CN111836284A - 基于移动边缘计算的能耗优化计算、卸载方法和系统 - Google Patents

Abstract

本发明涉及移动边缘计算领域，是一种基于移动边缘计算的能耗优化计算、卸载方法和系统；所述计算方法包括利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；根据多准则决策方法TOPSIS，计算各自理想解与负理想解，从成本解集合中找到最接近理想解的最优解；将所述最优解代入到对应的成本模型中，确定出当前任务采用边缘设备或者中心设备进行卸载的最优的时间成本和能耗成本以及当前任务采用本地设备进行计算的最优的时间成本和能耗成本，本发明能够综合考虑了时间，能耗以及移动设备的移动性，保证了能耗计算以及任务卸载的效果。

Description

基于移动边缘计算的能耗优化计算、卸载方法和系统

技术领域

本发明涉及移动边缘计算领域，具体是一种基于移动边缘计算的能耗优化计算、卸载方法和系统。

背景技术

近些年来，随着4G,5G的快速发展，导致计算功能的下放，边缘设备(如基站、无线接入点、路由器、笔记本电脑等)均具有计算和通信能力，并且在未来占据了重要的位置。移动边缘计算(Mobile Edge Computing,MEC)融合了边缘网络的计算与通信能力，并允许移动应用产生的数据可直接在上述边缘设备进行处理，而不是上传到中心设备服务器，这样将在海量边缘设备完成数据的分布式处理。欧洲电信标准化协会(EuropeanTelecommunication Standard Institute,ETSI)于2014年9月成立了针对MEC的工作组，对MEC技术的需求愿景、业务场景、架构体系、实现技术等方面开展了深入的研究，同时发布了MEC技术白皮书。2016年9月，ETSI在移动边缘计算大会展示了MEC行业规范组织提出的六种不同移动边缘计算概念及其服务验证,包括弹性IP服务、企业MEC服务、视频分析服务等。这些服务场景及其验证有助于明确移动边缘计算应用前景，辅助企业在移动边缘计算技术上的战略规划设计。同时，华为、爱立信、英特尔等厂商也提出了自己的移动边缘计算解决方案，为移动边缘计算提供芯片、设备以及开发套件。

由于计算能力的下放，计算节点与终端用户十分接近，这样MEC就能够为移动终端提供低时延高可靠的计算服务，并且能够同时通过分布式计算技术来挖掘海量边缘设备计算潜力，用以提升网络数据处理吞吐量。另一方面，MEC直接在网络边缘完成数据处理，避免了在传统MCC中需要将大量数据上传至核心网中带来的不必要的开销，节约回程链路能耗和总体能耗。MEC的上述特点符合未来移动应用需求，受到了学术和工业界广泛关注。

在MEC研究中，广受关注的是MEC计算卸载技术研究与计算资源的分配，其中MEC计算卸载技术是指在MEC环境中，将受资源约束的移动设备的计算密集型任务完全或部分地卸载到资源充足的云环境中，这项技术主要解决了移动设备在资源存储、计算性能以及能效等方面存在的不足。MEC计算卸载技术不仅减轻了核心网的压力，而且降低了因传输带来的时延。

计算卸载作为MEC的关键技术，主要包含卸载决策和资源分配两个问题。卸载决策中的一个关键问题是决定这个任务是否卸载，另外一个问题则是应该卸载什么和卸载多少。基本上，一个计算卸载的决策可能导致：(1)整个计算在边缘设备本地执行。例如，由于MEC计算资源的不可用，或者如果卸载任务并没有得到回报，则不执行到MEC卸载，而是本地执行。(2)整个计算完全卸载到MEC处理。例如：由于完全卸载到MEC中的优势大于本地。(3)计算的一部分在本地处理，而其余部分则是卸载到MEC,这称为部分卸载。例如整个计算中部分计算需要高计算能力，并且卸载到MEC具有很好的优势。

计算卸载技术另外一个问题则是资源的分配。如果决定将应用程序全部或部分卸载到MEC中，那么则必须正确分配计算资源。与计算卸载决策的情况类似，计算资源的选择受卸载应用程序并行/分区能力的影响。如果应用程序不能进行并行化/分区，那么卸载后，只能给该计算分配一个物理节点，因为应用程序不能被分割成几个部分。相反的，可以选择由分布在多个计算节点上的资源来处理卸载的应用。

现有的卸载技术中，没有很好的利用中心云的优势。对于某些复杂的任务，可以选择卸载到中心云进行计算以提高成本。然后对于卸载时对时间与能耗的考虑不是很全面。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种有效降低移动边缘计算中任务的完成时间和能耗，能够适应移动边缘设备移动性的任务卸载策略；本发明提供的技术方案包括基于移动边缘计算的能耗优化计算、卸载方法和系统。

在本发明的第一方面，本发明提供了一种基于移动边缘计算的能耗优化计算方法，所述方法包括：

分别计算出本地设备上的时间成本和能耗成本，以及边缘设备和中心设备上的时间成本和能耗成本；

分别对上述三种设备的时间成本和能耗成本赋予权重后求和，并分别构建出本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

将时间权重和成本权重分别从0调节至1，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；

采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；

根据多准则决策方法TOPSIS，计算出各自的理想解与负理想解，并从所述成本解集合中找到最接近理想解的最优解；

将所述最优解代入到对应的成本模型中，确定出当前任务采用边缘设备或者中心设备进行卸载的最优的时间成本和能耗成本以及当前任务采用本地设备进行计算的最优的时间成本和能耗成本。

在本发明的第二方面，本发明提供了一种基于移动边缘计算的能耗优化计算系统，所述计算系统包括若干本地设备、若干边缘设备以及至少一个中心设备，本地设备计算出其时间成本和能耗成本，边缘设备和中心设备分别计算出其自身的时间成本和能耗成本；所述计算系统还包括计算设备；

所述计算设备包括：

模型构建单元，用于构建出最终成本模型；

生物地理学优化算法单元，用于求解出最终成本模型中时间权重和能耗权重的一系列最优解；

快速非支配排序算法排序单元，用于对这一系列的最优解分别进行排序，并分别得到最优解集合；

多准则决策方法TOPSIS单元，用于计算出各自的理想解与负理想解，并从所述最优解集合中找到最接近理想解的最优解；

输出结果单元，用于将所述最接近理想解的最优解代入到最终成本模型中，输出各设备对应的最优的时间和能耗；

数据传递单元，用于将输出的结果传递至本地设备、边缘设备或者中心设备中。

在本发明的第三方面，基于本发明的第一方面，本发明还提供了一种基于移动边缘计算的能耗优化卸载方法，所述方法包括：

判断当前任务数据量与基准数据量的关系，若小于基准数据量，则不执行卸载操作，计算出本地设备上的时间成本和能耗成本；若大于基准数据量，则执行卸载准备操作，计算出边缘设备以及中心设备上的时间成本和能耗成本；

分别对上述三种设备的时间成本和能耗成本赋予权重后求和，并分别构建出本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

将时间权重和成本权重分别从0调节至1，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；

采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；

根据多准则决策方法TOPSIS，计算出各自的理想解与负理想解，并从所述成本解集合中找到最接近理想解的最优解；

将所述最优解代入到对应的成本模型中，确定出最优的时间成本和能耗成本；

将所述最优解代入对应的成本模型中进行计算，将边缘设备卸载成本模型中的计算结果或中心设备卸载成本模型的计算结果分别与本地设备计算成本模型所计算的结果对比；如果对应的卸载成本比本地计算所对应的计算成本低，那么，就不执行卸载操作，并以当前任务数据量作为新的基准数据量，否则以成本最优的边缘设备或中心设备执行当前任务的卸载操作。

在本发明的第四方面，基于本发明的第三方面，本发明提供了一种基于移动边缘计算的能耗优化卸载系统，所述卸载系统包括若干本地设备、若干边缘设备以及至少一个中心设备，本地设备计算出其时间成本和能耗成本，边缘设备和中心设备分别计算出其自身的时间成本和能耗成本；所述卸载系统还包括计算设备和卸载设备；

所述计算设备包括：

模型构建单元，用于构建出最终成本模型；

生物地理学优化算法单元，用于求解出最终成本模型中时间权重和能耗权重的一系列最优解；

快速非支配排序算法排序单元，用于对这一系列的最优解分别进行排序，并分别得到最优解集合；

多准则决策方法TOPSIS单元，用于计算出各自的理想解与负理想解，并从所述最优解集合中找到最接近理想解的最优解；

输出结果单元，用于将所述最接近理想解的最优解代入到最终成本模型中，输出最优的时间和能耗；

数据传递单元，用于将输出的结果传递至本地设备、边缘设备以及中心设备中；

所述卸载设备包括：

卸载调用单元，用于根据数据传递单元的结果调用各个卸载单元；

本地执行单元，用于在本地设备中执行当前任务；

边缘卸载单元，用于在边缘设备中卸载当前任务；

中心卸载单元，用于在中心设备中卸载当前任务。

本发明的优点及有益效果如下：

(1)本发明方法综合考虑了任务完成时间以及能耗，并且能够根据上次任务卸载情况进行自动调整，还能够适应移动边缘计算中含多种资源的虚拟机的放置问题，综合考虑不同资源对于系统能耗的影响，而不只是考虑CPU对于能耗的影响。

(2)基于生物地理学算法(BBO)来处理移动边缘计算的卸载问题，BBO算法在解决高维度的，多目标的最优化问题时，具有良好的性能，能够有效的解决任务卸载问题中的能耗及时间问题，使得任务得到合理的卸载。

(3)本发明基于时间能耗模型和生物地理学优化算法，在生物地理学的基础上，将结果进行快速非支配排序，然后使用TOPSIS方法来寻找最优解，提出了时间能耗相对最优的任务卸载策略，综合考虑了时间，能耗以及移动设备的移动性，保证了任务卸载的效果。

附图说明

图1为本发明所采用的移动边缘计算系统的场景示意图；

图2为本发明的一种基于移动边缘计算的能耗优化计算方法流程图；

图3为本发明的一种基于移动边缘计算的能耗优化卸载方法流程图；

图4为本发明的一种基于移动边缘计算的能耗优化计算系统结构图；

图5为本发明的一种基于移动边缘计算的能耗优化卸载系统结构图。

具体实施方式

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

如图1所示，本专利的移动边缘计算系统由一些移动电话、多个接入点或基站和一个中心设备组成。在本发明的MEC系统中，边缘设备包括固定的边缘网关，例如基站、建筑物中的服务器和附近强大的处理设备，这些设备帮助移动设备卸载计算任务，以及一些资源丰富的移动电话。其他资源有限的移动电话称为客户端，它可以通过无线接入点向中心设备发送请求并卸载任务。如果连接可用，客户端还可以将其任务卸载到边缘设备上。为了方便表述，本实施例假设只有一个中心设备用于帮助边缘设备计算一些复杂的任务。

在本发明中，本地设备即为移动设备，也就是上述的客户端。

如图2所示，本发明一种基于移动边缘计算的能耗优化计算方法，所述方法包括：

分别计算出本地设备上的时间成本和能耗成本，以及边缘设备和中心设备上的时间成本和能耗成本；

分别对上述三种设备的时间成本和能耗成本赋予权重后求和，并分别构建出本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

将时间权重和成本权重分别从0调节至1，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；

采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；

根据多准则决策方法TOPSIS，计算出各自的理想解与负理想解，并从所述成本解集合中找到最接近理想解的最优解；

将所述最优解代入到对应的成本模型中，确定出当前任务采用边缘设备或者中心设备进行卸载的最优的时间成本和能耗成本以及当前任务采用本地设备进行计算的最优的时间成本和能耗成本。

首先，针对一些较小的任务，就可以直接在移动设备上本地执行，不需要进行卸载操作，那么，设定当前任务集i＝{1,2,…,I}，当前传输速率r，当前设备l的CPU时钟频率f_i,l，则本地的时间模型为：

本地计算的能耗模型为：

E_i,l＝kC_if_i,l ²

其中，C_i表示任务i所需数据大小，k表示有效开关电容，具体取决于芯片结构。在这里，我们设置k＝10^-11，使得能量消耗与文章(Energy efficiency of mobile clientsin cloud computing)中的测量一致。

那么，本地计算的成本模型就可以表示为：

Cost_i.l＝δ_i,tT_i,l+δ_i,EE_i,l

其中，0<δ_i,t<1，0<δ_i,E<1表示任务i的完成时间和能耗的权重。本文假设δ_i,t+δ_i,e＝1。

如果任务选择卸载，则先获取边缘设备以及中心设备设备信息，其中的时间忽略不计。此外，如果我们将任务卸载到中心设备上，卸载的数据可能包含一些虚拟机(VM)信息，以匹配卸载的任务。因此，传输到边缘设备或中心设备的同一任务的数据大小可能不同。本发明使用d_i,e和d_i,c分别表示边缘设备和中心设备上的数据大小，那么边缘计算的数据大小可以表示为：

d_i＝d_i,e+d_i,c

那么边缘设备完成时间和能耗可以表示为

中心设备的完成时间和能耗则可以表示为

那么，边缘设备上与中心设备上的成本可表示为：

Cost_i.e＝δ_i,tT_i,e+δ_i,EE_i,e

Cost_i.c＝δ_i,tT_i,c+δ_i,EE_i,e

综合边缘设备和中心设备的成本，对任务集中各个任务的卸载设备进行分配可得：

Cost_i＝β_iCost_i.e+(1-β_i)Cost_i.c

其中，β_i表示任务i的云选择因子，如果Cost_i.e>Cost_i.c,表明任务卸载到边缘设备更优，那么β_i就等于1，相反则为0；

综合上述内容，可以知道，当任务集中存在多个卸载任务时最终的成本模型表示为：

目标：

时间约束：minT_i

能耗约束：minE_i

对于每个任务i来说，其可能被卸载也可能不被卸载，若不被卸载，则对应在本地设备产生计算成本，若被卸载，则需要计算其被边缘设备以及中心设备卸载产生的卸载成本；因此本发明需要对每种设备都构建出一个模型，即本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型，在一个任务队列，当前任务卸载时，将按照本发明提供的方法选择出成本最优的设备卸载，而对于一个任务队列存在多个任务时，则整个任务集的最终成本是这些任务成本之和。

在一个实施例中，在上述实施例的基础上，如图3所示，本发明还提供了一种基于移动边缘计算的能耗优化卸载方法，所述方法包括：

判断当前任务数据量与基准数据量的关系，若小于基准数据量，则不执行卸载操作，计算出本地设备上的时间成本和能耗成本；若大于基准数据量，则执行卸载准备操作，计算出边缘设备以及中心设备上的时间成本和能耗成本；

分别对上述三种设备的时间成本和能耗成本赋予权重后求和，并分别构建出本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

将时间权重和成本权重分别从0调节至1，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；

采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；

根据多准则决策方法TOPSIS，计算出各自的理想解与负理想解，并从所述成本解集合中找到最接近理想解的最优解；

将所述最优解代入到对应的成本模型中，确定出最优的时间成本和能耗成本；

将所述最优解代入对应的成本模型中进行计算，将边缘设备卸载成本模型中的计算结果或中心设备卸载成本模型的计算结果分别与本地设备计算成本模型所计算的结果对比；如果对应的卸载成本比本地计算所对应的计算成本低，那么，就不执行卸载操作，并以当前任务数据量作为新的基准数据量，否则以成本最优的边缘设备或中心设备执行当前任务的卸载操作。

在一个实施例中，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解的基本框架如下：

步骤1：初始化种群，本发明每个物种代表的是优化的目标即本发明中的时间与能耗，并且初始化生物地理学算法所需要的一些参数，如最大迁入率I，最大迁出率E，最大种群数量S_max，最大变异率π_max等，然后根据通过请求所有能够通信的边缘设备和中心设备，根据返回的设备信息，生成N个初始栖息地(这里是将每个设备中的功率、CPU时钟频率等一组数据定义为BBO算法中的一个栖息地)，并将这个N个栖息地集合定义为H，然后生成每个栖息地对应的SIV(这里指的是解的每一个分量)

步骤2：分别计算整个种群中每个栖息地的适应指数HIS(即每个设备通过卸载成本公式求解得到的卸载成本)，并按此计算每个栖息地的迁入率λ、迁出率μ和变异率π_i，然后按照HIS的优劣程度从好到坏的顺序排列栖息地集合H。

步骤3：找到当前栖息地集合中最好的一个栖息地，然后更新当前最优解H_best，若H_vest不在当前种群中，则将其加入种群。

步骤4：判定是否满足终止条件，若满足则返回当前的最优解，算法结束；若不满足则向下进行。

步骤5：对于成本栖息地集合H中的每个成本栖息地,执行迁移操作。

步骤6：对于成本栖息地集合H中的每个成本栖息地,执行变异操作；结束后转到步骤2。

上述流程中选取的当前最优解采用了精英策略，即当前种群中的最优解只有两种情况，一是被修改，二是保留到下一代中。

对于一个任务i，多次调整其完成时间和能耗的权重并计算最终成本,可以得到一个解的集合。对于这些解的集合，采用非支配排序算法(FNSA)，进行排序，选出其中相对较好的一组解。FNSA需要将组合种群R_t(即解集)分成多层的非支配前沿F_i(i＝1，2，…，k，k为非支配前沿的层数)；FNSA的基本步骤如下.

step 1令i＝1；R_t中任一个体p，都将与其它个体进行支配关系比较，并计算支配个体p的个体数目n_p和被个体p支配的个体集合S_p。凡是支配计数n_p为0的个体都被分入第1层非支配前沿F₁.

step 2对于F_i中的任一个体p，将S_p集合中的每一个成员q的支配计数n_q减1；如果q的支配计数n_q等于零，将q分入下一层非支配前沿F_i+1.

step 3令i＝i+1，如果Fi非空，则跳转至step 2；否则，返回前沿F₁，F2，…，F_k并结束非支配排序。

在FNSA选出的一组较好的解集后，采用TOPSIS方法来寻找解集中最好的一个解。TOPSIS是一种多准则决策方法，其基本原理，是通过检测评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解同时又最远离最劣解，则为最好；否则不为最优。其中最优解的各指标值都达到各评价指标的最优值。最劣解的各指标值都达到各评价指标的最差值。通过采用这个方法，来找到这组较好解集中最好的一个解。

在本发明中，最终优化结果的决策矩阵包含与每个卸载目标的最终结果值，其中x_ij是每个设备最终的结果每项优化目标的值。这里优化就是每个卸载目标的所用时间T以及所用能耗E。其中共有n个卸载目标，m个评价指标,这里m＝2。

首先，矩阵需要将所有的指标转化为极大型指标，即指标正向化。通过以下方式进行正向化：

x＝max-x

其次，为了消去不同指标量纲的影响，则需要对已经正向化的矩阵D′进行标准化处理。设对其标准化的矩阵记为Z,那么公式为：

定义最大值Z⁺,Z^-，其中：

定义第i(i＝1,2,…,n)个评价对象与最大值距离为

定义第i(i＝1,2,…,n)个评价对象与最小值距离为

那么第i(i＝1,2,…,n)个评价对象未归一化评分为

那么最终S_i越大越好。

通过以上方法，来找到一个最好的成本解，从而执行后面的操作。

本发明直接在生物地理学优化算法的基础上进行，通过调整优化目标的权值来获得一系列的解，并且将这一系列解通过快速非支配排序来排序得到一系列的解，针对这些解。使用TOPSIS方法，找出最优解。通过后面两种方法，使最终卸载结果即卸载成本较好。

在一个实施例中，本发明的基于移动边缘计算的能耗优化计算系统的架构图参考如图4所示，所述计算系统包括若干本地设备、若干边缘设备以及至少一个中心设备，本地设备计算出其时间成本和能耗成本，边缘设备和中心设备分别计算出其自身的时间成本和能耗成本；所述计算系统还包括计算设备；

所述计算设备包括：

模型构建单元，用于构建出最终成本模型；

生物地理学优化算法单元，用于求解出最终成本模型中时间权重和能耗权重的一系列最优解；

快速非支配排序算法排序单元，用于对这一系列的最优解分别进行排序，并分别得到最优解集合；

多准则决策方法TOPSIS单元，用于计算出各自的理想解与负理想解，并从所述最优解集合中找到最接近理想解的最优解；

输出结果单元，用于将所述最接近理想解的最优解代入到最终成本模型中，输出各设备对应的最优的时间和能耗；

数据传递单元，用于将输出的结果传递至本地设备、边缘设备或者中心设备中。

在一个实施例中，在上述实施例的基础上，本发明的基于移动边缘计算的能耗优化卸载系统的架构图参考如图5所示，所述卸载系统包括若干本地设备、若干边缘设备以及至少一个中心设备，本地设备计算出其时间成本和能耗成本，边缘设备和中心设备分别计算出其自身的时间成本和能耗成本；所述卸载系统还包括计算设备和卸载设备；

所述计算设备包括：

模型构建单元，用于构建出最终成本模型；

生物地理学优化算法单元，用于求解出最终成本模型中时间权重和能耗权重的一系列最优解；

快速非支配排序算法排序单元，用于对这一系列的最优解分别进行排序，并分别得到最优解集合；

多准则决策方法TOPSIS单元，用于计算出各自的理想解与负理想解，并从所述最优解集合中找到最接近理想解的最优解；

输出结果单元，用于将所述最接近理想解的最优解代入到最终成本模型中，输出最优的时间和能耗；

数据传递单元，用于将输出的结果传递至本地设备、边缘设备以及中心设备中；

所述卸载设备包括：

卸载调用单元，用于根据数据传递单元的结果调用各个卸载单元；

本地执行单元，用于在本地设备中执行当前任务；

边缘卸载单元，用于在边缘设备中卸载当前任务；

中心卸载单元，用于在中心设备中卸载当前任务。

下面给出本发明的卸载系统中各设备的卸载过程包括：

边缘设备获取本地设备的任务信息，并将所述任务信息返回至本地设备；

本地设备根据边缘设备返回的任务信息，选择出卸载任务时所需的边缘设备；

计算出边缘设备进行卸载时所需的成本，以及本地设备进行计算时所需的成本，选择在成本更低的本地设备或边缘设备中进行任务卸载；

若没有边缘设备进行卸载任务，且在中心设备中进行任务卸载的成本低于在边缘设备进行任务卸载的成本，则将本地设备连接至中心设备，并将该任务卸载到中心设备。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，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在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于移动边缘计算的能耗优化计算方法，其特征在于，所述方法包括：

分别计算出本地设备上的时间成本和能耗成本，以及边缘设备和中心设备上的时间成本和能耗成本；

分别对上述三种设备的时间成本和能耗成本赋予权重后求和，并分别构建出本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

将时间权重和成本权重分别从0调节至1，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；

采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；

根据多准则决策方法(TOPSIS)，计算出各自的理想解与负理想解，并从所述成本解集合中找到最接近理想解的最优解；

将所述最优解代入到对应的成本模型中，确定出当前任务采用边缘设备或者中心设备进行卸载的最优的时间成本和能耗成本以及当前任务采用本地设备进行计算的最优的时间成本和能耗成本。

2.根据权利要求1所述的一种基于移动边缘计算的能耗优化计算方法，其特征在于，

本地设备计算成本模型表示为：

Cost_i.l＝δ_i，tT_i，l+δ_i，EE_i，l

E_i，l＝kC_if_i，l ²

其中，Cost_i.l表示本地设备的计算成本；δ_i，t表示任务i的完成时间权重；0＜δ_i，t＜1，T_i，l表示本地设备的时间成本；δ_i，E表示任务i的能耗权重；0＜δ_i，E＜1；E_i，l表示本地设备的能耗成本；C_i表示任务i所需数据大小；f_i，l表示当前本地设备的CPU时钟频率；

边缘设备卸载成本模型表示为：

Cost_i.e＝δ_i，tT_i，e+δ_i，EE_i，e

其中，Cost_i.e表示边缘设备的卸载成本，δ_i，t表示边缘设备中的时间权重，δ_i，E表示边缘设备的能耗权重；T_i，e表示边缘设备上的时间成本；E_i，e表示边缘设备上的能耗成本；d_i，c表示边缘设备上的数据大小；r表示当前传输速率；f_e表示边缘设备的CPU时钟频率；p表示功率；k表示有效开关电容；

中心设备卸载成本模型表示为：

中心设备时间成本和能耗成本考虑了虚拟机的放置，卸载的数据包括虚拟机信息，用以匹配卸载到中心云上的任务；用d_i，e和d_i，c分别表示边缘云和中心云上的数据大小，那么这两个数据是不等的，其最终的中心设备卸载成本模型表示为：

Cost_i.c＝δ_i，tT_i.c+δ_i，EE_i，c

Cost_i.c表示中心设备的卸载成本，δ_i，t表示中心设备中的时间权重，δ_i，E表示中心设备的能耗权重；T_i，c表示中心设备上的时间成本；E_i，e表示中心设备上的能耗成本；d_i，c表示中心设备上的数据大小；C_i表示任务i所需数据大小；f_c表示中心设备的CPU时钟频率。

3.根据权利要求1所述的一种基于移动边缘计算的能耗优化计算方法，其特征在于，将每个设备中至少包括功率和CPU时钟频率的一组数据定义为BBO算法中的一个栖息地；对于每个栖息地，计算其栖息地适应指数即每个设备卸载的成本；然后根据生物地理学优化算法分别将各种设备的成本模型中时间权重和能耗权重分别从0调至1，采用生物地理学优化算法进行求解，并获得一系列的最优解。

4.一种基于移动边缘计算的能耗优化计算系统，所述计算系统包括若干本地设备、若干边缘设备以及至少一个中心设备，本地设备计算出其时间成本和能耗成本，边缘设备和中心设备分别计算出其自身的时间成本和能耗成本；其特征在于，所述计算系统还包括计算设备；

所述计算设备包括：

模型构建单元，用于构建出最终成本模型，包括本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

生物地理学优化算法单元，用于求解出最终成本模型中时间权重和能耗权重的一系列最优解；

快速非支配排序算法排序单元，用于对这一系列的最优解分别进行排序，并分别得到最优解集合；

多准则决策方法TOPSIS单元，用于计算出各自的理想解与负理想解，并从所述最优解集合中找到最接近理想解的最优解；

输出结果单元，用于将所述最接近理想解的最优解代入到对应的成本模型中，输出各设备最优的时间成本和能耗成本；

数据传递单元，用于将任务对应传递至策略选择的相应设备，即本地设备、边缘设备以及中心设备中的其中一种。

5.一种基于移动边缘计算的能耗优化卸载方法，其特征在于，所述方法包括：

判断当前任务数据量与基准数据量的关系，若小于基准数据量，则不执行卸载操作，计算出本地设备上的时间成本和能耗成本；若大于基准数据量，则执行卸载准备操作，计算出边缘设备以及中心设备上的时间成本和能耗成本；

分别对上述三种设备的时间成本和能耗成本赋予权重后求和，并分别构建出本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

将时间权重和成本权重分别从0调节至1，利用生物地理学优化算法求解出各个成本模型中时间成本和能耗成本的一系列成本解；

采用快速非支配排序算法对这一系列成本解分别进行排序，并分别得到成本解集合；

根据多准则决策方法TOPSIS，计算出各自的理想解与负理想解，并从所述成本解集合中找到最接近理想解的最优解；

将所述最优解代入到对应的成本模型中，确定出最优的时间成本和能耗成本；

将所述最优解代入对应的成本模型中进行计算，将边缘设备卸载成本模型中的计算结果或中心设备卸载成本模型的计算结果分别与本地设备计算成本模型所计算的结果对比；如果对应的卸载成本比本地计算所对应的计算成本低，那么，就不执行卸载操作，并以当前任务数据量作为新的基准数据量，否则以成本最优的边缘设备或中心设备执行当前任务的卸载操作。

6.根据权利要求5所述的一种基于移动边缘计算的能耗优化卸载方法，其特征在于，当任务集中存在多个卸载任务时，以最小化任务集的最终卸载成本为目标，对任务集中各个任务的卸载设备进行分配，表示为：

Cost_i＝β_iC0st_i.e+(1-β_i)Cost_i.c

其中，/表示任务集中的卸载任务总数；Cost_i表示任务i的最终卸载成本；β_i表示任务i的云选择因子，如果Cost_i.e＞Cost_i.c，表明任务卸载到边缘设备更优，那么β_i就等于1，相反则为0；Cost_i.e表示边缘设备的卸载成本；Cost_i.c表示中心设备的卸载成本。

7.一种基于移动边缘计算的能耗优化卸载系统，所述卸载系统包括若干本地设备、若干边缘设备以及至少一个中心设备，本地设备计算出其时间成本和能耗成本，边缘设备和中心设备分别计算出其自身的时间成本和能耗成本；其特征在于，所述卸载系统还包括计算设备和卸载设备；

所述计算设备包括：

模型构建单元，用于构建出最终成本模型，包括本地设备计算成本模型、边缘设备卸载成本模型以及中心设备卸载成本模型；

生物地理学优化算法单元，用于求解出最终成本模型中时间权重和能耗权重的一系列最优解；

快速非支配排序算法排序单元，用于对这一系列的最优解分别进行排序，并分别得到最优解集合；

多准则决策方法TOPSIS单元，用于计算出各自的理想解与负理想解，并从所述最优解集合中找到最接近理想解的最优解；

输出结果单元，用于将所述最接近理想解的最优解代入到对应的最终成本模型中，输出最优的时间成本和能耗成本；

数据传递单元，用于将输出的结果对应传递至相应的本地设备、边缘设备以及中心设备中；

所述卸载设备包括：

卸载调用单元，用于根据数据传递单元的结果调用各个卸载单元和本地执行单元；

本地执行单元，用于在本地设备中执行当前任务；

边缘卸载单元，用于在边缘设备中卸载当前任务；

中心卸载单元，用于在中心设备中卸载当前任务。

8.根据权利要求7所述的一种基于移动边缘计算的能耗优化卸载系统，其特征在于，所述卸载系统中各设备的卸载过程包括：

边缘设备获取本地设备的任务信息，并将所述任务信息返回至本地设备；

本地设备根据边缘设备返回的任务信息，选择出卸载任务时所需的边缘设备；

计算出边缘设备进行卸载时所需的成本，以及本地设备进行计算时所需的成本，选择在成本更低的本地设备或边缘设备中进行任务卸载；

若没有边缘设备进行卸载任务，且在中心设备中进行任务卸载的成本低于在边缘设备进行任务卸载的成本，则将本地设备连接至中心设备，并将该任务卸载到中心设备。

Images