CN111694664B - 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
CN111694664B
CN111694664B CN202010497910.0A CN202010497910A CN111694664B CN 111694664 B CN111694664 B CN 111694664B CN 202010497910 A CN202010497910 A CN 202010497910A CN 111694664 B CN111694664 B CN 111694664B
Authority
CN
China
Prior art keywords
user terminal
edge server
objective
vector
optimized
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.)
Active
Application number
CN202010497910.0A
Other languages
English (en)
Other versions
CN111694664A (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Ti L如下：
Figure GDA0003335964430000031
其中，
Figure GDA0003335964430000032
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 GDA0003335964430000033
其中，
Figure GDA0003335964430000034
表示边缘服务器分配给用户终端i的任务的计算能力；
Figure GDA0003335964430000035
即用户终端i向边缘服务器传输数据的时间，
Figure GDA0003335964430000036
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 GDA0003335964430000037
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 GDA0003335964430000041
为：
Figure GDA0003335964430000042
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 GDA0003335964430000043
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 GDA0003335964430000044
为：
Figure GDA0003335964430000045
其中，
Figure GDA0003335964430000046
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 GDA0003335964430000047
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 GDA0003335964430000048
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 GDA0003335964430000049
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 GDA0003335964430000051
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 GDA0003335964430000052
满足
Figure GDA0003335964430000053
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 GDA0003335964430000054
满足
Figure GDA0003335964430000055
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 GDA0003335964430000056
其中，
Figure GDA0003335964430000057
表示
Figure GDA0003335964430000058
排序中与fj(Xi)对应的序号的下一个序号的值，
Figure GDA0003335964430000059
表示
Figure GDA00033359644300000510
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 GDA00033359644300000511
则
Figure GDA00033359644300000512
若
Figure GDA00033359644300000513
则
Figure GDA00033359644300000514
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 GDA00033359644300000515
且
Figure GDA00033359644300000516
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 GDA0003335964430000061
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 GDA0003335964430000062
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 GDA0003335964430000063
Maxiter为最大迭代次数；
定义
Figure GDA0003335964430000064
Figure GDA0003335964430000065
为当前迭代第j个向量，
Figure GDA0003335964430000066
为当前最优向量，下一次迭代第j个向量
Figure GDA0003335964430000067
的更新具体为：
如果q<q'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 GDA0003335964430000068
具体公式如下，
Figure GDA0003335964430000069
Figure GDA00033359644300000610
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 GDA00033359644300000611
具体公式如下，
Figure GDA00033359644300000612
Figure GDA00033359644300000613
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 GDA00033359644300000614
具体公式如下，
Figure GDA0003335964430000071
Figure GDA0003335964430000072
e为自然常数，d为对数螺旋常数，l的计算公式如下：
Figure GDA0003335964430000073
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Ti L如下：
Figure GDA0003335964430000091
其中，
Figure GDA0003335964430000092
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 GDA0003335964430000101
为：
Figure GDA0003335964430000102
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Ti M如下：
Figure GDA0003335964430000103
其中，
Figure GDA0003335964430000104
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 GDA0003335964430000105
即用户终端i向MEC服务器传输数据的时间，
Figure GDA0003335964430000106
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 GDA0003335964430000107
为：
Figure GDA0003335964430000108
其中，
Figure GDA0003335964430000109
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 GDA00033359644300001010
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 GDA00033359644300001011
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 GDA0003335964430000111
满足
Figure GDA0003335964430000112
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 GDA0003335964430000121
满足
Figure GDA0003335964430000122
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 GDA0003335964430000123
其中，
Figure GDA0003335964430000124
表示
Figure GDA0003335964430000125
排序中与fj(Xi)对应的序号的下一个序号的值，
Figure GDA0003335964430000126
表示
Figure GDA0003335964430000127
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 GDA0003335964430000128
则
Figure GDA0003335964430000129
若
Figure GDA00033359644300001210
则
Figure GDA00033359644300001211
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 GDA00033359644300001212
且
Figure GDA00033359644300001213
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 GDA0003335964430000131
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 GDA0003335964430000132
其对应的决策向量为最优决策向量，记为
Figure GDA0003335964430000133
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 GDA0003335964430000134
Maxiter为最大迭代次数；
定义
Figure GDA0003335964430000135
为当前迭代第j个向量，
Figure GDA0003335964430000136
为当前最优向量，下一次迭代第j个向量
Figure GDA0003335964430000137
的更新具体为：
如果q<q'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 GDA0003335964430000138
具体公式如下，
Figure GDA0003335964430000139
Figure GDA00033359644300001310
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 GDA00033359644300001311
具体公式如下：
Figure GDA0003335964430000141
Figure GDA0003335964430000142
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 GDA0003335964430000143
具体公式如下：
Figure GDA0003335964430000144
其中，
Figure GDA0003335964430000145
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 GDA0003335964430000146
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 GDA0003335964430000147
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
Figure GDA0003335964430000151
以构成一个三维坐标系中的空间
Figure GDA0003335964430000152
，对于这个空间每个维度等分为e份，将区间
Figure GDA0003335964430000153
等分为
Figure GDA0003335964430000154
Figure GDA0003335964430000155
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 GDA0003335964430000156
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 GDA0003335964430000157
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 (9)

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决策向量，获取关于待优化决策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决策向量的目标优化函数，利用目标优化函数求解待优化决策向量的优化值，依据待优化决策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；
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 FDA0003334608640000011
Maxiter为最大迭代次数；
定义
Figure FDA0003334608640000012
Figure FDA0003334608640000013
为当前迭代第j个决策向量，
Figure FDA0003334608640000014
为当前最优决策向量，下一次迭代第j个决策向量
Figure FDA0003334608640000015
的更新具体为：
如果q<q'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 FDA0003334608640000016
具体公式如下，
Figure FDA0003334608640000021
Figure FDA0003334608640000022
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 FDA0003334608640000023
具体公式如下，
Figure FDA0003334608640000024
Figure FDA0003334608640000025
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 FDA0003334608640000026
具体公式如下，
Figure FDA0003334608640000027
Figure FDA0003334608640000028
e为自然常数，d为对数螺旋常数，
Figure FDA00033346086400000212
的计算公式如下：
Figure FDA0003334608640000029
Figure FDA00033346086400000213
其中，r3是随机生成的范围在[0,1]的实数；
其中，定义
Figure FDA00033346086400000210
是一个从1到0.5线性下降的系数。
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：
将待优化决策向量表示为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 FDA00033346086400000211
其中，
Figure FDA0003334608640000031
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总时间Ti M如下：
Figure FDA0003334608640000032
其中，
Figure FDA0003334608640000033
表示边缘服务器分配给用户终端i的任务的计算能力；
Figure FDA0003334608640000034
即用户终端i向边缘服务器传输数据的时间，
Figure FDA0003334608640000035
即用户终端i在边缘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 FDA0003334608640000036
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：
将待优化决策向量表示为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本地执行任务的能量消耗
Figure FDA0003334608640000037
为：
Figure FDA0003334608640000038
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 FDA0003334608640000039
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能量消耗
Figure FDA00033346086400000310
为：
Figure FDA00033346086400000311
其中，
Figure FDA00033346086400000312
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 FDA0003334608640000041
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 FDA0003334608640000042
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 FDA0003334608640000043
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：
将待优化决策向量表示为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 FDA0003334608640000044
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决策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，以获取待优化决策向量的优化值。
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决策向量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 FDA0003334608640000045
满足
Figure FDA0003334608640000046
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 FDA0003334608640000051
满足
Figure FDA0003334608640000052
计算非支配解集合Ht中所有决策向量的拥挤度，第i个非支配解Xi的拥挤度计算公式表示为：
Figure FDA0003334608640000053
其中，
Figure FDA0003334608640000054
表示
Figure FDA0003334608640000055
排序中与fj(Xi)对应的序号的下一个序号的值，
Figure FDA0003334608640000056
表示
Figure FDA0003334608640000057
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 FDA0003334608640000058
则
Figure FDA0003334608640000059
若
Figure FDA00033346086400000510
则
Figure FDA00033346086400000511
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决策向量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 FDA00033346086400000512
且
Figure FDA00033346086400000513
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 FDA00033346086400000514
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 FDA00033346086400000515
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，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。
9.一种计算机可读介质，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1～8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 CN111694664A (zh) 2020-09-22
CN111694664B true 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)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468533B (zh) * 2020-10-20 2023-01-10 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
CN112769910B (zh) * 2020-12-29 2022-07-19 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
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
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
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
CN118200878B (zh) * 2024-05-16 2024-07-19 山东理工大学 基于合作博弈和多目标鲸鱼算法的边缘计算优化方法

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
基于移动边缘计算的任务卸载策略研究;刘锐;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20200315(第3期);第36-40页 *

Also Published As

Publication number Publication date
CN111694664A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111694664B (zh) 一种边缘服务器的计算卸载分配方法
CN112286677A (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN113821318B (zh) 一种物联网跨域子任务组合协同计算方法及系统
Gao et al. A particle swarm optimization with lévy flight for service caching and task offloading in edge-cloud computing
CN115860081B (zh) 一种芯粒算法调度方法、系统、电子设备及存储介质
CN112165721B (zh) 基于边缘计算的多服务任务的卸载和服务迁移方法
CN116263681A (zh) 移动边缘计算任务卸载方法、装置、设备及存储介质
CN116305747A (zh) 一种基于改进鲸鱼优化算法的工作流多目标调度方法
Jia et al. Low latency deployment of service-based data-intensive applications in cloud-edge environment
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
El Gaily et al. Constrained quantum optimization for resource distribution management
Li et al. Energy-efficient offloading for DNN-based applications in edge-cloud computing: A hybrid chaotic evolutionary approach
CN115593264B (zh) 基于边缘计算的充电优化控制方法、装置和计算机设备
Bao et al. QoS preferences edge user allocation using reinforcement learning
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
CN113220437B (zh) 一种工作流多目标调度方法及装置
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
Dai et al. Cloud workflow scheduling algorithm based on multi-objective hybrid particle swarm optimisation
Mirtaheri et al. An Ant-colony Based Model for Load Balancing in Fog Environments
Zhang et al. Joint DNN partitioning and task offloading in mobile edge computing via deep reinforcement learning
Masadeh Whale optimization algorithm applied to the 0/1 knapsack problem
CN117667618B (zh) 一种云资源组合优化分配方法及终端机
Arcas et al. Whale Optimization for Cloud–Edge-Offloading Decision-Making for Smart Grid Services
CN114860345B (zh) 一种智能家居场景下基于缓存辅助的计算卸载方法
CN118316844A (zh) 一种虚拟网络请求的物理网络资源分配方法及系统

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