CN112822707B - 一种计算资源有限mec中任务卸载与资源分配方法 - Google Patents

Abstract

本发明涉及一种计算资源有限MEC中联合任务卸载和资源分配方法，属于无线通信和移动边缘计算领域。该方法通过制约卸载的思想缓解计算资源有限的问题，主要体现在MEC调整价格影响用户的卸载决策。该方法包括：小区内用户产生新的计算任务，向MEC服务器发送任务卸载请求；MEC收集本时隙内所有用户发送的计算卸载请求信息，首先通过Stackelberg模型描述MEC与用户之间的交互，然后根据差异化定价策略为用户制定价格，通过改进模拟退火算法为用户分配计算资源，最后向用户返回服务报价以及可提供的计算资源；用户根据收到MEC的返回结果，独自完成卸载决定。本发明可有效应用在计算资源有限的MEC场景，可以提高MEC的总收益。

Description

一种计算资源有限MEC中任务卸载与资源分配方法

技术领域

本发明属于无线通信和移动边缘计算领域，涉及一种计算资源有限MEC中联合任务卸载与资源分配方法。

背景技术

移动边缘计算(Mobile Edge Computing，MEC)技术通过将云数据中心下沉至靠近数据源端的接入网一侧，能够近距离为用户提供计算、通信、存储等能力，同时使得移动网络传输成本更低、效率更高、应用复杂度不受终端限制，在AR/VR、物联网(Internet ofThings.IoT)、车联网等场景中有着广阔的应用前景。计算卸载技术作为MEC中十分重要的一环，为移动用户带来了额外的算力，拓展了用户处理任务的能力。近年来，已有众多学者对计算卸载展开了研究，其中卸载策略和资源分配是研究重点。文献“S.Hu,G.Li.DynamicRequest Scheduling Optimization in Mobile Edge Computing for IoT Applications[J].IEEE Internet of Things Journal,2020:1426-1437”为任务执行过程中的能耗问题提出了解决方案，并设计基于方向交叉的遗传算法，完成联合优化问题，并揭示资源分配与任务卸载往往是紧密联系的，因此联合方案相比单独优化能获得更佳的效果。

现有的工作大多都假设MEC计算资源是足够的，请求卸载的任务基本都可以在满足约束条件下完成计算卸载，MEC服务器不担心出现性能瓶颈。但随时间发展，由基站硬件成本限制所导致MEC服务器计算资源有限的问题将日渐明显，尤其在商圈，机场等任务请求密集的网络中，MEC服务器提供的计算资源往往不足以应对大量请求任务。现有的一些卸载方案，在计算资源不足时会导致用户需求无法满足，引发多用户竞争有限的MEC计算资源产生“死锁”问题。为改善这种情况，文献“Z.Ning,P.Dong,X.Kong,F.Xia.A CooperativePartial Computation Offloading Scheme for Mobile Edge Computing EnabledInternet of Things[J].IEEE Internet of Things Journal,2019:4804-4814”通过多MEC协作的方式扩展计算资源，将无法完成的任务二次卸载至其他MEC服务器执行，但多MEC协作实际需满足的条件十分苛刻。文献“M.Liu,Y.Liu.Price-Based DistributedOffloading for Mobile-Edge Computing With Computation Capacity Constraints[J].IEEE Wireless Communications Letters,2018:420-423”采用价格控制卸载的方案，通过调整价格为MEC实现最大的收益，但其忽略了计算资源分配所带来的影响。文献“H.Zhao,Y.Wang,R.Sun.Task Proactive Caching Based Computation Offloading andResource Allocation in Mobile-Edge Computing Systems[C]//2018 14thInternational Wireless Communications&Mobile Computing Conference(IWCMC),Limassol,2018:232-237”采用了任务主动缓存的方案，可有效解决热点任务的计算，但是，随着任务种类的增多，该策略带来的收益将十分有限。

现有的方案在计算资源有限MEC中，还存在以下问题：在单MEC服务器多用户场景中，对用户的需求通常考虑不足，已有的方案通常只针对任务执行时延或能耗其中一点进行优化，而大部分时候，用户需要同时满足这两点需求。另外，已有的卸载方法很少结合计算资源分配，对有限计算资源的MEC服务器，合理的计算资源分配更具意义。因此，本发明需要为计算资源有限MEC设计一种联合卸载方法。

发明内容

有鉴于此，本发明的目的在于提供一种计算资源有限MEC中联合任务卸载和资源分配方法，解决了计算资源有限MEC中多用户场景下的任务卸载和资源分配问题。针对每个用户制定差异化定价策略，通过价格影响用户的卸载成本，在计算资源有限MEC中有效提高了MEC总收益，同时该方法可促使更多的用户完成卸载。

为达到上述目的，本发明提供如下技术方案：

一种计算资源有限MEC中任务卸载与资源分配方法，具体包括以下步骤：

S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；

S2：MEC服务器收集当前卸载周期内所有用户的卸载请求；

S3：MEC根据网络场景，建立通信模型、移动用户本地计算模型与MEC计算模型。构建出MEC总收益最大化问题模型与用户任务执行成本模型；

S4：MEC服务器为请求用户分配可提供的计算资源；

S5：MEC服务器根据Stackelberg博弈模型建立与用户之间的交互，根据差异化定价策略计算向不同用户收取的计算费用；

S6：结合步骤S5，MEC服务器进行计算资源重分配，并检查是否满足结束条件，若满足，执行步骤S7，若不满足，返回步骤S4；

S7：MEC服务器将报价以及可以提供的计算资源返回给用户端；

S8：移动用户根据收到MEC的反馈独自完成卸载决策。

进一步，所述步骤S2中当前卸载周期具体包括：

S21：为了确保卸载至MEC的任务可以在卸载周期内完成计算，设定MEC服务器在每个卸载周期内用于计算接收数据的总CPU周期上限为F，该约束条件为：

其中，N为请求用户个数，λ_i，λ_i∈[0,1]为用户i的卸载任务数据量的比例，b_i表示任务的总数据量，d_i表示计算1bit该任务数据所需要的CPU周期数。MEC服务器为请求的多任务提供有限的计算能力f_mec，因此，卸载周期的长度为：

T＝F/f_mec (2)

进一步，所述步骤S3中具体包括以下步骤：

S31：建立通信模型；

根据香农公式，用户上行传输速率为：

r_i＝Blog₂(1+P_tra,ig_i/BN_o) (3)

其中P_tra,i表示用户i的发送功率，g_i表示用户i与MEC服务器之间的信道增益，N_o表示信道单位噪声与干扰的功率谱密度，由于MEC向用户回传的计算结果数据量很小,因此回传时间忽略不计。

S32：建立用户本地计算模型；

用户i本地执行任务的时间与能耗分别为：

t_loc,i＝(1-λ_i)b_id_i/f_loc,i (4)

e_loc,i＝k_ib_id_i(1-λ_i)(f_loc,i)² (5)

其中k_i是与移动用户的硬件架构相关的常数，f_loc,i是用户i本地的计算能力。

S33：建立MEC计算模型；

用户i卸载执行任务的时延与能耗分别为：

t_mec,i＝t_tra,i+t_exe,i＝λ_ib_i/r_i+λ_ib_id_i/f_mec,i (6)

e_mec,i＝e_tra,i＝P_tra,i·t_tra,i＝λ_iP_trab_i/r_i (7)

其中，P_tra,i表示用户的发射功率，t_tra,i与t_exe,i分别表示任务的传输时延与MEC计算时延。

S34：构建MEC总收益最大化问题模型；

MEC最大化收益问题表示为：

其中，集合

表示所有用户的单价集合，集合

表示N个用户卸载比例集合，集合

表示MEC为N个用户分配的计算资源集合。约束条件C1确保MEC服务器提供的价格为正数，C2确保了MEC在并行运算时为每个用户分配的频率不大于总频率，C3确保了MEC接收CPU总周期小于上限值。

S35：构建用户任务执行成本模型；

用户任务执行成本问题表示为：

其中α_i、β_i和γ_i分别表示用户i对于执行任务产生的时延、能耗以及费用成本的权重，不同用户权重不同。

进一步，所述步骤S5中具体包括以下步骤：

S51：建立Stackelberg博弈交互模型；

将MEC服务器视为博弈中的领导者，用户视为跟随者。领导者首先对跟随者的CPU周期施加价格。然后，跟随者将依据领导者宣布的价格，独立计算其用于卸载的CPU周期，以分别进行本地计算和卸载。

S52：差异化定价策略；

首先分析跟随者行为。根据步骤S4分配的计算资源，结合式(9)，用户i的总成本可写为λ_i的分段函数：

其中

是在区间[0,1]内的一个卸载比例。对式(10)一阶求导，得到卸载比例与单价的关系：

其中λ_i为用户i的最佳卸载比例，用户将根据该比例卸载任务，并且：

接着分析领导者行为。领导者根据式(11)调整μ_i，为最大化MEC收益，MEC应当将μ_i定为G_2,i或无穷高。具体每个用户的定价，可通过多用户卸载决策算法求得。

进一步，所述步骤S6具体包括以下步骤：

S61：MEC服务器计算资源重分配；

在步骤S5得到具体的定价之后，结合步骤S5得到的价格，针对实际卸载的任务，进行计算资源重分配，通过求解凸优化问题解决，计算资源重分配问题表示为：

其中实际卸载的用户集合

代表其中第j个用户，

表示M个用户的计算资源的集合。优化问题P3是分数规划问题，对其进行变量替换，令Y_j＝f_mec,j/[(1+f_loc,j/r_jb_j)f_mec,j+f_loc,j]，令Z_j＝1/[(1+f_loc,j/r_jb_j)f_mec,j+f_loc,j]，得到集合Y＝{Y₁,Y₂,...,Y_M}。将原问题P3转化为：

式(15)问题P4'的函数式与约束条件均为凸函数，所以问题P3'是一个凸优化问题，可通过内点法快速求解。

S62：判断是否满足结束条件；

本发明通过改进模拟退火算法求解计算资源分配问题，将步骤S4的计算资源分配做为模拟退火算法的解向量，通过迭代进行求解。对算法的改进如下：

算法加入控温策略，是指算法解相对上一次解没有更新时，以T_k/2T₀＞random[0,1)的概率保持温度不变，保持算法接受较差解的概率。

算法只考虑基于温度的单层循环，从较大的初始温度开始下降，温度下降公式为：

T_k＝T_k-1×0.97 (16)

若温度下降至小于1，则满足算法结束条件，执行步骤S7。若温度大于1，则根据步骤S62中的控温策略对温度进行更新，同时在原解向量附近更新解向量，返回步骤S4。

本发明的有益效果在于：本发明针对计算资源有限MEC系统，为不同用户设计差异化的定价策略，联合了用户计算卸载和MEC服务器计算资源的分配。提高了整个系统下用户任务的卸载数量，最大程度提高了MEC的总收益。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为单MEC多用户场景示意图；

图2为本发明所述的任务卸载与资源分配方法流程图；

图3为本发明中任务卸载决策算法流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图3，如图1所示，在单MEC计算卸载场景，小区内部署有一个MEC服务器部署在基站侧，移动用户随机分散在整个小区内。MEC服务器是电信运营商面向用户提供计算服务资源。以

表示N个用户的集合，其中第i个用户的任务用二元组T_i(b_i,d_i)来表示，其中b_i表示任务的总数据量，d_i表示计算1bit该任务数据所需要的CPU周期数。用户i的卸载任务数据量比例为λ_i，λ_i∈[0,1]，λ_ib_i数据量的任务会被卸载到MEC服务器进行计算，集合

用来表示N个用户卸载比例集合。用户本地计算能力为f_loc,i，MEC服务器为多任务提供有限的计算能力f_mec，集合

用来表示MEC为N个用户分配的计算资源集合。

如图2所示，本发明优选的一种计算资源有限MEC中任务卸载与资源分配方法，包括以下步骤：

步骤S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求。

步骤S2：MEC服务器收集当前卸载周期内所有用户的卸载请求；当前卸载周期的定义为：为了确保卸载至MEC的任务可以在卸载周期内完成计算，设定MEC服务器在每个卸载周期内用于计算接收数据的总CPU周期上限为F，该约束条件为：

卸载周期的长度为：

T＝F/f_mec (2)

步骤S3：MEC根据网络场景，建立通信模型、移动用户本地计算模型与MEC计算模型。构建出MEC总收益最大化问题模型与用户任务执行成本模型。

步骤S3具体包括以下步骤：

步骤S31：建立通信模型。

根据香农公式，用户上行传输速率为：

r_i＝Blog₂(1+P_tra,ig_i/BN_o) (3)

其中P_tra,i表示用户i的发送功率，g_i表示用户i与MEC服务器之间的信道增益，N_o表示信道单位噪声与干扰的功率谱密度，由于MEC向用户回传的计算结果数据量很小,因此回传时间忽略不计。

步骤S32：建立用户本地计算模型。

用户i本地执行任务的时间与能耗分别为：

t_loc,i＝(1-λ_i)b_id_i/f_loc,i (4)

e_loc,i＝k_ib_id_i(1-λ_i)(f_loc,i)² (5)

其中k_i是与移动用户的硬件架构相关的常数。

步骤S33：建立MEC计算模型。

用户i卸载执行任务的时延与能耗分别为：

t_mec,i＝t_tra,i+t_exe,i＝λ_ib_i/r_i+λ_ib_id_i/f_mec,i (6)

e_mec,i＝e_tra,i＝P_tra,i·t_tra,i＝λ_iP_trab_i/r_i (7)

其中，P_tra,i表示用户的发射功率，t_tra,i与t_exe,i分别表示任务的传输时延与MEC计算时延。

步骤S34：构建MEC总收益最大化问题模型。

MEC最大化收益问题表示为：

其中，集合

表示所有用户的单价集合。约束条件C1确保MEC服务器提供的价格为正数，C2确保了MEC在并行运算时为每个用户分配的频率不大于总频率，C3确保了MEC接收CPU总周期小于上限值。

步骤S35：构建用户任务执行成本模型。

用户任务执行成本问题表示为：

其中α_i、β_i和γ_i分别表示用户i对于执行任务产生的时延、能耗以及费用成本的权重，不同用户权重不同。

步骤S4：MEC服务器为请求用户分配可提供的计算资源。此处将进入改进模拟退火算法的循环，用户计算资源分配向量作为模拟退火算法的解向量。

步骤S5：MEC服务器根据Stackelberg博弈模型建立与用户之间的交互，根据差异化定价策略计算向不同用户收取的计算费用。

步骤S5包括以下步骤：

S51：建立Stackelberg博弈交互模型。

将MEC服务器视为领导者，而用户视为跟随者。领导者首先对跟随者的CPU周期施加价格。然后，跟随者将依据领导者宣布的价格，独立计算其用于卸载的CPU周期，以分别进行本地计算和卸载。现考虑问题中MEC与用户之间的博弈，每个用户都可通过给定价格μ_i以及f_mec,i求解问题P2，独立决定其卸载比例。知道了每个用户的卸载比例，MEC通过求解问题P1来设置其最佳单价集合

卸载比例集合

以及资源分配集合

以上过程称为逆向归纳。

S52：差异化定价策略。

首先分析跟随者行为。根据步骤S4分配的计算资源，结合式(9)，用户i的总成本可写为λ_i的分段函数：

其中

是在区间[0,1]内的一个卸载比例。对式(10)一阶求导，得到卸载比例与单价的关系：

其中λ_i为用户i的最佳卸载比例，用户将根据该比例卸载任务，并且：

接着分析MEC服务器行为，领导者根据观察到的反应函数调整μ_i。当价格满足式(11)第一段时，μ_i应为G_1,i，此时单价较小，用户全部卸载。同理，当满足第二段时，μ_i应为G_2,i，此时单价较大，用户的卸载比例为

当定价位于第三段时，μ_i应为无穷大，此时用户不卸载。为最大化计算资源有限MEC收益，MEC应当将μ_i定为G_2,i或无穷高。

具体每个用户的定价，通过引入二进制决策变量集合x用来表示用户的卸载决策，则有：

二进制数x_i定义为：

结合式(13)原问题写为：

问题P1'可等效为重量为

价值为

重量限制为F的非整数二元背包问题。参考图3的多用户卸载决策算法，该算法分为两步，首先设置一个较大的步长F_d，将重量与F进行近似处理，这样将非整数0-1背包问题转化为整数0-1背包问题，同时减小了问题的规模；接着，通过动态规划思想对问题求解。

步骤S6：结合步骤S5，MEC服务器进行计算资源重分配，并检查是否满足结束条件，若满足，执行步骤S7，若不满足，返回步骤S4；

步骤S6包括以下步骤

S61：MEC服务器计算资源重分配；

在步骤S5得到具体的定价之后，结合步骤S5得到的价格，针对实际卸载的任务，进行计算资源重分配，通过求解凸优化问题解决，计算资源重分配问题表示为：

其中实际卸载的用户集合

代表其中第j个用户，

表示M个用户的计算资源的集合。优化问题P3是分数规划问题，对其进行变量替换，令Y_j＝f_mec,j/[(1+f_loc,j/r_jb_j)f_mec,j+f_loc,j]，令Z_j＝1/[(1+f_loc,j/r_jb_j)f_mec,j+f_loc,j]，得到集合Y＝{Y₁,Y₂,...,Y_M}。将原问题P3转化为：

式(15)问题P4'的函数式与约束条件均为凸函数，所以问题P3'是一个凸优化问题，可通过内点法快速求解。

S62：判断是否满足结束条件；

本发明通过改进模拟退火算法求解计算资源分配问题，将步骤S4的计算资源分配做为模拟退火算法的解向量，通过迭代进行求解。对算法的改进如下：

算法加入控温策略，是指算法解相对上一次解没有更新时，以T_k/2T₀＞random[0,1)的概率保持温度不变，保持算法接受较差解的概率。

算法只考虑基于温度的单层循环，从较大的初始温度开始下降，温度下降公式为：

T_k＝T_k-1×0.97 (19)

若温度下降至小于1，则满足算法结束条件，执行步骤S7。若温度大于1，则根据步骤S62中的控温策略对温度进行更新，同时在原解向量附近更新解向量，返回步骤S4。

步骤S7：MEC服务器将报价以及可以提供的计算资源返回给用户端。

步骤S8：移动用户根据收到MEC的反馈独自完成卸载决策。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种计算资源有限MEC中任务卸载与资源分配方法，其特征在于，该方法具体包括以下步骤：

S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；

S2：MEC服务器收集当前卸载周期内所有用户的卸载请求；

所述当前卸载周期具体包括：

S21：为了确保卸载至MEC的任务可以在卸载周期内完成计算，设定MEC服务器在每个卸载周期内用于计算接收数据的总CPU周期上限为F，该约束条件为：

其中，N为请求用户个数，λ_i，λ_i∈[0,1]为用户i的卸载任务数据量的比例，b_i表示任务的总数据量，d_i表示计算1bit该任务数据所需要的CPU周期数，MEC服务器为请求的多任务提供有限的计算能力f_mec；

卸载周期的长度为：

T＝F/f_mec (2)

S3：MEC根据网络场景，建立通信模型、移动用户本地计算模型与MEC计算模型构建出MEC总收益最大化问题模型与用户任务执行成本模型；

所述步骤S3中具体包括以下步骤：

S31：建立通信模型；

根据香农公式，用户上行传输速率为：

r_i＝Blog₂(1+P_tra,ig_i/BN_o) (3)

其中P_tra,i表示用户i的发送功率，g_i表示用户i与MEC服务器之间的信道增益，N_o表示信道单位噪声与干扰的功率谱密度，B是信道带宽；

S32：建立用户本地计算模型；

用户i本地执行任务的时间与能耗分别为：

t_loc,i＝(1-λ_i)b_id_i/f_loc,i (4)

e_loc,i＝k_ib_id_i(1-λ_i)(f_loc,i)² (5)

其中k_i是与移动用户的硬件架构相关的常数，f_loc,i是用户i本地的计算能力；

S33：建立MEC计算模型；

用户i卸载执行任务的时延与能耗分别为：

t_mec,i＝t_tra,i+t_exe,i＝λ_ib_i/r_i+λ_ib_id_i/f_mec,i (6)

e_mec,i＝e_tra,i＝P_tra,i·t_tra,i＝λ_iP_trab_i/r_i (7)

其中，P_tra,i表示用户的发射功率，t_tra,i与t_exe,i分别表示任务的传输时延与MEC计算时延；

S34：构建MEC总收益最大化问题模型；

MEC最大化收益问题表示为：

其中，集合

表示所有用户的单价集合，集合

用来表示N个用户卸载比例集合，集合

用来表示MEC为N个用户分配的计算资源集合；约束条件C1确保MEC服务器提供的价格为正数，C2确保了MEC在并行运算时为每个用户分配的频率不大于总频率，C3确保了MEC接收CPU总周期小于上限值；

S35：构建用户任务执行成本模型；

用户任务执行成本问题表示为：

其中α_i、β_i和γ_i分别表示用户i对于执行任务产生的时延t_i、能耗e_i以及费用成本的权重，不同用户权重不同；

S4：MEC服务器为请求用户分配可提供的计算资源；

S5：MEC服务器根据Stackelberg博弈模型建立与用户之间的交互，根据差异化定价策略计算向不同用户收取的计算费用；

所述步骤S5中具体包括以下步骤:

S51：建立Stackelberg博弈交互模型；

将MEC服务器视为领导者，而用户视为跟随者；领导者首先对跟随者的CPU周期施加价格；然后，跟随者将依据领导者宣布的价格，独立计算其用于卸载的CPU周期，以分别进行本地计算和卸载；

S52：差异化定价策略；

根据步骤S4分配的计算资源，结合式(9)，用户i的总成本可写为λ_i的分段函数：

其中

是在区间[0,1]内的一个卸载比例；对式(10)一阶求导，得到卸载比例与单价的关系：

其中λ_i为用户i的最佳卸载比例，用户将根据该比例卸载任务，并且：

领导者根据式(11)调整μ_i，当价格满足式(11)第一段时，μ_i应为G_1,i，此时单价较小，用户全部卸载；同理，当满足第二段时，μ_i应为G_2,i，此时单价较大，用户的卸载比例为

当定价位于第三段时，μ_i应为无穷大，此时用户不卸载；为最大化计算资源有限MEC收益，MEC应当将μ_i定为G_2,i或无穷高；

为最大化MEC收益，MEC应当将μ_i定为G_2,i或无穷高；

具体每个用户的定价，通过引入二进制决策变量集合x用来表示用户的卸载决策：

二进制数x_i定义为：

结合式(13)原问题写为：

S6：结合步骤S5，MEC服务器进行计算资源重分配，并检查是否满足结束条件，若满足，执行步骤S7，若不满足，返回步骤S4；

S61：MEC服务器计算资源重分配；

所述MEC服务器计算资源重分配包括：

在步骤S5得到具体的定价之后，结合步骤S5得到的价格，针对实际卸载的任务，进行计算资源重分配，通过求解凸优化问题解决，计算资源重分配问题表示为：

其中实际卸载的用户集合

代表其中第j个用户，

表示M个用户的计算资源的集合；优化问题P3是分数规划问题，对其进行变量替换，令Y_j＝f_mec,j/[(1+f_loc,j/r_jb_j)f_mec,j+f_loc,j]，令Z_j＝1/[(1+f_loc,j/r_jb_j)f_mec,j+f_loc,j]，得到集合Y＝{Y₁,Y₂,...,Y_M}；将原问题P3转化为：

式(15)问题的函数式与约束条件均为凸函数，所以问题P3'是一个凸优化问题，可通过内点法快速求解；

S62：判断是否满足结束条件；

所述判断是否满足结束条件包括：

通过改进模拟退火算法求解计算资源分配问题，将步骤S4的计算资源分配做为模拟退火算法的解向量，通过迭代进行求解；对算法的改进如下：

算法加入控温策略，是指算法解相对上一次解没有更新时，以T_k/2T₀＞random[0,1)的概率保持温度不变，保持算法接受较差解的概率；

算法只考虑基于温度的单层循环，从较大的初始温度开始下降，温度下降公式为：

T_k＝T_k-1×0.97 (19)

若温度下降至小于1，则满足算法结束条件，执行步骤S7；若温度大于1，则根据步骤S62中的控温策略对温度进行更新，同时在原解向量附近更新解向量，返回步骤S4；

S7：MEC服务器将报价以及可以提供的计算资源返回给用户端；

S8：移动用户根据收到MEC的反馈独自完成卸载决策。

Images