CN112256345A - 一种基于最先适应算法和遗传算法的计算任务卸载方法 - Google Patents

Abstract

本发明涉及一种基于最先适应算法和遗传算法的计算任务卸载方法，所述方法包括：步骤S1、对Q时间内累计产生的计算任务使用遗传算法得出卸载位置并进行卸载；步骤S2、初始化TLIMIT＝t₀+TMAX和y＝0；步骤S3、获取产生的最新计算任务，并计算该最新计算任务的计算时间t，判断时间t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，并将该最新计算任务的惩罚值累加到y上，并转到步骤S3；步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。使用本发明，能够使得总体卸载达到最优。

Description

一种基于最先适应算法和遗传算法的计算任务卸载方法

技术领域

本发明涉及计算任务卸载技术领域，具体涉及一种基于最先适应算法和遗传算法的计算任务卸载方法。

背景技术

近些年，随着物联网技术的快速发展与人们对生活质量要求的提高，出现了许多新型物联网设备，并且广泛地得到了使用，如智能手机、智能手环、智能家居、共享单车等。并且随着计算机科学的不断进步，新兴算法的计算量越来越大，如机器学习、自然语言处理、深度学习等。然而移动设备的计算能力较低，电池容量较小，这就导致了移动设备的许多计算任务无法完成。计算卸载中的移动边缘计算和云计算可以有效的解决该问题。移动边缘计算利用无线接入网络就近为移动设备的用户提供计算服务，而云计算通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。因为移动设备的电源使用的是电池或其他功耗较低的供电方式，其功耗得到了限制，且由于移动设备的便携性其体积也得到了限制，所以边缘服务器与云服务器的计算能力通常远高于移动设备。移动设备将任务卸载到边缘服务器和云服务器可以有效的缩短任务的计算时间和减少移动设备的能量消耗。

通过本发明的发明人研究发现，计算任务在本地计算、卸载到边缘服务器或者卸载到云服务器的计算时延和能量消耗差异很大；应该让计算量小、时延敏感型的任务在本地计算，将计算量大、非时延敏感型任务的任务卸载到边缘服务器或云服务器；因此，有必要提出一种计算任务卸载方法，来实现这个目的。

发明内容

本发明的目的在于提出一种基于最先适应算法和遗传算法的计算任务卸载方法，以实现让计算量小、时延敏感型的任务在本地计算，将计算量大、非时延敏感型任务的任务卸载到边缘服务器或云服务器。

为实现上述目的，本发明的实施例提出一种基于最先适应算法和遗传算法的计算任务卸载方法，包括：

步骤S1、对Q时间内多个移动设备累计产生的多个计算任务，使用遗传算法进行计算得出卸载位置并进行卸载；其中，Q为预先设定的遗传算法的处理时间；

步骤S2、初始化TLIMIT＝t₀+TMAX和y＝0；其中，TMAX为最先适应算法最大的处理时间，t₀为Q时间内多个移动设备累计产生的计算任务的时间消耗；

步骤S3、获取产生的最新计算任务，并计算该最新计算任务的时间消耗t，判断时间消耗t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；其中，PMAX为预先设置的惩罚值上限；

步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，将该最新计算任务的惩罚值累加到y，并转到步骤S3；

步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。

可选地，所述步骤S4包括：

步骤S41、计算该最新计算任务在当前卸载位置计算的消耗t；

步骤S42、判断该消耗t是否小于该最新计算任务所要求的消耗最大值；

步骤S43、如果是，则确定该最新计算任务在当前卸载位置进行计算，如果否，则判断是否遍历所有卸载位置，如果否，则移动到下一个卸载位置，并返回步骤S41重新计算和判断；如果遍历所有卸载位置均无法满足所述步骤S42的判断条件，则选择其中消耗最小的卸载位置进行卸载计算。

可选地，根据以下计算方式计算卸载计算任务的所述消耗：

φ＝α_tT+α_eE

其中，φ为消耗，T为计算任务最终的时间总消耗，T由传输时间消耗和计算消耗时间组成，E为最终的能量总消耗，α_t是时间消耗加权系数，α_e是能量消耗加权系数，并且α_t+α_e＝1。

本发明实施例的方法研究了移动设备任务的卸载决策，选择让其在移动设备进行本地计算，还是卸载到边缘服务器或云服务器上，使一段时间内所有任务的计算时延较低、能量消耗较少，即使总体卸载达到最优；提出了以时延和能耗为优化目标的基于最先适应算法和遗传算法的计算卸载方法；为了精确并快速的卸载任务，使用最先适应算法进行在线卸载；以及为了协同优化一段时间内任务，使用遗传算法进行离线卸载；联合最先适应算法和遗传算法，通过轮询使用两种算法，发挥了各自算法的优势，并互相弥补了各自不足。

本发明的其它特征和优点将在随后的说明书中阐述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一中一种基于最先适应算法和遗传算法的计算任务卸载方法的流程示意图。

图2为计算实例中遗传算法执行时间消耗对比图。

图3为计算实例中本发明实施例算法与简单遗传算法消耗对比图。

具体实施方式

为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。

参阅图1，本发明的实施例提出一种基于最先适应算法和遗传算法的计算任务卸载方法，包括：

步骤S1、对Q时间内多个移动设备累计产生的多个计算任务，使用遗传算法进行计算得出卸载位置并进行卸载；其中，Q为预先设定的遗传算法的处理时间；

具体而言，可以理解的是，本发明实施例的主旨在于联合遗传算法和最先适应算法两种算法进行计算任务卸载，以达到消耗最小，其中遗传算法广泛应用于解决计算任务卸载问题，因此本实施例中不限定于任一种具体遗传算法；例如：《计算机工程与科学》刊登的“基于光纤-无线网络的协同计算卸载算法”，郭金林等，该算法针对实时性高的任务，提出了以最小化任务的总处理时间为目标的集中式云和边缘云协同计算卸载问题，并对其进行形式化描述。同时，通过将该问题归约为装箱问题,从而证明其为NP难解问题；提出一个启发式协同计算卸载算法，该算法通过比较不同卸载策略的任务处理时间，优先选择时间最短的任务卸载策略。同时，提出一个定制的遗传算法，获得一个更优的任务卸载策略。又例如：专利文献CN104158855A公开的一种基于遗传算法的移动服务组合计算卸载方法，其通过收集移动终端、移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略，最后根据移动模型和基于遗传算法的计算卸载策略执行当前移动服务组合；从而克服了现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组合中的问题，也克服了现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高服务组合执行效率并且还降低移动终端的能耗。以上仅为举例说明。

步骤S2、初始化TLIMIT＝t₀+TMAX和y＝0；其中，TMAX为最先适应算法最大的处理时间，t₀为Q时间内移动设备累计产生的计算任务的时间消耗；

步骤S3、获取产生的最新计算任务，并计算该最新计算任务的时间消耗t，判断时间消耗t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；其中，PMAX为预先设置的惩罚值上限；

步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，将该最新计算任务的惩罚值累加到y，并转到步骤S3；

具体而言，从计算量的角度，因为导致系统消耗增大和负载不均衡的主要影响因素是计算任务的计算量，所以本实施例使用penalty(c)函数来计算出计算任务的惩罚值，然后将最先适应算法处理的计算任务的惩罚值累加起来得出累计惩罚值，当累计惩罚值的超过PMAX时便不在使用最先适应算法处理计算任务。

当

值为0.2时，penalty(c)值约为0.001；当

值为1时，penalty(c)值约为0.05；当

值为1.8时，penalty(c)值约为0.1。当PMAX设为1且所有计算任务都为均值大小时，遗传算法与最先适应算法的执行次数比为1:20；实际应用过程中，可以根据具体技术要求选择合适的

值。

从计算时间的角度，因为遗传算法处理计算任务会增加等待时间，且由于最先适应算法处理计算任务的方法较为粗糙，长时间处理计算任务可能会导致负载不均衡等问题，所以应该对它们的处理时间进行限制。设遗传算法的处理时间为Q，并设最先适应算法最大的处理时间为TMAX。对于如何设定Q、TMAX、PMAX才能使消耗最小需要进行通过实验进行验证。

步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。

具体而言，所述步骤S5的结束判断为，当所有移动设备产生的计算任务均已通过计算确定其卸载位置时，则结束运行。

其中，对于单个移动设备的多个计算任务很容易使用一些简单的算法来解决，如贪心算法。但在大量的移动设备且每个移动设备产生多个计算任务时，优化目标是非线性的，由于简单的算法得到确切解的前提很苛刻，此时无法解决或得到的解很差，而启发式算法对于此问题是一种较好的解决办法。启发式算法是基于直观或经验构造的算法，在可接受的花费下给出待解决组合优化问题每一个实例的一个可行解。然而启发式搜索的本质仍旧是遍历所有状态，所以在对计算结果的精确度要求较高的情况下，如果使用启发式算法解决较为复杂的问题，需要的计算量通常是巨大的。而简单的算法的计算复杂度通常很低，在一定的情况下也可以对复杂的问题得到一定精确的结果。因此可以在适合的时候使用简单算法，在简单算法无法满足需求时使用启发式算法来降低计算复杂度。因此，本实施例优选采用启发式算法中的遗传算法。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程，对于一些很难得到最优解的问题，可以在一定复杂度的范围内得到近似最优解。遗传算法得到的结果最接近最优解，但其执行速度较慢，复杂度较高，且其是离线算法，其处理一段时间周期内的任务会导致周期内第一个任务要等待最后一个任务的到达才能执行，所以增加了等待时延。最先适应算法可以实时在线的对计算任务进行卸载，但其卸载决策仅考虑了当前时刻的要求，所以距离最优解相差较远。且它无法完成一些复杂的决策，如移动设备应该连接哪个基站会使系统的消耗达到最低。

简单算法的复杂度应该足够低且需要处理时间短，可以满足实时在线计算的过程，最先适应算法较为符合，因此本实施例中选用最先适应算法。最先适应算法是处理计算机资源分配的一种算法，其将空闲区按其在存储空间中的起始地址递增的顺序排列，为作业分配存储空间时，从空闲区链的始端开始查找，选择第一个满足要求的空闲区，而不管它究竟有多大。

所以为了发挥各自算法的优势且最小化各自算法的缺点，本实施例中采用了交替使用两种算法的方法，并对交替的规则从两种角度进行了限制。

可选地，本实施例中所述步骤S4包括：

步骤S41、计算该最新计算任务在当前卸载位置计算的消耗t；

步骤S42、判断该消耗t是否小于该最新计算任务所要求的消耗最大值；

步骤S43、如果是，则确定该最新计算任务在当前卸载位置进行计算，如果否，则判断是否遍历所有卸载位置，如果否，则移动到下一个卸载位置，并返回步骤S41重新计算和判断；如果遍历所有卸载位置均无法满足所述步骤S42的判断条件，则选择其中消耗最小的卸载位置进行卸载计算。

具体而言，本实施例使用的最先适应算法首先按照U、B、P、Queue的顺序选择计算任务的卸载位置,以正在运行的任务数量达到并行任务上限为没有空闲区域。此时的B表示U所连接的基站，Queue表示优先队列，里面存储了空闲度最高的数个基站，并定期更新。当计算任务在当前位置计算的时间小于其所要求的时间最大值时，那么就在当前位置计算，否则移动到下一个位置，重复之前的判断。当任何位置都无法满足时，选择消耗最低的位置进行计算。从算法的执行过程中可以看出，此算法的计算复杂度较低。

可选地，根据以下计算方式计算卸载计算任务的所述消耗：

φ＝α_tT+α_eE

其中，φ为消耗，T为计算任务最终的时间总消耗，T由传输时间消耗和计算消耗时间组成，所述传输时间消耗通过香农公式计算得到，所述计算时间消耗通过C_x和移动设备的CPU频率计算出来，C_x为计算任务所需要的计算周期；E为最终的能量总消耗，E通过所述计算时间消耗和移动设备的CPU功率计算得到；α_t是时间消耗加权系数，α_e是能量消耗加权系数，并且α_t+α_e＝1。

具体而言，本实施例的网络架构一共有三层，分别是移动设备层，边缘计算层和云计算层。移动设备和边缘服务器为后到的任务分配更少的计算资源，并以并行最大计算资源上限(MPCRC)和并行任务上限(PTC)作为界定标准。移动设备和边缘服务器的任务队列中次序小于等于MPCRC的任务被分配给固定的且最大的计算资源，次序大于MPCRC且小于等于PTC的任务被分配较少的计算资源，次序大于PTC的任务被挂起，等待前面的计算任务结束，资源得到释放，再分配计算资源。先到的任务分配更多的计算资源可以有效的增加系统资源的利用率，加快任务的处理速度。云服务器为所有计算任务分配等量的计算资源。

设移动设备为U＝{1,2,...,j,...,U}，U_j为第j个移动设备，边缘服务器为B＝{1,2,...,i,...,B}，B_i为第i个边缘服务器，云服务器为P。所有移动设备的任务总数量为X＝{1,2,…,x,…,X}，第x个计算任务为

其中d_x表示任务的数据大小，c_x表示任务所需要的计算周期，t_x表示任务产生的时刻，

表示任务所要求的时延最大值。

设T为D_x最终的时间总消耗，E为最终的能量总消耗。T由传输时间消耗和计算消耗时间组成，传输时间消耗可以通过香农公式计算处理，计算时间消耗可以通过c_x和CPU频率计算出来。E可以通过计算时间消耗和CPU功率计算出来。将T与E进行通过加权得到总消耗：

φ＝α_tT+α_eE (1)

其中α_t是时间消耗加权系数，α_e是能量消耗加权系数，并且α_t+α_e＝1。D_x在U_j、B_i和P上的总消耗可以通过公式(1)计算处理出来，分别为

和φ^(p)。

所有移动设备、基站和云服务器的总消耗是：

其中I_{η}是指示函数，当η为真时I_{η}＝1，否则I_{η}＝0。根据系统模型，问题可以公式化成：

下面结合实例说明：

(1)参数设置

本发明实施例考虑了多移动设备、多微基站及服务器和云服务器的云边端协同计算卸载的场景。每个移动设备在不同的时刻产生不定数量的计算任务，每个任务需要的计算量、时间需求、数据量大小也均不同。移动设备首次连接基站时，默认选择带宽最大的进行连接，每分钟每个移动设备产生任务的平均数量为33.33，其他具体的实验参数如表1所示。在仿真实验中，如果没有重新说明，那么参数就是按以上的数据设定的。

表1-实验参数设定

(2)实验结果

图2展示了从计算时间角遗传算法和最先适应算法的使用权衡。本实施例将单独考虑计算时间的限制，所以PMAX设为无穷大。为了验证Q与TMAX的关系，本实施例将Q和TMAX的总和定为5s。图中随着Q不断地增加，总消耗大致的趋势是不断的增加，但在Q＝0.4的时候稍微有点降低，这说明此时是遗传算法和最先适应算法的优点总和发挥最大的时候。遗传算法卸载计算任务更接近最优解，总体消耗会更低，最先适应算法卸载计算任务无需等待，各自的优势在Q＝0.4时发挥最大。实验数据说明了最先适应算法可以大量的使用而不会较大的影响总体消耗。

图3显示了基于最先适应算法和遗传算法的计算卸载方法(COS-FG)与单独使用最先适应算法(FFA)和遗传算法(GA)进行卸载的消耗对比。本次实验设置为使对比差异更加明显，增加了遗传算法的处理时间，设置了Q＝2。从仿真结果可以看出，对于相同的一些任务，本实施例的方法比单独使用最先适应算法和遗传算法的消耗要低，并且随着移动设备数量的增长，差异越来越明显。

本发明实施例的方法立足于计算任务卸载到边缘服务器或云服务器，对以时延和能耗为优化目标的卸载方法进行研究，提出了基于最先适应算法和遗传算法的计算卸载方法。首先将问题模型公式化为一个带约束条件的非线性优化问题。然后使用最先适应算法卸载快速的卸载计算任务，使用遗传算法精确的卸载计算任务。接着通过轮询使用两种算法，发挥了各自算法的优势，并互相弥补了各自不足。最后仿真表明本方法可以有效的降低任务的平均时延和平均消耗。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (3)

1.一种基于最先适应算法和遗传算法的计算任务卸载方法，其特征在于，包括：

步骤S1、对Q时间内多个移动设备累计产生的多个计算任务，使用遗传算法进行计算得出卸载位置并进行卸载；其中，Q为预先设定的遗传算法的处理时间；

步骤S2、初始化TLIMIT＝t₀+TMAX和y＝0；其中，TMAX为最先适应算法最大的处理时间，t₀为Q时间内多个移动设备累计产生的计算任务的时间消耗；

步骤S3、获取产生的最新计算任务，并计算该最新计算任务的时间消耗t，判断时间消耗t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；其中，PMAX为预先设置的惩罚值上限；

步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，将该最新计算任务的惩罚值累加到y，并转到步骤S3；

步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。

2.根据权利要求1所述的基于最先适应算法和遗传算法的计算任务卸载方法，其特征在于，所述步骤S4包括：

步骤S41、计算该最新计算任务在当前卸载位置计算的消耗t；

步骤S42、判断该消耗t是否小于该最新计算任务所要求的消耗最大值；

步骤S43、如果是，则确定该最新计算任务在当前卸载位置进行计算，如果否，则判断是否遍历所有卸载位置，如果否，则移动到下一个卸载位置，并返回步骤S41重新计算和判断；如果遍历所有卸载位置均无法满足所述步骤S42的判断条件，则选择其中消耗最小的卸载位置进行卸载计算。

3.根据权利要求2所述的基于最先适应算法和遗传算法的计算任务卸载方法，其特征在于，根据以下计算方式计算卸载计算任务的所述消耗：

φ＝α_tT+α_eE

其中，φ为消耗，T为计算任务最终的时间总消耗，T由传输时间消耗和计算消耗时间组成，E为最终的能量总消耗，α_t是时间消耗加权系数，α_e是能量消耗加权系数，并且α_t+α_e＝1。

Images