端i的任务所需要的CPU周期总数，定义集合B＝{b1,b2,...,bn}，其中 bi表示用户终端i的任务的数据大小；
得用户终端i本地执行任务的计算消耗
Figure BDA00025236219100000310
为：
Figure BDA0002523621910000041
η是一个常数系数，用以表示每个CPU周期消耗能量的系数，
Figure BDA0002523621910000042
是用户终 端i的计算能力；
用户终端i在边缘服务器执行任务的计算消耗
Figure BDA0002523621910000043
为：
Figure BDA0002523621910000044
其中，
Figure BDA0002523621910000045
表示用户终端i将任务传输给边缘服务器产生的能量消耗，
Figure BDA0002523621910000046
表示边缘服务器执行用户终端i的任务产生的能量消耗；ri为用户终端 i的传输速率；
Figure BDA0002523621910000047
表示边缘服务器分配给用户终端i的任务的计算能力；pi是用 户终端i的传输功率；
第二目标子函数的表达式为：
Figure BDA0002523621910000048
作为本发明的进一步改进，第三目标子函数的获取方式具体为：
将待优化向量表示为X＝(x1,x2,...,xn)，其中，xi(i＝1,2,...,n)表示用户终端i在 边缘服务器上执行的任务在用户终端i所有任务的占比，定义集合 B＝{b1,b2,...,bn}，其中bi表示用户终端i的任务的数据大小；
定义用户终端i在边缘服务器执行任务所产生的资费Qi为：
Qi＝βbi
其中，β表示的是每MB数据的资费；
所述第三目标子函数的表达式为：
Figure BDA0002523621910000049
作为本发明的进一步改进，获取目标优化函数关于待优化向量的非支配解 集合，依据非支配解的拥挤度对所有的非支配解进行排序，以获取待优化向量 的优化值。
作为本发明的进一步改进，非支配解的拥挤度的获取过程具体为：
对非支配解集合中的向量X1,X2,...,Xk，分别代入第一目标子函数f1(X)并 依据第一目标子函数值的大小进行排序得到
Figure BDA0002523621910000051
满足
Figure BDA0002523621910000052
分别代入第二目标子函数f2(X)并依据第二目标子函数值的大 小进行排序得到
Figure BDA0002523621910000053
满足
Figure BDA0002523621910000054
分别代入第三目标 子函数f3(X)并依据第三目标子函数值的大小得到
Figure BDA0002523621910000055
满足
Figure BDA0002523621910000056
计算非支配解集合Ht中所有向量的拥挤度，第i个非支配解Xi的拥挤度计 算公式表示为：
Figure BDA0002523621910000057
其中，
Figure BDA0002523621910000058
表示
Figure BDA0002523621910000059
排序中与fj(Xi)对应的序号的下一个序号的值，
Figure BDA00025236219100000510
表示
Figure BDA00025236219100000511
排序中与fj(Xi)对应的序号的上一个序号的值，fj(Xi)为第i 个非支配解Xi代入第j个目标子函数的值；若
Figure BDA00025236219100000512
则
Figure BDA00025236219100000513
若
Figure BDA00025236219100000514
则
Figure BDA00025236219100000515
作为本发明的进一步改进，依据拥挤度大小对集合中的向量X1,X2,...,Xk进行降序排序，X1,X2,...,Xk排序的结果记为F1,F2,...,Fk，其中，Fi对应决策向 量
Figure BDA00025236219100000516
且
Figure BDA00025236219100000517
使用轮盘赌选择法从新的非支配解集合Ht中选择每一代的最优目标函数向量Fbest，每个目标函数向量被选择的概率计算公 式为：
Figure BDA00025236219100000518
以此概率随机从新的非支配解集合Ht中选择一个的最优目标函数向量并 记为
Figure BDA00025236219100000519
其对应的决策向量为最优决策向量。
作为本发明的进一步改进，采用多目标鲸鱼优化算法获取各个决策向量的 位移，即随机生成三个范围在[0,1]的实数r1、r2、q，以计算W与G，其中，
W＝2·a·r1-a
G＝2·r2
a是一个从2到0线性下降的系数，其表达式为
Figure BDA0002523621910000061
Maxiter为 最大迭代次数；
定义
Figure RE-GDA0002567791090000062
Figure RE-GDA0002567791090000063
为当前迭代第j个向量，
Figure RE-GDA0002567791090000064
为当前最优向量，下 一次迭代第j个向量
Figure RE-GDA0002567791090000065
的更新具体为：
如果q＜q'且并且|W|>1，则按照“随机游走”的方法更新当前决策向量族A 中的第j行
Figure BDA0002523621910000066
具体公式如下，
Figure BDA0002523621910000067
Figure BDA0002523621910000068
其中，Xrand是一个随机生成的n维向量，每个元素都在[0,1]的范围内；
如果q＜q'并且|W|≤1，则“按照环绕”的方法更新当前决策向量族A中的 第j行
Figure BDA0002523621910000069
具体公式如下，
Figure BDA00025236219100000610
Figure BDA00025236219100000611
如果q≥q'，则按照“气泡网攻击”的方法更新当前决策向量族A中的第j 行
Figure BDA00025236219100000612
具体公式如下，
Figure BDA00025236219100000613
Figure BDA00025236219100000614
e为自然常数，d为对数螺旋常数，l的计算公式如下：
Figure BDA00025236219100000615
l＝(a2-1)·r3+1
其中，r3是随机生成的范围在[0,1]的实数。
作为本发明的进一步改进，使用均值漂移算法对达到最大迭代次数Maxiter 时得到的非支配解集合HMaxiter进行聚类以简化非支配解集合，以此减少最终决 策集合中分布较为密集的解。
为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质， 其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得 终端设备上述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下 有益效果：
本发明的一种边缘服务器的计算卸载分配方法，比传统的仅考虑能耗和时 间最小化的计算卸载，额外考虑了流量资费代价作为目标之一，在实际情况下， 用户的流量资费也是一笔不可忽视的经济开销，这直接关系到用户的切身利益 以及对于服务的满意度，减小计算过程中用户的流量资费，对于保障用户权益 以及提升用户的满意度是十分必要的。
本发明的一种边缘服务器的计算卸载分配方法，对比传统的将计算卸载问 题线性加权后转化为单目标问题的方法，本发明将此问题看作多目标优化问题， 最终得到非支配解集合，更好地保存了解的多样性，提供给决策者多个合理的 卸载决策。在实际情况下，决策者更希望得到的是多个合理的决策方案，从而 根据个人偏好进行选择，而不是仅仅提供一个方案。
本发明的一种边缘服务器的计算卸载分配方法，对比传统的边缘计算系统 模型将此问题看作是一个0-1整数规划问题，其采用了[0,1]之间连续空间的取 值方式，更符合现实中的计算卸载问题。在实际情况下，可以减少边缘计算在 计算过程中产生的时间、能耗、流量资费，促进能源节约，提升用户体验和满 意度
本发明的一种边缘服务器的计算卸载分配方法，对比传统的采用了联合卸 载决定和资源优化的任务卸载算法，该方法不需要逐步求解，而是利用改进的 多目标WOA算法一步完成优化，减小了计算过程中的误差，使结果更加精确。
本发明的一种边缘服务器的计算卸载分配方法，采用改进后的鲸鱼优化算 法(WOA)。相比传统的人工鱼群算法，改进的WOA取得了更好的应用效果， WOA算法收敛速度更快，收敛精度更高，需要设置的参数少，算法的稳定性 和鲁棒性得到进一步提升，相较于原始的WOA算法，能有效的防止过早收敛、 提高种群多样性。
本发明的一种边缘服务器的计算卸载分配方法，采用值漂移算法对非支配 解集合进行简化，剔除了冗余的解。在实际情况下，多个相似的解对于决策者 的决策会产生极大的干扰，在对非支配解集合进行简化后，可以提高决策的效 率，帮助决策者更好地进行选择。
附图说明
图1为现有技术中的边缘计算模型的示意图；
图2为本发明实施例的一种具体实施方式的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此 之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细 说明。
一种边缘服务器的计算卸载分配方法，该方法包括如下步骤：
依据每个用户终端在边缘服务器(MEC服务器)上执行的任务在每个用户 终端任务的占比构建待优化向量，获取关于待优化向量的第一目标子函数、第 二目标子函数和第三目标子函数，其中，第一目标子函数为所有用户终端上本 地执行任务的计算时间和边缘服务器上执行任务(计算卸载)的计算时间的总 和，第二目标子函数为所有用户终端上本地执行任务的能量消耗和边缘服务器 上执行任务(计算卸载)的能量消耗的总和，第三目标子函数为边缘服务器上 执行任务(计算卸载)所产生的资费的总和；
利用第一目标子函数、第二目标子函数和第三目标子函数构造关于待优化 向量的目标优化函数，利用目标优化函数求解待优化向量的优化值，依据待优 化向量的优化值对每个用户终端在边缘服务器上执行的任务在每个用户终端任 务的占比进行相应的配置，以使得每个用户终端的本地执行任务能同时兼顾计 算时间、消耗和资费，达到用户终端资源和资费的合理分配。本领域技术人员 知晓，利用目标优化函数求解待优化向量的优化值可利用各种优化算法来实现， 可以函数的不同构建方式依据需要选择相应的优化算法来实现。
作为一个示例，可以利用将待优化向量表示为X＝(x1,x2,...,xn)，其中， xi(i＝1,2,...,n)表示用户终端i在服务器(如MEC服务器)上执行的任务在用户终 端i所有任务的占比，定义集合C＝{c1,c2,...,cn}，ci表示用户终端i的任务所需要的 CPU周期总数，定义集合B＝{b1,b2,...,bn}，其中bi表示用户终端i的任务的数据大 小，因此，定义用户终端i在本地执行任务的计算总时间
Figure BDA0002523621910000091
如下：
Figure BDA0002523621910000092
其中，
Figure BDA0002523621910000093
是用户终端i的计算能力(每秒的CPU周期数)。
由此，可得用户终端i本地执行任务的计算消耗
Figure BDA0002523621910000094
为：
Figure BDA0002523621910000095
η是一个常数系数，用以表示每个CPU周期消耗能量的系数，一般情况下， 取1×10-26。
定义用户终端i在MEC服务器执行的计算总时间
Figure BDA0002523621910000096
如下：
Figure BDA0002523621910000097
其中，
Figure BDA0002523621910000098
表示MEC服务器分配给用户终端i的任务的计算能力，可以假 设是平均分配的，即
Figure BDA0002523621910000099
Figure BDA00025236219100000910
即用户终端i向MEC服务器传输数 据的时间，
Figure BDA00025236219100000911
即用户终端i在MEC服务器上任务的执行时间。对于许多应用 程序来说，计算所得结果的大小，远小于原始数据的，因此，可以忽略计算结 果从MEC服务器回传到用户终端的时间和能耗。
由此，可得用户终端i在MEC服务器执行任务的计算消耗
Figure BDA0002523621910000101
为：
Figure BDA0002523621910000102
其中，
Figure BDA0002523621910000103
表示用户终端i将任务传输给MEC服务器产生的能量消耗，
Figure BDA0002523621910000104
表示MEC服务器执行用户终端i的任务产生的能量消耗。
定义用户终端i在MEC服务器执行任务所产生的资费Qi如下：
Qi＝βbi
其中，β表示的是每MB数据的资费(单位：元/MB)。
因此，可以将最终的目标函数向量为：
F(X)＝(f1(X),f2(X),f3(X))
其中，
Figure BDA0002523621910000105
f1(X)、f2(X)和f3(X)分别为关于待优化向量的任务执行总时间函数、任务执行总消耗函数和任 务执行总资费函数。
当然，以上待优化向量的任务执行总时间函数、任务执行总消耗函数和任 务执行总资费函数的表达方式仅为一个示例，依据不同的网络结构、参数以及 优化算法的需求，可对上述函数及相应目标函数的构造进行相应的调整。
作为一个优选的实施例，获取目标优化函数关于待优化向量的非支配解集 合，依据非支配解的拥挤度对所有的非支配解进行排序，以获取待优化向量的 优化值。具体地，关于待优化向量的支配解和非支配解的定义为：
当第i个待优化向量的解的任一目标子函数都不大于并且至少存在一个小 于第j个待优化向量的解的目标子函数时，则将第i个待优化向量的解称为第j 个待优化向量的解的支配解，否则，第i个待优化向量的解和第j个待优化向量 的解互为相互的非支配解，目标子函数包括任务执行总时间函数、任务执行总 消耗函数和任务执行总资费函数。
作为一个示例，优化算法在迭代的过程中，将当前的待优化向量的非支配 解分别代入到目标优化函数中，并与上一次迭代的非支配解集合Ht-1进行合并 (可以默认初始的非支配集合H是一个空集)，对得到的Ht-1中的向量进行比较， 将Ht-1中所有非支配解的向量表示为X1,X2,...,Xk(设有k个非支配解)并放入 集合Ht中，同时要保存这些目标函数向量对应的决策向量，t是算法循环中的 当前代数，在算法循环中，从0到Maxiter，算法每迭代一次，t增加1。
对非支配解集合中的向量X1,X2,...,Xk，分别代入第一目标子函数f1(X)并 依据第一目标子函数值的大小进行排序得到
Figure BDA0002523621910000111
满足
Figure BDA0002523621910000112
分别代入第二目标子函数f2(X)并依据第二目标子函数值的大 小进行排序得到
Figure BDA0002523621910000113
满足
Figure BDA0002523621910000114
分别代入第三目标 子函数f3(X)并依据第三目标子函数值的大小得到
Figure BDA0002523621910000115
满足
Figure BDA0002523621910000116
计算非支配解集合Ht中所有向量的拥挤度，第i个非支配解Xi的拥挤度计 算公式表示为：
Figure BDA0002523621910000117
其中，
Figure BDA0002523621910000118
表示
Figure BDA0002523621910000119
排序中与fj(Xi)对应的序号的下一个序号的值，
Figure BDA00025236219100001110
表示
Figure BDA00025236219100001111
排序中与fj(Xi)对应的序号的上一个序号的值，fj(Xi)为第i 个非支配解Xi代入第j个目标子函数的值；若
Figure BDA00025236219100001112
则
Figure BDA00025236219100001113
若
Figure BDA00025236219100001114
则
Figure BDA00025236219100001115
某个解的拥挤度，是根据种群中其他的解 计算它的密度。拥挤度越小的解，密度越大，其周围的解较密集，即拥挤度是 距离这个解最近的解与它之间的距离，距离越小说明它附近的解离它越近，拥 挤度就越小，密度越大。目标是找到解空间上分布更广泛的解集合，因此。分 布密集的解(拥挤度小的解)是被认为效果不佳的解，反之，拥挤度大的解附 近的解分布稀疏，被认为是效果良好的解
依据拥挤度大小对集合中的向量X1,X2,...,Xk进行降序排序，X1,X2,...,Xk排序的结果记为F1,F2,...,Fk，其中，Fi对应决策向量
Figure BDA0002523621910000121
且
Figure BDA0002523621910000122
最终得到一个新的非支配解集合Ht，依据新的非支 配解集合按照预设的选择方式选出最优化向量，将该最优化向量作为本次迭代 的待优化向量的优化值。
作为一个优选的方法，可以使用轮盘赌选择法从新的非支配解集合Ht中选 择每一代的最优目标函数向量Fbest。具体方法为：每个目标函数向量被选择的概 率计算公式为：
Figure BDA0002523621910000123
以此概率随机从集合Ht中选择一个的最优目标函数向量并记为
Figure BDA0002523621910000124
其对 应的决策向量为最优决策向量，记为
Figure BDA0002523621910000125
轮盘赌选择法的目的是从解集合中 选出一个解，作为迭代时的用于计算的一个当前最优解。轮盘赌的意义在于， 拥挤度大的解被选择的概率更高，这意味着它被选为当前最优解的概率更高， 会根据这个解的位置信息进行计算。但是这不意味拥挤度小的解没有被选择的 机会，因为本质上他们之间是不存在支配关系的，只是更偏好拥挤度大的解， 当然希望它被选出来的机会更大。
作为一个优选的方式，采用多目标鲸鱼优化算法获取各个决策向量的位移， 即随机生成三个范围在[0,1]的实数r1、r2、q，以计算W与G，其中，
W＝2·a·r1-a
G＝2·r2
a是一个从2到0线性下降的系数，其表达式为
Figure BDA0002523621910000126
Maxiter为 最大迭代次数；
定义
Figure RE-GDA0002567791090000127
Figure RE-GDA0002567791090000128
为当前迭代第j个向量，
Figure RE-GDA0002567791090000129
为当前最优向量，下 一次迭代第j个向量
Figure RE-GDA00025677910900001210
的更新具体为：
如果q＜q'且并且|W|>1，则按照“随机游走”的方法更新当前决策向量族A 中的第j行
Figure BDA00025236219100001211
具体公式如下，
Figure BDA0002523621910000131
Figure BDA0002523621910000132
其中，Xrand是一个随机生成的n维向量，每个元素都在[0,1]的范围内；
如果q＜q'并且|W|≤1，则“按照环绕”的方法更新当前决策向量族A中的 第j行
Figure BDA0002523621910000133
具体公式如下：
Figure BDA0002523621910000134
Figure BDA0002523621910000135
判断：如果q≥q'，则按照“气泡网攻击”的方法更新当前决策向量族A中 的第j行
Figure BDA0002523621910000136
具体公式如下：
Figure BDA0002523621910000137
其中，
Figure BDA0002523621910000138
e为自然常数，e≈2.71828，d为对数螺旋常数，作为 一个优选的方案可以取d＝1，l的计算公式如下：
Figure BDA0002523621910000139
l＝(a2-1)·r3+1
其中，r3是随机生成的范围在[0,1]的实数。
由于原始的鲸鱼优化算法中，由于探索与包围的概率相同，导致了在算法 的中期就经常出现种群聚集的现象，种群多样性降低，导致算法过快收敛，因 此，对探索与包围的概率进行改进。定义
Figure RE-GDA00025677910900001310
是一个从1到0.5线性 下降的系数。在算法的初期，由于q'较大，可以迫使种群以较大的概率进行探 索，保证了种群的多样性；在算法的后期，q'逐渐减小，种群进行探索的概率 降低，从而逐渐收敛，从而取得更好的收敛效果。
作为一个优选的实施例，将矩阵A中所有小于0的数更改为0，所有大于 1的数更改为1。这是由于，采用鲸鱼优化算法的随机游走”过程中，决策向量 可能产生“越界”问题(比如有某个元素变为小于0或大于1的数)，因此，优 选使用范围约束。
作为一个优选的实施例，使用均值漂移算法对达到最大迭代次数Maxiter时 得到的非支配解集合HMaxiter进行聚类以简化非支配解集合，以此减少最终决策 集合中分布较为密集的解。均值漂移算法的具体步骤为：
对集合HMaxiter中的决策向量，根据目标子函数分别进行升序排序得到 f1 k(x)、f1 1(x)、
Figure RE-GDA0002567791090000141
以构成一个三维坐标系中的空间
Figure RE-GDA0002567791090000142
对于这个空间每个维度等分为 e份，将区间[f1 1(x)，f1 k(x)]等分为
Figure RE-GDA0002567791090000143
Figure RE-GDA0002567791090000144
这些区间一共有e+1个不同的端点，从而得到在这个三维空间中产生(e+1)3个初始中心点；
均值漂移的中心点更新公式如下：
Figure RE-GDA0002567791090000145
其中，y'为更新后的中心点坐标向量，y为更新前的中心点坐标向量，yi为 HMaxiter集合中包含在U(y；R)邻域中的所有点的坐标向量，共n个，函数g(y)为 核函数φ(y)的一阶导数取负数，即g(y)＝-φ'(y)，核函数φ(y)具体表达式为：
Figure BDA0002523621910000147
若迭代过程中出现两个中心点的R邻域交集不为空，则保留其R邻域包含 HMaxiter集合中的点多的中心点，删去另外一个；
当||y'-y||小于给定的允许误差ε时，停止迭代。
从而得到聚类后的一些中心点，在这些中心点附近HMaxiter集合中的点密度 较高，因此我们保留这些中心点的R邻域中，距离中心点最近的HMaxiter集合中 的点，删去这些中心点的R邻域中的其他点，完成对HMaxiter集合的简化。算法 迭代结束后会产生一个非支配解集合，来供决策者选择。如果在某个区域内， 解的密度很大(有大量相似的解，它们的实际效果差别很小，这就会产生冗余)， 通过找到这些解中的一个来代替它们，这样就减少了解集合的解的数量，简化 了解集合。因此，使用均值漂移算法用来对非支配解集合进行聚类，从而剔除 某些意义不大的解，用其他足够代表它的解来反应它原本包含的信息。
图2为本发明实施例的一种具体实施方式的示意图。如图2所示，作为一 种具体的实施方式，上述方法的算法实现流程可以为：
A.开始：算法开始。
B.输入参数：输入改进的多目标鲸鱼优化算法的参数、边缘计算模型的参 数与均值漂移算法的参数。
C.初始化决策向量族：使用随机初始化的方法，初始化n个决策向量族(集 合)。
D.代入目标函数中求值，更新目前的非支配解集合、最优目标函数向量与 最优决策向量：将目前的决策向量分别代入目标函数中，求得目标函数向量。 对这些目标函数向量进行比较，得到非支配解集合，并保存非支配解集合中的 目标函数向量对应的决策向量。按照拥挤度进行排序，并使用轮盘赌选择算法 从目前的非支配解集合中选择最优目标函数值，其对应的决策向量为最优决策 向量。
E.利用改进的多目标鲸鱼优化算法优化决策向量族：利用改进的多目标鲸 鱼优化算法的优化能力，对决策向量进行优化。
F.得到优化后的决策向量族，并使用范围约束：将上一步(E)得到的决策向 量族进行修改，使其满足范围约束。
G.是否达到最大迭代次数？：判断是否达到了预先设定的最大迭代次数 Maxiter。
H.使用均值漂移算法简化非支配解集合：使用均值漂移算法进行非支配解 集合的聚类，对密度较大区域的解进行挑选，剔除冗余的解。
I.得到最终的非支配解集合：得到算法最终结果，包括非支配解集合以及 其对应的决策向量。
J.结束：算法结束。
一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中， 存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上 述方法的步骤。
一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序 在终端设备上运行时，使得终端设备上述方法的步骤。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并 不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种边缘服务器的计算卸载分配方法，其特征在于，该方法包括如下步骤：
依据每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比构建待优化向量，获取关于待优化向量的第一目标子函数、第二目标子函数和第三目标子函数，其中，所述第一目标子函数为所有用户终端上本地执行任务的计算时间和边缘服务器上执行任务的计算时间的总和，所述第二目标子函数为所有用户终端上本地执行任务的能量消耗和边缘服务器上执行任务的能量消耗的总和，所述第三目标子函数为边缘服务器上执行任务所产生的资费的总和；
利用所述第一目标子函数、第二目标子函数和第三目标子函数构造关于待优化向量的目标优化函数，利用目标优化函数求解待优化向量的优化值，依据待优化向量的优化值对每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比进行相应的配置。
2.根据权利要求1所述的一种边缘服务器的计算卸载分配方法，其特征在于，所述第一目标子函数的获取方式具体为：
将待优化向量表示为X＝(x1,x2,...,xn)，其中，xi(i＝1,2,...,n)表示用户终端i在边缘服务器上执行的任务在用户终端i所有任务的占比，定义集合C＝{c1,c2,...,cn}，ci表示用户终端i的任务所需要的CPU周期总数，定义集合B＝{b1,b2,...,bn}，其中bi表示用户终端i的任务的数据大小；
用户终端i在本地执行任务的计算总时间Ti L如下：
Figure FDA0002523621900000011
其中，
Figure FDA0002523621900000012
是用户终端i的计算能力；
用户终端i在边缘服务器执行的计算总时间Ti M如下：
Figure FDA0002523621900000021
其中，
Figure FDA0002523621900000022
表示边缘服务器分配给用户终端i的任务的计算能力；
Figure FDA0002523621900000023
即用户终端i向边缘服务器传输数据的时间，
Figure FDA0002523621900000024
即用户终端i在MEC服务器上任务的执行时间；ri为用户终端i的传输速率；
所述第一目标子函数的表达式为：
Figure FDA0002523621900000025
3.根据权利要求1所述的一种边缘服务器的计算卸载分配方法，其特征在于，所述第二目标子函数的获取方式具体为：
将待优化向量表示为X＝(x1,x2,...,xn)，其中，xi(i＝1,2,...,n)表示用户终端i在边缘服务器上执行的任务在用户终端i所有任务的占比，定义集合C＝{c1,c2,...,cn}，ci表示用户终端i的任务所需要的CPU周期总数，定义集合B＝{b1,b2,...,bn}，其中bi表示用户终端i的任务的数据大小；
用户终端i本地执行任务的计算消耗
Figure FDA0002523621900000026
为：
Figure FDA0002523621900000027
η是一个常数系数，用以表示每个CPU周期消耗能量的系数，
Figure FDA0002523621900000028
是用户终端i的计算能力；
用户终端i在边缘服务器执行任务的计算消耗
Figure FDA0002523621900000029
为：
Figure FDA00025236219000000210
其中，
Figure FDA00025236219000000211
表示用户终端i将任务传输给边缘服务器产生的能量消耗，
Figure FDA00025236219000000212
表示边缘服务器执行用户终端i的任务产生的能量消耗；ri为用户终端i的传输速率；
Figure FDA0002523621900000031
表示边缘服务器分配给用户终端i的任务的计算能力；pi是用户终端i的传输功率；
所述第二目标子函数的表达式为：
Figure FDA0002523621900000032
4.根据权利要求1所述的一种边缘服务器的计算卸载分配方法，其特征在于，所述第三目标子函数的获取方式具体为：
将待优化向量表示为X＝(x1,x2,...,xn)，其中，xi(i＝1,2,...,n)表示用户终端i在边缘服务器上执行的任务在用户终端i所有任务的占比，定义集合B＝{b1,b2,...,bn}，其中bi表示用户终端i的任务的数据大小；
定义用户终端i在边缘服务器执行任务所产生的资费Qi为：
Qi＝βbi
其中，β表示的是每MB数据的资费；
所述第三目标子函数的表达式为：
Figure FDA0002523621900000033
5.根据权利要求1所述的一种边缘服务器的计算卸载分配方法，其特征在于，获取所述目标优化函数关于待优化向量的非支配解集合，依据非支配解的拥挤度对所有的非支配解进行排序，以获取待优化向量的优化值。
6.根据权利要求5所述的一种边缘服务器的计算卸载分配方法，其特征在于，所述非支配解的拥挤度的获取过程具体为：
对非支配解集合中的向量X1,X2,...,Xk，分别代入第一目标子函数f1(X)并依据第一目标子函数值的大小进行排序得到f1 1,f1 2,…,f1 k，f1 1,f1 2,…,f1 k满足f1 1≤f1 2≤…≤f1 k，分别代入第二目标子函数f2(X)并依据第二目标子函数值的大小进行排序得到
Figure FDA0002523621900000034
满足
Figure FDA0002523621900000037
分别代入第三目标子函数f3(X)并依据第三目标子函数值的大小得到
Figure FDA0002523621900000036
满足
Figure FDA0002523621900000035
计算非支配解集合Ht中所有向量的拥挤度，第i个非支配解Xi的拥挤度计算公式表示为：
Figure FDA0002523621900000041
其中，
Figure FDA0002523621900000042
表示
Figure FDA0002523621900000043
排序中与fj(Xi)对应的序号的下一个序号的值，
Figure FDA0002523621900000044
表示
Figure FDA0002523621900000045
排序中与fj(Xi)对应的序号的上一个序号的值，fj(Xi)为第i个非支配解Xi代入第j个目标子函数的值；若
Figure FDA0002523621900000046
则
Figure FDA0002523621900000047
若
Figure FDA0002523621900000048
则
Figure FDA0002523621900000049
7.根据权利要求5或6所述的一种边缘服务器的计算卸载分配方法，其特征在于，依据拥挤度大小对集合中的向量X1,X2,...,Xk进行降序排序，X1,X2,...,Xk排序的结果记为F1,F2,...,Fk，其中，Fi对应决策向量
Figure FDA00025236219000000410
且
Figure FDA00025236219000000411
使用轮盘赌选择法从新的非支配解集合Ht中选择每一代的最优目标函数向量Fbest，每个目标函数向量被选择的概率计算公式为：
Figure FDA00025236219000000412
以此概率随机从新的非支配解集合Ht中选择一个的最优目标函数向量并记为
Figure FDA00025236219000000413
其对应的决策向量为最优决策向量。
8.根据权利要求1所述的一种边缘服务器的计算卸载分配方法，其特征在于，采用多目标鲸鱼优化算法获取各个决策向量的位移，即随机生成三个范围在[0,1]的实数r1、r2、q，以计算W与G，其中，
W＝2·a·r1-a
G＝2·r2
a是一个从2到0线性下降的系数，其表达式为
Figure RE-FDA00025677910800000414
Maxiter为最大迭代次数；
定义
Figure RE-FDA0002567791080000051
Figure RE-FDA0002567791080000052
为当前迭代第j个向量，
Figure RE-FDA0002567791080000053
为当前最优向量，下一次迭代第j个向量
Figure RE-FDA0002567791080000054
的更新具体为：
如果q＜q'且并且|W|＞1，则按照“随机游走”的方法更新当前决策向量族A中的第j行
Figure RE-FDA0002567791080000055
具体公式如下，
Figure RE-FDA0002567791080000056
Figure RE-FDA0002567791080000057
其中，Xrand是一个随机生成的n维向量，每个元素都在[0,1]的范围内；
如果q＜q'并且|W|≤1，则“按照环绕”的方法更新当前决策向量族A中的第j行
Figure RE-FDA0002567791080000058
具体公式如下，
Figure RE-FDA0002567791080000059
Figure RE-FDA00025677910800000510
如果q≥q'，则按照“气泡网攻击”的方法更新当前决策向量族A中的第j行
Figure RE-FDA00025677910800000511
具体公式如下，
Figure RE-FDA00025677910800000512
Figure RE-FDA00025677910800000513
e为自然常数，d为对数螺旋常数，l的计算公式如下：
Figure RE-FDA00025677910800000514
l＝(a2-1)·r3+1
其中，r3是随机生成的范围在[0,1]的实数。
9.根据权利要求1所述的一种边缘服务器的计算卸载分配方法，其特征在于，使用均值漂移算法对达到最大迭代次数Maxiter时得到的非支配解集合HMaxiter进行聚类以简化非支配解集合，以此减少最终决策集合中分布较为密集的解。
10.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～9任一权利要求所述方法的步骤。
CN202010497910.0A 2020-06-04 2020-06-04 一种边缘服务器的计算卸载分配方法 Active CN111694664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010497910.0A CN111694664B (zh) 2020-06-04 2020-06-04 一种边缘服务器的计算卸载分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010497910.0A CN111694664B (zh) 2020-06-04 2020-06-04 一种边缘服务器的计算卸载分配方法

Publications (2)

Publication Number Publication Date
CN111694664A true CN111694664A (zh) 2020-09-22
CN111694664B CN111694664B (zh) 2021-12-21

Family

ID=72479400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010497910.0A Active CN111694664B (zh) 2020-06-04 2020-06-04 一种边缘服务器的计算卸载分配方法

Country Status (1)

Country Link
CN (1) CN111694664B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468533A (zh) * 2020-10-20 2021-03-09 安徽网萌科技发展股份有限公司 一种面向农产品种植的边缘学习模型在线分割方法和系统
CN112769910A (zh) * 2020-12-29 2021-05-07 杭州电子科技大学 基于动态电压调节技术的雾计算任务卸载方法
CN113065093A (zh) * 2021-03-15 2021-07-02 北京邮电大学 一种待修复链路的确定方法及装置
CN113207136A (zh) * 2021-04-02 2021-08-03 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置
CN113220369A (zh) * 2021-05-27 2021-08-06 北京师范大学珠海校区 一种基于分布式机器学习的智能计算卸载优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110418356A (zh) * 2019-06-18 2019-11-05 深圳大学 一种计算任务卸载方法、装置及计算机可读存储介质
CN110535700A (zh) * 2019-08-30 2019-12-03 哈尔滨工程大学 一种多用户多边缘服务器场景下的计算卸载方法
CN110851197A (zh) * 2019-10-10 2020-02-28 长沙理工大学 一种边缘计算多服务器任务选择卸载方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110418356A (zh) * 2019-06-18 2019-11-05 深圳大学 一种计算任务卸载方法、装置及计算机可读存储介质
CN110535700A (zh) * 2019-08-30 2019-12-03 哈尔滨工程大学 一种多用户多边缘服务器场景下的计算卸载方法
CN110851197A (zh) * 2019-10-10 2020-02-28 长沙理工大学 一种边缘计算多服务器任务选择卸载方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘锐: "基于移动边缘计算的任务卸载策略研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468533A (zh) * 2020-10-20 2021-03-09 安徽网萌科技发展股份有限公司 一种面向农产品种植的边缘学习模型在线分割方法和系统
CN112769910A (zh) * 2020-12-29 2021-05-07 杭州电子科技大学 基于动态电压调节技术的雾计算任务卸载方法
CN113065093A (zh) * 2021-03-15 2021-07-02 北京邮电大学 一种待修复链路的确定方法及装置
CN113065093B (zh) * 2021-03-15 2022-07-12 北京邮电大学 一种待修复链路的确定方法及装置
CN113207136A (zh) * 2021-04-02 2021-08-03 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置
CN113207136B (zh) * 2021-04-02 2022-11-18 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置
CN113220369A (zh) * 2021-05-27 2021-08-06 北京师范大学珠海校区 一种基于分布式机器学习的智能计算卸载优化方法
CN113220369B (zh) * 2021-05-27 2022-12-23 北京师范大学珠海校区 一种基于分布式机器学习的智能计算卸载优化方法

Also Published As

Publication number Publication date
CN111694664B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111694664B (zh) 一种边缘服务器的计算卸载分配方法
CN110851272B (zh) 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN113485826B (zh) 一种边缘服务器负载均衡方法、系统
CN115860081B (zh) 一种芯粒算法调度方法、系统、电子设备及存储介质
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
Gao et al. A particle swarm optimization with Lévy flight for service caching and task offloading in edge-cloud computing
CN116263681A (zh) 移动边缘计算任务卸载方法、装置、设备及存储介质
AlSuwaidan et al. Swarm intelligence algorithms for optimal scheduling for cloud-based fuzzy systems
CN113159539B (zh) 多层边缘计算系统中联合绿色能量调度和动态任务分配方法
CN114429195A (zh) 混合专家模型训练的性能优化方法和装置
CN116611505B (zh) 一种卫星集群观测任务调度方法、系统、设备及存储介质
CN110928648B (zh) 融合启发式和智能计算的云工作流分段在线调度优化方法
Jia et al. Low latency deployment of service-based data-intensive applications in cloud-edge environment
CN115412401B (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
CN116321189A (zh) 一种面向边缘计算中基于深度强化学习的服务器部署方法
CN115001978B (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
Gao et al. The multi-objective cloud tasks scheduling based on hybrid particle swarm optimization
CN113220437B (zh) 一种工作流多目标调度方法及装置
Bao et al. QoS Preferences Edge User Allocation Using Reinforcement Learning
CN112165721B (zh) 基于边缘计算的多服务任务的卸载和服务迁移方法
CN113162965B (zh) 面向异构MapReduce集群的低时延Map和Reduce联合调度方法
CN113347255A (zh) 边缘服务器选址部署模型及其求解方法
Mirtaheri et al. An Ant-colony Based Model for Load Balancing in Fog Environments
Li et al. Energy-efficient offloading for DNN-based applications in edge-cloud computing: A hybrid chaotic evolutionary approach

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