CN112379985B - 一种云边缘计算环境下的计算任务分配方法及装置 - Google Patents

Abstract

本发明提供一种云边缘计算环境下的计算任务分配方法，包括获取计算任务以及可用资源设备；构建决策变量，将计算任务依次分配至各可用资源设备处理给决策变量赋值，得到各计算任务的决策变量矩阵；构建任务处理效率变量，遍历各计算任务的决策变量矩阵，并使用不同模型将计算任务分配可用资源设备处理时的执行时间、能耗和成本给任务处理效率变量赋值，得到各计算任务的目标函数组合矩阵；将符合预定条件的任务处理效率变量删除，以更新所有目标函数组合矩阵；在更新的所有目标函数组合矩阵中，将执行成本和执行能耗为最小的可用资源设备输出。实施本发明，能减少信息传输延迟，提高任务处理效率，还能合理分配计算任务实现快速处理及持久计算。

Description

一种云边缘计算环境下的计算任务分配方法及装置

技术领域

本发明涉及云计算技术领域，尤其涉及一种云边缘计算环境下的计算任务分配方法及装置。

背景技术

配电网中配置了大量采集数据及分析数据的手持终端，并采用云计算技术和边缘计算技术为手持终端提供计算和存储服务。其中，云计算技术通过可伸缩的方式为手持终端和公共云资源提供计算和存储服务，但是存在两个明显的局限性：1)手持终端到公共云资源的传播距离太长，导致移动应用的延迟太长；2)网络边缘的计算和存储不足，无法实现无处不在的移动计算。其中，边缘计算技术是将一些计算任务转移到边缘来满足手持终端不断增长的计算需求，并确保手持终端可以实时跟踪行为、位置、环境等信息，减少了手持终端与公共云资源之间敏感信息的交换，同时更加节能，但是在计算能力、可伸缩性和高能灵敏度等方面都有限，无法进行长期计算。由此可见，上述两种计算环境下的计算任务分配存在不足之处，有必要进行改进。

因此，亟需一种集成云计算技术和边缘计算技术的计算任务分配方案，不仅能减少信息传输延迟，提高任务处理效率，还能通过合理分配计算任务实现快速处理及持久计算。

发明内容

本发明实施例所要解决的技术问题在于，提供一种云边缘计算环境下的计算任务分配方法及装置，不仅能减少信息传输延迟，提高任务处理效率，还能通过合理分配计算任务实现快速处理及持久计算。

为了解决上述技术问题，本发明实施例提供了一种云边缘计算环境下的计算任务分配方法，其在由手持终端与多个边缘节点及云中心实现互联的网络上实现，所述方法包括以下步骤：

S1、获取计算任务以及可用资源设备；其中，所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心；

S2、构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态，并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则，通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的决策变量，且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵，得到每一计算任务各自对应的决策变量矩阵；

S3、构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本，遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量，并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型，通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量，且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到每一计算任务各自对应的目标函数组合矩阵；

S4、遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量，通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式，更新每一计算任务各自对应的目标函数组合矩阵；

S5、在更新后的每一计算任务各自对应的目标函数组合矩阵中，分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。

其中，所述步骤S2具体包括：

构建决策变量

其中，x_i为决策变量，表示计算任务t_i最终处理方式；

为计算任务t_i由所述手持终端就地处理；

分别为计算任务t_i由1～M个边缘节点之中相应一个远程处理；

表示计算任务t_i由所述云中心远程处理；i＝{1,2,..,n}，n为计算任务的总数；

初始化所有计算任务t₁～t_n各自对应的决策变量x₁～x_n均为0；

将所有计算任务t₁～t_n都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值，得到计算任务t₁～t_n各自对应各可用资源设备赋值后的决策变量；其中，计算任务t_i对应各可用资源设备赋值后的决策变量为X_i,1～X_i,M+2；X_i,1＝{1,(0,0…0),0}为计算任务t_i被分配至所述手持终端处理时对应赋值后的决策变量；X_i,2＝{0,(1,0…0),0}～X_i,M+1＝{0,(0,0…1),0}分别为计算任务t_i被分配至1～M个边缘节点之中相应一个远程处理时对应赋值后的决策变量X_i,M+2＝{0,(0,0…0),1}为计算任务t_i被分配至所述云中心处理时对应赋值后的决策变量；可用资源设备的总数为M+2；

将计算任务t₁～t_n各自所对应赋值后的所有决策变量组合成矩阵，得到计算任务t₁～t_n各自对应的决策变量矩阵；其中，计算任务t_i对应的决策变量矩阵X_i，且

其中，所述步骤S3具体包括：

构建任务处理效率变量J_i,j＝(D_i,j,C_i,j,E_i,j)；其中，J_i,j为任务处理效率变量，表示计算任务t_i被分配至第j个可用资源设备处理时的最终任务处理效率；D_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行时间；E_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行能耗；C_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行成本；j＝{1,2,..,M+2}；

遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间；其中，

为计算任务t_i由所述手持终端就地处理时的执行时间；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行时间；

为计算任务t_i由所述云中心远程处理时的执行时间；

及

均采用预设任务执行时间模型

来计算得到的；

为计算任务t_i数据处理时间，且

为计算任务t_i数据通讯时间，且

为计算任务t_i远程计算时等待时间，且

I_i为任务计算总量；w_ta为单位计算能力；s_i为数据量；ω_i为数据敏感因数；l为网络延迟；β为可用通信带宽；L_q为数据队列长度；λ为任务到达率；

遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行能耗；其中，

为计算任务t_i由所述手持终端就地处理时的执行能耗；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行能耗；

为计算任务t_i由所述云中心远程处理时的执行成本；

及

均采用预设手持终端能耗模型

来计算得到的；

为计算任务t_i数据处理能耗，且

为计算任务t_i数据通讯能耗，且

为计算任务t_i远程计算时等待能耗，且

为每秒能量损耗；ε^c为远程等待能量损耗；ε^w为单位时间数据传输量能量损耗；

遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行成本；其中，

为计算任务t_i由所述手持终端就地处理时的执行成本；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行成本；

为计算任务t_i由所述云中心远程时处理的执行成本；

及

均采用预设成本模型

来计算得到的；

表示计算任务t_i远程处理成本，且

表示计算任务t_i数据通讯成本，且

p_i为单位时间成本；λ^/为带宽成本；

根据计算所得计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本，生成计算任务t₁～t_n各自对应各可用资源设备赋值后的任务处理效率变量L₁～L_n；其中，L_i＝(J_i,1,J_i,2,...,J_i,M+1,J_i,M+2)，L_i为计算任务t_i在各可用资源设备处理时对应赋值后的任务处理效率变量的集合；

将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n；其中，

P_i为计算任务t_i的目标函数组合矩阵。

其中，所述步骤S4具体为：

在计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n中，分别逐行查找满足执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量并删除，得到更新后的计算任务t₁～t_n各自对应的目标函数组合矩阵P₁ ^/～P^/ _n；其中，在计算任务t_i的目标函数组合矩阵P_i中，若任务处理效率变量J_i,j中执行时间D_i,j<δ或执行能耗E_i,j<e，则删除，并得到更新后的计算任务t_i的目标函数组合矩阵P^/ _i；δ为预定时间；e为预定能耗。

本发明实施例还提供了一种云边缘计算环境下的计算任务分配装置，其用于由手持终端与多个边缘节点及云中心实现互联的网络上，包括：

任务和资源获取单元，用于获取计算任务以及可用资源设备；其中，所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心；

任务决策单元，用于构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态，并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则，通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的决策变量，且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵，得到每一计算任务各自对应的决策变量矩阵；

任务处理效率统计单元，用于构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本，遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量，并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型，通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量，且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到每一计算任务各自对应的目标函数组合矩阵；

任务处理效率优化单元，用于遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量，通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式，更新每一计算任务各自对应的目标函数组合矩阵；

任务分配单元，用于在更新后的每一计算任务各自对应的目标函数组合矩阵中，分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。

其中，所述任务决策单元包括：

决策变量构建模块，用于构建决策变量

其中，x_i为决策变量，表示计算任务t_i最终处理方式；

为计算任务t_i由所述手持终端就地处理；

分别为计算任务t_i由1～M个边缘节点之中相应一个远程处理；

表示计算任务t_i由所述云中心远程处理；i＝{1,2,..,n}，n为计算任务的总数；

决策变量初始化模块，用于初始化所有计算任务t₁～t_n各自对应的决策变量x₁～x_n均为0；

决策变量赋值模块，用于将所有计算任务t₁～t_n都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值，得到计算任务t₁～t_n各自对应各可用资源设备赋值后的决策变量；其中，计算任务t_i对应各可用资源设备赋值后的决策变量为X_i,1～X_i,M+2；X_i,1＝{1,(0,0…0),0}为计算任务t_i被分配至所述手持终端处理时对应赋值后的决策变量；X_i,2＝{0,(1,0…0),0}～X_i,M+1＝{0,(0,0…1),0}分别为计算任务t_i被分配至1～M个边缘节点之中相应一个远程处理时对应赋值后的决策变量X_i,M+2＝{0,(0,0…0),1}为计算任务t_i被分配至所述云中心处理时对应赋值后的决策变量；可用资源设备的总数为M+2；

决策变量矩阵生成模块，用于将计算任务t₁～t_n各自所对应赋值后的所有决策变量组合成矩阵，得到计算任务t₁～t_n各自对应的决策变量矩阵；其中，计算任务t_i对应的决策变量矩阵X_i，且

其中，所述任务处理效率统计单元包括：

任务处理效率变量构建模块，用于构建任务处理效率变量J_i,j＝(D_i,j,C_i,j,E_i,j)；其中，J_i,j为任务处理效率变量，表示计算任务t_i被分配至第j个可用资源设备处理时的最终任务处理效率；D_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行时间；E_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行能耗；C_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行成本；j＝{1,2,..,M+2}；

执行时间遍历计算模块，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间；其中，

为计算任务t_i由所述手持终端就地处理时的执行时间；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行时间；

为计算任务t_i由所述云中心远程处理时的执行时间；

及

均采用预设任务执行时间模型

来计算得到的；

为计算任务t_i数据处理时间，且

为计算任务t_i数据通讯时间，且

为计算任务t_i远程计算时等待时间，且

I_i为任务计算总量；w_ta为单位计算能力；s_i为数据量；ω_i为数据敏感因数；l为网络延迟；β为可用通信带宽；L_q为数据队列长度；λ为任务到达率；

执行能耗遍历计算模块，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行能耗；其中，

为计算任务t_i由所述手持终端就地处理时的执行能耗；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行能耗；

为计算任务t_i由所述云中心远程处理时的执行成本；

及

均采用预设手持终端能耗模型

来计算得到的；

为计算任务t_i数据处理能耗，且

为计算任务t_i数据通讯能耗，且

为计算任务t_i远程计算时等待能耗，且

为每秒能量损耗；ε^c为远程等待能量损耗；ε^w为单位时间数据传输量能量损耗；

执行成本遍历计算模块，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行成本；其中，

为计算任务t_i由所述手持终端就地处理时的执行成本；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行成本；

为计算任务t_i由所述云中心远程时处理的执行成本；

及

均采用预设成本模型

来计算得到的；

表示计算任务t_i远程处理成本，且

表示计算任务t_i数据通讯成本，且

p_i为单位时间成本；λ^/为带宽成本；

任务处理效率变量赋值模块，用于根据计算所得计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本，生成计算任务t₁～t_n各自对应各可用资源设备赋值后的任务处理效率变量L₁～L_n；其中，L_i＝(J_i,1,J_i,2,...,J_i,M+1,J_i,M+2)，L_i为计算任务t_i在各可用资源设备处理时对应赋值后的任务处理效率变量的集合；

目标函数组合矩阵生成模块，用于将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n；其中，

P_i为计算任务t_i的目标函数组合矩阵。

实施本发明实施例，具有如下有益效果：

本发明采用手持终端与多个边缘节点及云中心实现互联的移动云边缘计算架构，以利用云的功能资源和在边缘层访问资源的可用性，构建了任务执行时间模型、手持终端能源消耗模型和成本模型，并以执行时间为约束条件，最小化执行成本和执行能耗，实现多计算任务在手持终端、边缘中心和后台云中心之间的合理分配，发挥了手持终端的就地快速处理能力、云中心广域算力和边缘节点的信息快速传递，减少了信息传输延迟，提高了任务处理效率。

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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的一种云边缘计算环境下的计算任务分配方法的流程图；

图2为本发明实施例提供的一种云边缘计算环境下的计算任务分配方法中手持终端与多个边缘节点及云中心实现互联的网络构架图；

图3为本发明实施例提供的一种云边缘计算环境下的计算任务分配装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例中，提供的一种云边缘计算环境下的计算任务分配方法，其在由手持终端与多个边缘节点及云中心实现互联的网络上实现(如图2所示)，所述方法包括以下步骤：

S1、获取计算任务以及可用资源设备；其中，所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心；

具体过程为，获取计算任务为{t₁,…,t_i,…,t_n}，n为计算任务的总数；获取可用资源设备的总数为M+2，包括1个手持终端，M个边缘节点和1个云中心；其中，M为大于1的正整数。

S2、构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态，并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则，通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的决策变量，且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵，得到每一计算任务各自对应的决策变量矩阵；

具体过程为，首先，构建决策变量

其中，x_i为决策变量，表示计算任务t_i最终处理方式；

为计算任务t_i由手持终端就地处理；

分别为计算任务t_i由1～M个边缘节点之中相应一个远程处理；

表示计算任务t_i由云中心远程处理；i＝{1,2,..,n}。

其次，初始化所有计算任务t₁～t_n各自对应的决策变量x₁～x_n均为0；其中，计算任务t_i对应决策变量x_i＝0，即

接着，将所有计算任务t₁～t_n都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值，得到计算任务t₁～t_n各自对应各可用资源设备赋值后的决策变量；其中，计算任务t_i对应各可用资源设备赋值后的决策变量为X_i,1～X_i,M+2；X_i,1＝{1,(0,0…0),0}为计算任务t_i被分配至手持终端处理时对应赋值后的决策变量；X_i,2＝{0,(1,0…0),0}～X_i,M+1＝{0,(0,0…1),0}分别为计算任务t_i被分配至1～M个边缘节点之中相应一个远程处理时对应赋值后的决策变量X_i,M+2＝{0,(0,0…0),1}为计算任务t_i被分配至云中心处理时对应赋值后的决策变量。

然后，将计算任务t₁～t_n各自所对应赋值后的所有决策变量组合成矩阵，得到计算任务t₁～t_n各自对应的决策变量矩阵；其中，计算任务t_i对应的决策变量矩阵X_i，且

S3、构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本，遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量，并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型，通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量，且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到每一计算任务各自对应的目标函数组合矩阵；

具体过程为，首先，构建任务处理效率变量J_i,j＝(D_i,j,C_i,j,E_i,j)；其中，J_i,j为任务处理效率变量，表示计算任务t_i被分配至第j个可用资源设备处理时的最终任务处理效率；D_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行时间；E_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行能耗；C_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行成本；j＝{1,2,..,M+2}。

其次，遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间；其中，

为计算任务t_i由所述手持终端就地处理时的执行时间；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行时间；

为计算任务t_i由所述云中心远程处理时的执行时间。

应当说明的是，

及

均采用预设任务执行时间模型

来计算得到的。其中，

为计算任务t_i数据处理时间，且

为计算任务t_i数据通讯时间，且

为计算任务t_i远程计算时等待时间，且

I_i为任务计算总量；w_ta为单位计算能力；s_i为数据量；ω_i为数据敏感因数；l为网络延迟；β为可用通信带宽；L_q为数据队列长度；λ为任务到达率；

接着，遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行能耗；其中，

为计算任务t_i由所述手持终端就地处理时的执行能耗；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行能耗；

为计算任务t_i由所述云中心远程处理时的执行成本。

应当说明的是，

及

均采用预设手持终端能耗模型

来计算得到的。其中，

为计算任务t_i数据处理能耗，且

为计算任务t_i数据通讯能耗，且

为计算任务t_i远程计算时等待能耗，且

为每秒能量损耗；ε^c为远程等待能量损耗；ε^w为单位时间数据传输量能量损耗。

接着，遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行成本；其中，

为计算任务t_i由所述手持终端就地处理时的执行成本；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行成本；

为计算任务t_i由所述云中心远程时处理的执行成本。

应当说明的是，

及

均采用预设成本模型

来计算得到的。其中，

表示计算任务t_i远程处理成本，且

表示计算任务t_i数据通讯成本，且

p_i为单位时间成本；λ^/为带宽成本。

然后，根据计算所得计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本，生成计算任务t₁～t_n各自对应各可用资源设备赋值后的任务处理效率变量L₁～L_n；其中，L_i＝(J_i,1,J_i,2,...,J_i,M+1,J_i,M+2)，L_i为计算任务t_i在各可用资源设备处理时对应赋值后的任务处理效率变量的集合。

最后，将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n；其中，

P_i为计算任务t_i的目标函数组合矩阵。

S4、遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量，通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式，更新每一计算任务各自对应的目标函数组合矩阵；

具体过程为，在计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n中，分别逐行查找满足执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量并删除，得到更新后的计算任务t₁～t_n各自对应的目标函数组合矩阵P₁ ^/～P^/ _n；其中，在计算任务t_i的目标函数组合矩阵P_i中，若任务处理效率变量J_i,j中执行时间D_i,j<δ或执行能耗E_i,j<e，则删除，并得到更新后的计算任务t_i的目标函数组合矩阵P^/ _i；δ为预定时间；e为预定能耗。

S5、在更新后的每一计算任务各自对应的目标函数组合矩阵中，分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。

具体过程为，以执行成本和执行能耗最小为优化目标min(E.C)，在更新后的计算任务t₁～t_n各自对应的目标函数组合矩阵P₁ ^/～P^/ _n中找到对应的可用资源设备作为相应计算任务的最终分配设备输出；其中，在计算任务t_i更新后的目标函数组合矩阵P^/ _i中，逐行查找到min(E.C)的J_i,k，则在1～M+2个可用资源设备中确定第k个可用资源设备作为计算任务t_i最终被分配的设备。

应当说明的是，若k＝1，则说明计算任务t_i最终被分配的设备为手持终端；若k＝M+2，则说明计算任务t_i最终被分配的设备为云中心；若1<k<M+2，则说明计算任务t_i最终被分配的设备为第k-1个边缘节点。

如图3所示，为本发明实施例中，提供的一种云边缘计算环境下的计算任务分配装置，其用于由手持终端与多个边缘节点及云中心实现互联的网络上，包括：

任务和资源获取单元110，用于获取计算任务以及可用资源设备；其中，所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心；

任务决策单元120，用于构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态，并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则，通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的决策变量，且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵，得到每一计算任务各自对应的决策变量矩阵；

任务处理效率统计单元130，用于构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本，遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量，并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型，通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量，且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到每一计算任务各自对应的目标函数组合矩阵；

任务处理效率优化单元140，用于遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量，通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式，更新每一计算任务各自对应的目标函数组合矩阵；

任务分配单元150，用于在更新后的每一计算任务各自对应的目标函数组合矩阵中，分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出。

其中，所述任务决策单元120包括：

决策变量构建模块1201，用于构建决策变量

其中，x_i为决策变量，表示计算任务t_i最终处理方式；

为计算任务t_i由所述手持终端就地处理；

分别为计算任务t_i由1～M个边缘节点之中相应一个远程处理；

表示计算任务t_i由所述云中心远程处理；i＝{1,2,..,n}，n为计算任务的总数；

决策变量初始化模块1202，用于初始化所有计算任务t₁～t_n各自对应的决策变量x₁～x_n均为0；

决策变量赋值模块1203，用于将所有计算任务t₁～t_n都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值，得到计算任务t₁～t_n各自对应各可用资源设备赋值后的决策变量；其中，计算任务t_i对应各可用资源设备赋值后的决策变量为X_i,1～X_i,M+2；X_i,1＝{1,(0,0…0),0}为计算任务t_i被分配至所述手持终端处理时对应赋值后的决策变量；X_i,2＝{0,(1,0…0),0}～X_i,M+1＝{0,(0,0…1),0}分别为计算任务t_i被分配至1～M个边缘节点之中相应一个远程处理时对应赋值后的决策变量X_i,M+2＝{0,(0,0…0),1}为计算任务t_i被分配至所述云中心处理时对应赋值后的决策变量；可用资源设备的总数为M+2；

决策变量矩阵生成模块1204，用于将计算任务t₁～t_n各自所对应赋值后的所有决策变量组合成矩阵，得到计算任务t₁～t_n各自对应的决策变量矩阵；其中，计算任务t_i对应的决策变量矩阵X_i，且

其中，所述任务处理效率统计单元130包括：

任务处理效率变量构建模块1301，用于构建任务处理效率变量J_i,j＝(D_i,j,C_i,j,E_i,j)；其中，J_i,j为任务处理效率变量，表示计算任务t_i被分配至第j个可用资源设备处理时的最终任务处理效率；D_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行时间；E_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行能耗；C_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行成本；j＝{1,2,..,M+2}；

执行时间遍历计算模块1302，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间；其中，

为计算任务t_i由所述手持终端就地处理时的执行时间；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行时间；

为计算任务t_i由所述云中心远程处理时的执行时间；

及

均采用预设任务执行时间模型

来计算得到的；

为计算任务t_i数据处理时间，且

为计算任务t_i数据通讯时间，且

为计算任务t_i远程计算时等待时间，且

I_i为任务计算总量；w_ta为单位计算能力；s_i为数据量；ω_i为数据敏感因数；l为网络延迟；β为可用通信带宽；L_q为数据队列长度；λ为任务到达率；

执行能耗遍历计算模块1303，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行能耗；其中，

为计算任务t_i由所述手持终端就地处理时的执行能耗；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行能耗；

为计算任务t_i由所述云中心远程处理时的执行成本；

及

均采用预设手持终端能耗模型

来计算得到的；

为计算任务t_i数据处理能耗，且

为计算任务t_i数据通讯能耗，且

为计算任务t_i远程计算时等待能耗，且

为每秒能量损耗；ε^c为远程等待能量损耗；ε^w为单位时间数据传输量能量损耗；

执行成本遍历计算模块1304，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行成本；其中，

为计算任务t_i由所述手持终端就地处理时的执行成本；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行成本；

为计算任务t_i由所述云中心远程时处理的执行成本；

及

均采用预设成本模型

来计算得到的；

表示计算任务t_i远程处理成本，且

表示计算任务t_i数据通讯成本，且

p_i为单位时间成本；λ^/为带宽成本；

任务处理效率变量赋值模块1305，用于根据计算所得计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本，生成计算任务t₁～t_n各自对应各可用资源设备赋值后的任务处理效率变量L₁～L_n；其中，L_i＝(J_i,1,J_i,2,...,J_i,M+1,J_i,M+2)，L_i为计算任务t_i在各可用资源设备处理时对应赋值后的任务处理效率变量的集合；

目标函数组合矩阵生成模块，用于将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n；其中，

P_i为计算任务t_i的目标函数组合矩阵。

实施本发明实施例，具有如下有益效果：

本发明采用手持终端与多个边缘节点及云中心实现互联的移动云边缘计算架构，以利用云的功能资源和在边缘层访问资源的可用性，构建了任务执行时间模型、手持终端能源消耗模型和成本模型，并以执行时间为约束条件，最小化执行成本和执行能耗，实现多计算任务在手持终端、边缘中心和后台云中心之间的合理分配，发挥了手持终端的就地快速处理能力、云中心广域算力和边缘节点的信息快速传递，减少了信息传输延迟，提高了任务处理效率。

值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (3)

1.一种云边缘计算环境下的计算任务分配方法，其在由手持终端与多个边缘节点及云中心实现互联的网络上实现，其特征在于，所述方法包括以下步骤：

S1、获取计算任务以及可用资源设备；其中，所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心；

S2、构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态，并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则，通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的决策变量，且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵，得到每一计算任务各自对应的决策变量矩阵；

S3、构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本，遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量，并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型，通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量，且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到每一计算任务各自对应的目标函数组合矩阵；

S4、遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量，通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式，更新每一计算任务各自对应的目标函数组合矩阵；

S5、在更新后的每一计算任务各自对应的目标函数组合矩阵中，分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出；

其中，所述步骤S2具体包括：

构建决策变量

其中，x_i为决策变量，表示计算任务t_i最终处理方式；

为计算任务t_i由所述手持终端就地处理；

分别为计算任务t_i由1～M个边缘节点之中相应一个远程处理；

表示计算任务t_i由所述云中心远程处理；i＝{1,2,..,n}，n为计算任务的总数；

初始化所有计算任务t₁～t_n各自对应的决策变量x₁～x_n均为0；

将所有计算任务t₁～t_n都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值，得到计算任务t₁～t_n各自对应各可用资源设备赋值后的决策变量；其中，计算任务t_i对应各可用资源设备赋值后的决策变量为X_i,1～X_i,M+2；X_i,1＝{1,(0,0…0),0}为计算任务t_i被分配至所述手持终端处理时对应赋值后的决策变量；X_i,2＝{0,(1,0…0),0}～X_i,M+1＝{0,(0,0…1),0}分别为计算任务t_i被分配至1～M个边缘节点之中相应一个远程处理时对应赋值后的决策变量X_i,M+2＝{0,(0,0…0),1}为计算任务t_i被分配至所述云中心处理时对应赋值后的决策变量；可用资源设备的总数为M+2；

将计算任务t₁～t_n各自所对应赋值后的所有决策变量组合成矩阵，得到计算任务t₁～t_n各自对应的决策变量矩阵；其中，计算任务t_i对应的决策变量矩阵X_i，且

其中，所述步骤S3具体包括：

构建任务处理效率变量J_i,j＝(D_i,j,C_i,j,E_i,j)；其中，J_i,j为任务处理效率变量，表示计算任务t_i被分配至第j个可用资源设备处理时的最终任务处理效率；D_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行时间；E_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行能耗；C_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行成本；j＝{1,2,..,M+2}；

遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间；其中，

为计算任务t_i由所述手持终端就地处理时的执行时间；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行时间；

为计算任务t_i由所述云中心远程处理时的执行时间；

及

均采用预设任务执行时间模型

来计算得到的；

为计算任务t_i数据处理时间，且

为计算任务t_i数据通讯时间，且

为计算任务t_i远程计算时等待时间，且

I_i为任务计算总量；w_ta为单位计算能力；s_i为数据量；ω_i为数据敏感因数；l为网络延迟；β为可用通信带宽；L_q为数据队列长度；λ为任务到达率；

遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行能耗；其中，

为计算任务t_i由所述手持终端就地处理时的执行能耗；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行能耗；

为计算任务t_i由所述云中心远程处理时的执行成本；

及

均采用预设手持终端能耗模型

来计算得到的；

为计算任务t_i数据处理能耗，且

为计算任务t_i数据通讯能耗，且

为计算任务t_i远程计算时等待能耗，且

为每秒能量损耗；ε^c为远程等待能量损耗；ε^w为单位时间数据传输量能量损耗；

遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行成本；其中，

为计算任务t_i由所述手持终端就地处理时的执行成本；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行成本；

为计算任务t_i由所述云中心远程时处理的执行成本；

及

均采用预设成本模型

来计算得到的；

表示计算任务t_i远程处理成本，且

表示计算任务t_i数据通讯成本，且

p_i为单位时间成本；λ^/为带宽成本；

根据计算所得计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本，生成计算任务t₁～t_n各自对应各可用资源设备赋值后的任务处理效率变量L₁～L_n；其中，L_i＝(J_i,1,J_i,2,...,J_i,M+1,J_i,M+2)，L_i为计算任务t_i在各可用资源设备处理时对应赋值后的任务处理效率变量的集合；

将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n；其中，

P_i为计算任务t_i的目标函数组合矩阵。

2.如权利要求1所述的云边缘计算环境下的计算任务分配方法，其特征在于，所述步骤S4具体为：

在计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n中，分别逐行查找满足执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量并删除，得到更新后的计算任务t₁～t_n各自对应的目标函数组合矩阵P₁ ^/～P^/ _n；其中，在计算任务t_i的目标函数组合矩阵P_i中，若任务处理效率变量J_i,j中执行时间D_i,j<δ或执行能耗E_i,j<e，则删除，并得到更新后的计算任务t_i的目标函数组合矩阵P^/ _i；δ为预定时间；e为预定能耗。

3.一种云边缘计算环境下的计算任务分配装置，其用于由手持终端与多个边缘节点及云中心实现互联的网络上，其特征在于，包括：

任务和资源获取单元，用于获取计算任务以及可用资源设备；其中，所述可用资源设备包括所述手持终端、多个所述边缘节点及所述云中心；

任务决策单元，用于构建决策变量来表征所有可用资源设备对同一计算任务处理与否的状态，并结合单一计算任务仅被分配至单一可用资源设备处理的预定原则，通过遍历同一计算任务被分配至各可用资源设备处理给决策变量对应赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的决策变量，且进一步将同一计算任务所对应赋值后的所有决策变量组合成矩阵，得到每一计算任务各自对应的决策变量矩阵；

任务处理效率统计单元，用于构建任务处理效率变量来表征所有可用资源设备对同一计算任务的执行时间、执行能耗和执行成本，遍历每一计算任务各自对应的决策变量矩阵中所有已赋值的决策变量，并结合预设任务执行时间模型、预设手持终端能耗模型和预设成本模型，通过计算出同一计算任务依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本给任务处理效率变量进行赋值的方式，得到每一计算任务各自对应各可用资源设备所赋值的任务处理效率变量，且将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到每一计算任务各自对应的目标函数组合矩阵；

任务处理效率优化单元，用于遍历每一计算任务各自对应目标函数组合矩阵中所有已赋值的任务处理效率变量，通过将执行时间小于预定时间或执行能耗小于预定能耗的任务处理效率变量删除的方式，更新每一计算任务各自对应的目标函数组合矩阵；

任务分配单元，用于在更新后的每一计算任务各自对应的目标函数组合矩阵中，分别将执行成本和执行能耗均为最小时所对应的可用资源设备作为相应计算任务的最终分配设备输出；

其中，所述任务决策单元包括：

决策变量构建模块，用于构建决策变量

其中，x_i为决策变量，表示计算任务t_i最终处理方式；

为计算任务t_i由所述手持终端就地处理；

分别为计算任务t_i由1～M个边缘节点之中相应一个远程处理；

表示计算任务t_i由所述云中心远程处理；i＝{1,2,..,n}，n为计算任务的总数；

决策变量初始化模块，用于初始化所有计算任务t₁～t_n各自对应的决策变量x₁～x_n均为0；

决策变量赋值模块，用于将所有计算任务t₁～t_n都依次被分配至各可用资源设备上进行处理并对应给决策变量进行赋值，得到计算任务t₁～t_n各自对应各可用资源设备赋值后的决策变量；其中，计算任务t_i对应各可用资源设备赋值后的决策变量为X_i,1～X_i,M+2；X_i,1＝{1,(0,0…0),0}为计算任务t_i被分配至所述手持终端处理时对应赋值后的决策变量；X_i,2＝{0,(1,0…0),0}～X_i,M+1＝{0,(0,0…1),0}分别为计算任务t_i被分配至1～M个边缘节点之中相应一个远程处理时对应赋值后的决策变量X_i,M+2＝{0,(0,0…0),1}为计算任务t_i被分配至所述云中心处理时对应赋值后的决策变量；可用资源设备的总数为M+2；

决策变量矩阵生成模块，用于将计算任务t₁～t_n各自所对应赋值后的所有决策变量组合成矩阵，得到计算任务t₁～t_n各自对应的决策变量矩阵；其中，计算任务t_i对应的决策变量矩阵X_i，且

其中，所述任务处理效率统计单元包括：

任务处理效率变量构建模块，用于构建任务处理效率变量J_i,j＝(D_i,j,C_i,j,E_i,j)；其中，J_i,j为任务处理效率变量，表示计算任务t_i被分配至第j个可用资源设备处理时的最终任务处理效率；D_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行时间；E_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行能耗；C_i,j为计算任务t_i被分配至第j个可用资源设备处理时的执行成本；j＝{1,2,..,M+2}；

执行时间遍历计算模块，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间；其中，

为计算任务t_i由所述手持终端就地处理时的执行时间；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行时间；

为计算任务t_i由所述云中心远程处理时的执行时间；

及

均采用预设任务执行时间模型

来计算得到的；

为计算任务t_i数据处理时间，且

为计算任务t_i数据通讯时间，且

为计算任务t_i远程计算时等待时间，且

I_i为任务计算总量；w_ta为单位计算能力；s_i为数据量；ω_i为数据敏感因数；l为网络延迟；β为可用通信带宽；L_q为数据队列长度；λ为任务到达率；

执行能耗遍历计算模块，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行能耗；其中，

为计算任务t_i由所述手持终端就地处理时的执行能耗；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行能耗；

为计算任务t_i由所述云中心远程处理时的执行成本；

及

均采用预设手持终端能耗模型

来计算得到的；

为计算任务t_i数据处理能耗，且

为计算任务t_i数据通讯能耗，且

为计算任务t_i远程计算时等待能耗，且

为每秒能量损耗；ε^c为远程等待能量损耗；ε^w为单位时间数据传输量能量损耗；

执行成本遍历计算模块，用于遍历计算任务t₁～t_n各自对应的决策变量矩阵X₁～X_n中所有已赋值的决策变量，通过公式

计算出计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行成本；其中，

为计算任务t_i由所述手持终端就地处理时的执行成本；

分别为计算任务t_i由1～M边缘节点之中相应一个远程处理时的执行成本；

为计算任务t_i由所述云中心远程时处理的执行成本；

及

均采用预设成本模型

来计算得到的；

表示计算任务t_i远程处理成本，且

表示计算任务t_i数据通讯成本，且

p_i为单位时间成本；λ^/为带宽成本；

任务处理效率变量赋值模块，用于根据计算所得计算任务t₁～t_n依次被分配至各可用资源设备上处理时的执行时间、执行能耗和执行成本，生成计算任务t₁～t_n各自对应各可用资源设备赋值后的任务处理效率变量L₁～L_n；其中，L_i＝(J_i,1,J_i,2,...,J_i,M+1,J_i,M+2)，L_i为计算任务t_i在各可用资源设备处理时对应赋值后的任务处理效率变量的集合；

目标函数组合矩阵生成模块，用于将同一计算任务所对应赋值后的所有任务处理效率变量组合成矩阵，得到计算任务t₁～t_n各自对应的目标函数组合矩阵P₁～P_n；其中，

P_i为计算任务t_i的目标函数组合矩阵。

Images