CN113139639A - 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 - Google Patents

一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 Download PDF

Info

Publication number
CN113139639A
CN113139639A CN202110535628.1A CN202110535628A CN113139639A CN 113139639 A CN113139639 A CN 113139639A CN 202110535628 A CN202110535628 A CN 202110535628A CN 113139639 A CN113139639 A CN 113139639A
Authority
CN
China
Prior art keywords
population
function
energy consumption
value
migration
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.)
Granted
Application number
CN202110535628.1A
Other languages
English (en)
Other versions
CN113139639B (zh
Inventor
彭凯
刘培琛
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.)
Huaqiao University
Original Assignee
Huaqiao 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 Huaqiao University filed Critical Huaqiao University
Priority to CN202110535628.1A priority Critical patent/CN113139639B/zh
Publication of CN113139639A publication Critical patent/CN113139639A/zh
Application granted granted Critical
Publication of CN113139639B publication Critical patent/CN113139639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于MOMBI面向智慧城市应用多目标计算迁移方法，基于R2指标的MOMBI算法，联合移动设备的时延、能耗以及边缘服务器计算资源和集群负载均衡，通过迭代不断更新种群参考点位置，使用R2指标对种群中的个体进行分层，并通过锦标赛选择方法保留种群中的精英个体，最终得到多目标优化后的迁移策略；根据当前的能耗、时延以及边缘服务器的资源利用率和负载均衡方差，在每一次迁移策略确定后进行新一轮的计算更新，并使用SAW和MCDM选择最优的迁移策略，针对边缘赋能的智慧城市中四目标进行优化。通过本发明的方法，针对智慧城市中移动设备产生的应用进行计算迁移，为用户提供质量较高的服务，且可提升服务器资源利用率，同时保证服务器集群负载平衡。

Description

一种基于MOMBI面向智慧城市应用多目标计算迁移方法和 装置
技术领域
本发明涉及智慧城市任务迁移技术领域，特别涉及一种基于MOMBI面向智慧城市应用多目标计算迁移方法和装置。
背景技术
近年来，物联网、云计算、大数据等一系列新一代信息技术的应用，推动智慧城市这一框架逐步形成。智慧城市的运行过程中会产生海量的数据，这些数据往往由移动云计算(Mobile Cloud Computing,MCC)来解决，由于城市中的移动设备和云服务器距离较远，设备的数据发送到云计算中心时，也产生了一定的时间延迟。为了减轻网络拥塞和提升计算效率，移动边缘计算(Mobile Edge Computing,MEC)被加入到智慧城市的网络架构中，使大量的数据交由位于网络边缘的中的边缘服务器处理。MEC使智慧城市中的移动设备在提升处理效率的同时提供更好的服务。如图2所示，在边缘计算赋能的智慧城市框架下，为了优化移动设备计算资源、降低设备处理时延和能耗，一些应用程序通过计算迁移技术将数据从移动设备迁移到了边缘服务器和远程云主机中。但随着用户端产生的任务变得更为复杂，甚至包括了时延敏感的计算任务，如果不能针对单个任务合理的规划迁移策略，应用程序执行时延长、服务器过载等一系列会造成严重影响的情况仍然可能发生。考虑到智慧城市中的本地设备执行的任务往往有自身的时间约束，因此需要在端边云之间选择合适的执行位置进行迁移和执行。
近年来，针对现有的MEC环境下的研究，都关注到端边云系统的多目标优化。吴华明等人在文献“Collaborate Edge and Cloud Computing With Distributed DeepLearning for Smart City Internet of Things”中针对移动设备的智慧城市应用，提出了智慧城市中一种适用于边云协同的MEC环境的计算迁移算法。该文献采用分布式深度学习方法，来获得智慧城市中最优的迁移策略。许小龙等人在文献“Trust-Oriented IoTService Placement for Smart Cities in Edge Computing”中强度帕累托进化算法2(Strength Pareto Evolutionary Algorithm,SPEA2)针对智慧城市任务提出了一种多目标计算迁移方法。他们的目标是优化系统能耗的同时降低服务器负载均衡并且提高资源利用率。将三个目标联合起来考虑，在提升服务端资源分配的同时，优化用户端的服务质量。综上所述，现有的研究对智慧城市任务进行了很好的研究，提出了很多有效地方法。
而为了解决目标数量多，目标优化选择维度广以及考虑到算法的收敛速度，MOMBI算法凭借其在多目标优化上的优点进入了人们的视野。Raquel Hernández Gómez和CarlosA.Coello在2013年的文献“MOMBI:Anew metaheuristic for many-objectiveoptimization based on the R2 indicator”中提出了MOMBI算法。在算法中，对每一个生成的解先通过锦标赛进行筛选，通过遗传、变异不断生成下一代，再从其中选择最优点和最差点作为两个参考点。再将参考点和种群输入到R2指标排序中，并选择靠近中心的解划分不同的帕累托层级。这使得算法保证一定的精英策略的同时，又能通过参考点的更新，增加算法的多样性。在MEC环境中，利用MOMBI算法能够在进行超过三个以上的多目标优化问题，可以获得很快的收敛速度。这也是MOMBI算法相较NSGA-III和SPEA2等优化算法的优势所在。然而，在关于MOMBI算法应用到智慧城市研究中，并没有设计一种针对边缘赋能的智慧城市场景，并且，如果要解决智慧城市应用的计算迁移问题，还需要考虑解选择问题，这对于智慧城市中计算迁移决策仍是一个挑战。
发明内容
本发明要解决的技术问题，在于提供一种基于MOMBI面向智慧城市应用多目标计算迁移方法和装置，针对边缘赋能的智慧城市中移动设备的时延、能耗以及边缘服务器计算资源和集群负载均衡四目标进行优化，得到多目标优化后的迁移策略。
第一方面，本发明提供了一种基于MOMBI面向智慧城市应用多目标计算迁移方法，包括：
步骤10、根据当前的网络环境，将预先设置好的任务中的任务数据进行读入；
步骤20、随机生成大小为N的父代种群
Figure BDA0003069713580000031
作为计算迁移策略的一组解，其中i代表当前迭代次数，i的初始值设为0，然后获取最大迭代次数δ，变异概率Pm以及交叉概率Pc；
步骤30、计算父代种群
Figure BDA0003069713580000032
目标函数的数值，所述目标函数包括移动设备的时延函数、移动设备的能耗函数、边缘服务器平均资源利用率函数以及边缘服务器负载均衡函数，然后选取各个目标函数数值最优的点和各个目标函数数值最差的点作为参考点，将所述参考点和父代种群
Figure BDA0003069713580000033
输入到MOMBI算法的R2指标中，将每一个个体划分至不同的层级；
步骤40、通过锦标赛方法对每一层级内的个体执行二进制比赛选择，随机选取两个个体进行对比，用来对个体进行排序，然后根据变异概率Pm以及交叉概率Pc，对父代种群
Figure BDA0003069713580000034
进行交叉、变异操作，生成父代种群
Figure BDA0003069713580000035
的子代种群
Figure BDA0003069713580000036
然后将子代种群
Figure BDA0003069713580000037
与父代种群
Figure BDA0003069713580000038
合并成下一代种群，表示为
Figure BDA0003069713580000039
步骤50、计算下一代种群
Figure BDA00030697135800000310
目标函数的数值，并更新所述参考点，然后将下一代种群
Figure BDA00030697135800000311
和更新后的参考点输入到R2指标中，对
Figure BDA00030697135800000312
中的个体分级排序；
步骤60、根据排序从
Figure BDA00030697135800000313
中选择数量为N的个体作为第i+1轮父代种群，表示为
Figure BDA00030697135800000314
判断当前迭代次数i是否小于最大迭代次数δ，若是，更新当前迭代次数以及当前父代种群，并返回步骤40，若否，停止迭代，选择
Figure BDA00030697135800000315
中最优的解并输出。
进一步地，所述步骤30中，所述目标函数具体为：
移动设备的时延函数为：
Figure BDA00030697135800000316
其中，N为父代种群的个体数，stn,i为任务迁移策略，To(ST)为stn,i在迁移任务下的时间延迟，Te(ST)为stn,i在不同平台下的执行时延，Tw(stn,i)为虚拟机的等待时延，Tt(ST)为计算任务在不同平台中传输的传输时延；
移动设备的能耗函数为：
Figure BDA00030697135800000317
其中，Eo(stn,i)为迁移能耗，Ee(stn,i)为执行能耗，为Ew(stn,i)为等待能耗，Et(stn,i)为传输能耗；
边缘服务器平均资源利用率函数为：
Figure BDA0003069713580000041
其中，EZ为处于工作状态的边缘服务器数量，Ce为第e台边缘服务器的资源利用率；
边缘服务器负载均衡函数为：
Figure BDA0003069713580000042
其中，U(ST)代表平均资源利用率。
进一步地，所述步骤30中，所述R2指标的分级函数具体为：
Figure BDA0003069713580000043
其中，W表示一组切比雪夫向量，w属于W中的单个向量，A为帕累托近似解的集合，a为A中的单个的解，k表示分级的级数，Bk＝{Uxrankx|k≥2,1≤x≤k}表示低一级别的解集合，wi为第i个切比雪夫向量，μi(x)为当前种群的个体，
Figure BDA0003069713580000044
为最大值参考点，
Figure BDA0003069713580000045
为最小值参考点。
进一步地，所述步骤60中，选择
Figure BDA0003069713580000046
中最优的解并输出，具体包括：
步骤61、对每一个目标函数进行归一化以统一量化：
Figure BDA0003069713580000047
其中，Tmax和Tmin分别代表在第s个种群中，时间消耗的最大值和最小值；
Figure BDA0003069713580000048
其中，Emax和Emin分别代表第s个种群中，能耗的最大值和最小值；
Figure BDA0003069713580000051
其中，Umax和Umin分别代表第s个种群中，资源利用率的最大值和最小值；
Figure BDA0003069713580000052
其中，Lmax和Lmin分别代表第s个种群中，负载均衡的最大值和最小值；
步骤62、为了衡量四个目标函数的迁移策略最大效用价值，用ωt、ωe、ωu和ωl分别表示时间消耗、能耗、资源利用率和负载均衡的权重，则效用价值
Figure BDA0003069713580000053
的表达式为：
Figure BDA0003069713580000054
步骤63、使用SAW和MCDM算法选择具有最大效用价值的种群作为最优解，
Figure BDA0003069713580000055
S.t.ωt,ωe,ωu,ωl∈[0,1]
ωt+ωe+ωu+ωl＝1
其中，S代表MOMBI迭代完成后的总种群，S.t.代表约束条件；
步骤64、输出所述最优解。
第二方面，本发明提供了一种基于MOMBI面向智慧城市应用多目标计算迁移装置，包括：任务数据获取模块、初始化模块、分级模块、下一代种群生成模块、计算更新模块以及种群迭代模块；
所述任务数据获取模块，用于根据当前的网络环境，将预先设置好的任务中的任务数据进行读入；
所述初始化模块，用于随机生成大小为N的父代种群
Figure BDA0003069713580000056
作为计算迁移策略的一组解，其中i代表当前迭代次数，i的初始值设为0，然后获取最大迭代次数δ，变异概率Pm以及交叉概率Pc；
所述分级模块，用于计算父代种群
Figure BDA0003069713580000061
目标函数的数值，所述目标函数包括移动设备的时延函数、移动设备的能耗函数、边缘服务器平均资源利用率函数以及边缘服务器负载均衡函数，然后选取各个目标函数数值最优的点和各个目标函数数值最差的点作为参考点，将所述参考点和父代种群
Figure BDA0003069713580000062
输入到MOMBI算法的R2指标中，将每一个个体划分至不同的层级；
所述下一代种群生成模块，用于通过锦标赛方法对每一层级内的个体执行二进制比赛选择，随机选取两个个体进行对比，用来对个体进行排序，然后根据变异概率Pm以及交叉概率Pc，对父代种群
Figure BDA0003069713580000063
进行交叉、变异操作，生成父代种群
Figure BDA0003069713580000064
的子代种群
Figure BDA0003069713580000065
然后将子代种群
Figure BDA0003069713580000066
与父代种群
Figure BDA0003069713580000067
合并成下一代种群，表示为
Figure BDA0003069713580000068
所述计算更新模块，用于计算下一代种群
Figure BDA0003069713580000069
目标函数的数值，并更新所述参考点，然后将下一代种群
Figure BDA00030697135800000610
和更新后的参考点输入到R2指标中，对
Figure BDA00030697135800000611
中的个体分级排序；
所述种群迭代模块，用于根据排序从
Figure BDA00030697135800000612
中选择数量为N的个体作为第i+1轮父代种群，表示为
Figure BDA00030697135800000613
判断当前迭代次数i是否小于最大迭代次数δ，若是，更新当前迭代次数以及当前父代种群，并返回下一代种群生成模块，若否，停止迭代，选择
Figure BDA00030697135800000614
中最优的解并输出。
进一步地，所述分级模块中，所述目标函数具体为：
移动设备的时延函数为：
Figure BDA00030697135800000615
其中，N为父代种群的个体数，stn,i为任务迁移策略，To(ST)为stn,i在迁移任务下的时间延迟，Te(ST)为stn,i在不同平台下的执行时延，Tw(stn,i)为虚拟机的等待时延，Tt(ST)为计算任务在不同平台中传输的传输时延；
移动设备的能耗函数为：
Figure BDA00030697135800000616
其中，Eo(stn,i)为迁移能耗，Ee(stn,i)为执行能耗，为Ew(stn,i)为等待能耗，Et(stn,i)为传输能耗；
边缘服务器平均资源利用率函数为：
Figure BDA0003069713580000071
其中，EZ为处于工作状态的边缘服务器数量，Ce为第e台边缘服务器的资源利用率；
边缘服务器负载均衡函数为：
Figure BDA0003069713580000072
其中，U(ST)代表平均资源利用率。
进一步地，所述分级模块中，所述R2指标的分级函数具体为：
Figure BDA0003069713580000073
其中，W表示一组切比雪夫向量，w属于W中的单个向量，A为帕累托近似解的集合，a为A中的单个的解，k表示分级的级数，Bk＝{Uxrankx|k≥2,1≤x≤k}表示低一级别的解集合，wi为第i个切比雪夫向量，μi(x)为当前种群的个体，
Figure BDA0003069713580000074
为最大值参考点，
Figure BDA0003069713580000075
为最小值参考点。
进一步地，所述种群迭代模块中，选择
Figure BDA0003069713580000076
中最优的解并输出，具体包括如下步骤：
步骤61、对每一个目标函数进行归一化以统一量化：
Figure BDA0003069713580000077
其中，Tmax和Tmin分别代表在第s个种群中，时间消耗的最大值和最小值；
Figure BDA0003069713580000078
其中，Emax和Emin分别代表第s个种群中，能耗的最大值和最小值；
Figure BDA0003069713580000079
其中，Umax和Umin分别代表第s个种群中，资源利用率的最大值和最小值；
Figure BDA0003069713580000081
其中，Lmax和Lmin分别代表第s个种群中，负载均衡的最大值和最小值；
步骤62、为了衡量四个目标函数的迁移策略最大效用价值，用ωt、ωe、ωu和ωl分别表示时间消耗、能耗、资源利用率和负载均衡的权重，则效用价值
Figure BDA0003069713580000082
的表达式为：
Figure BDA0003069713580000083
步骤63、使用SAW和MCDM算法选择具有最大效用价值的种群作为最优解，
Figure BDA0003069713580000084
S.t.ωt,ωe,ωu,ωl∈[0,1]
ωt+ωe+ωu+ωl＝1
其中，S代表MOMBI迭代完成后的总种群，S.t.代表约束条件；
步骤64、输出所述最优解。
本发明实施例中的技术方案，至少具有如下技术效果或优点：
1、本发明实施例将用户端和服务器端相结合，将用于解决非确定多项式问题的MOMBI算法运用于解决MEC环境下寻找任务最优迁移策略的问题，满足用户时间延迟和能耗、服务器的资源利用率以及负载均衡的四目标优化，实现在优化IoT设备的执行任务的时延、能耗同时，提升服务器的资源利用率和集群负载均衡，为用户提供合适的高质量服务。
2、本发明针实施例对最优策略选择部分，使用的是SAW和MCDM算法，该算法是一种多准则决策的决策方法，可以有效地评估一组解。通过评估解的时延、能耗、资源利用率和负载均衡这四个目标函数，将函数的值作为效用价值，选择具有最高的效用价值的解作为最优解。该方法可以在MOMBI生成的一组解集中，选择最优的解方案作为本发明迭代的结果。
3、本发明方法的操作步骤简单、可靠性高、实时性强、执行成本低；另外，本发明可以适用于智慧城市中各种各样的移动设备、边缘服务器和云服务器之间进行通信，因此，推广容易，应用广泛，具有很好的普及推广和应用的前景。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中方法的流程图；
图2为现有技术中边缘计算赋能的智慧城市框架图；
图3为本发明实施例一中迁移位置编码图；
图4为本发明实施例一中个体交叉过程示意图；
图5为本发明实施例一中个体变异过程示意图；
图6为本发明实施例二中装置的结构示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：
在智慧城市中，物联网(Internet of Things,IoT)设备计算资源是有限的，无法给予应用合适的计算能力，造成较高的执行时延，这就导致IoT设备无法执行时延敏感型程序。同时由于IoT设备的电池是有限的，也需要对能耗进行一定的优化，降低电池损耗。因此，我们需要同时考虑移动设备时延和能耗的优化目标。在优化用户设备能耗和时延要求的同时，对边缘服务器的计算资源进行优化同样也是一个十分重要的问题。由于智慧城市中的边缘服务器的计算能力是有限的，提升边缘服务器的资源利用率可以有效避免边缘服务器计算资源被浪费。同时边缘服务器也是异构的，这就需要不能单一考虑资源利用率的提升，而要让每一个边缘服务器负载均衡，否则会造成大量任务集中在某几台边缘服务器上，导致部分服务器过载。
本发明实施例方法基于R2指标的MOMBI算法，联合移动设备的时延、能耗以及边缘服务器计算资源和集群负载均衡，通过迭代不断更新种群参考点位置，使用R2指标对种群中的个体进行分层，并通过锦标赛选择方法保留种群中的精英个体，最终得到多目标优化后的迁移策略；根据当前的能耗、时延以及边缘服务器的资源利用率和负载均衡方差，在每一次迁移策略确定后进行新一轮的计算更新；进一步地，使用SAW和MCDM选择最优的迁移策略，针对边缘赋能的智慧城市中四目标进行优化。通过本发明提供的方法，针对智慧城市中移动设备产生的应用进行计算迁移，为用户提供质量较高的服务，且可提升服务器资源利用率，同时保证服务器集群负载平衡。
实施例一
本实施例提供了一种基于MOMBI面向智慧城市应用多目标计算迁移方法，方法流程图如图1所示，边缘计算赋能的智慧城市框架如图2所示，计算迁移位置编码图如图3所示，个体交叉过程如图4所示，个体变异过程如图5所示，所述方法包括以下步骤：
步骤10、根据当前的网络环境，将预先设置好的任务中的任务数据进行读入；
步骤20、随机生成大小为N的父代种群
Figure BDA0003069713580000101
作为计算迁移策略的一组解，其中i代表当前迭代次数，i的初始值设为0，然后获取最大迭代次数δ，变异概率Pm以及交叉概率Pc(获取的参数可以由用户自定义输入，当迭代次数达到δ后，算法停止运行，其中，Pm和Pc越大，交叉和变异概率越高)；
步骤30、计算父代种群
Figure BDA0003069713580000102
目标函数的数值，所述目标函数包括移动设备的时延函数、移动设备的能耗函数、边缘服务器平均资源利用率函数以及边缘服务器负载均衡函数，然后选取各个目标函数数值最优的点Ridea和各个目标函数数值最差的点Rnad作为初始化的参考点，将所述参考点和父代种群
Figure BDA0003069713580000103
输入到MOMBI算法(多目标优化元启发式算法，A NewMetaheuristic for Many-Objective Optimization Based on the R2 Indicator,MOMBI)的R2指标中，将每一个个体划分至不同的层级；
步骤40、通过锦标赛方法对每一层级内的个体执行二进制比赛选择，随机选取两个个体进行对比，用来对个体进行排序，构造出帕累托最优解集，然后根据变异概率Pm以及交叉概率Pc，对父代种群
Figure BDA0003069713580000111
进行交叉、变异操作，生成父代种群
Figure BDA0003069713580000112
的子代种群
Figure BDA0003069713580000113
然后将子代种群
Figure BDA0003069713580000114
与父代种群
Figure BDA0003069713580000115
合并成下一代种群，表示为
Figure BDA0003069713580000116
步骤50、计算下一代种群
Figure BDA0003069713580000117
目标函数的数值，并更新所述参考点(即各个目标函数数值最优的点Ridea和各个目标函数数值最差的点Rnad)，然后将下一代种群
Figure BDA0003069713580000118
和更新后的参考点输入到R2指标中，对
Figure BDA0003069713580000119
中的个体分级排序；
步骤60、根据排序从
Figure BDA00030697135800001110
中选择数量为N的个体作为第i+1轮父代种群，表示为
Figure BDA00030697135800001111
判断当前迭代次数i是否小于最大迭代次数δ，若是，更新当前迭代次数(i＝i+1)以及当前父代种群，并返回步骤40，若否，停止迭代，选择
Figure BDA00030697135800001112
中最优的解并输出。
通过迭代不断更新种群参考点位置，使用R2指标对种群中的个体进行分层，并通过锦标赛选择方法保留种群中的精英个体，根据当前的能耗、时延以及边缘服务器的资源利用率和负载均衡方差，在每一次迁移策略确定后进行新一轮的计算更新，然后选择最优的迁移策略，针对边缘赋能的智慧城市中四目标进行优化。
为了便于计算和具体说明，以及让本领域技术人员理解本发明所提出的方法，以下假定网络环境中存在E个边缘服务器，且由于用户端计算能力不足，任务会被迁移至云服务器或者边缘服务器执行。但对于一些对时延敏感的应用程序，迁移到边缘服务器和远程云都无法满足时延限制，这些应用需要在本地进行处理。本发明可适用于智慧城市中端边云协同的网络架构，并且可以同时优化四个目标的迁移策略，合理分配端边云三者的计算资源。
IoT设备上的任务在执行的时候有三种情况，分别记为(1)、(2)和(3)。迁移策略(1)代表任务不进行迁移，在本地执行。迁移策略(2)代表任务将要迁移到边缘服务器执行，迁移到其中一个边缘服务器上执行，相对应地，迁移策略(3)代表任务迁移到云服务器进行执行。因此，任务的迁移策略满足关系式：stn,i∈{(1),(2),(3)}。
如图3对迁移策略进行编码的过程示意图所示，每一个基因上的数字表示其各自的迁移策略。通过基因编码，每一个计算迁移策略都被转化为一条染色体，以便后续交叉和变异操作的表达。
如图2所示，用户端产生的任务tkn,i可以通过局域网(Local Area Network，LAN)被迁移到边缘服务器上执行，也可以通过广域网(Wide Area Network，WAN)被迁移到具有更多计算资源的云计算中心请求服务。记LAN链路带宽为BLAN，网络时延为LLAN，WAN链路带宽为BWAN，网络时延为LWAN。
Figure BDA0003069713580000121
当任务的迁移策略为ST∈{1,2，...，E}时，任务通过LAN被迁移到距离用户端较近的边缘服务器上进行处理，此时的传输时延很低，但边缘服务器的资源利用是有限的，任务处理时延可能较高。而当任务的迁移策略ST＝E+1时，任务通过WAN被迁移到距离用户端较近的边缘服务器上进行处理，此时的传输时延较高，但远程云数据中心的资源相较于边缘服务器是多很多的，任务处理时延较低。且记边缘服务器的处理能力，即本地计算资源能力为fend，边缘服务器的计算资源为
Figure BDA0003069713580000122
远程云数据中心的处理能力为fcloud。
任务从产生到完成的过程中，一共存在四种时延：迁移时间延迟、排队时延、执行时延和传输时延；首先用To(ST)表示在stn,i在迁移任务下的时间延迟，可以被表示为：
Figure BDA0003069713580000123
在上述式子中，若当前任务迁移策略为在本地执行，即当stn,i＝0时，数据无需传输到其他位置，因此，此时的传输时延为0。
而当stn,i＝1,2,...,E时，表示当前任务被迁移到了边缘服务器上处理，因此，此时当前任务将通过LAN发送数据去往边缘服务器执行，此时，该数据造成的迁移时间延迟为LLAN。
相似地，当stn,i＝E+1时，表示当前任务被迁移到远程云计算中心上处理。任务也需要通过WAN发送到云计算中心中，因此，此时的传输时延为LWAN。
在本发明实施例中每种模式都有不同的物理设备处理任务，将等待队列定义为Q＝{q1,q2,q3,...,qg}，当任务tkn,i迁移到边缘服务器，并且服务器中的虚拟机都在工作时，采用一个二进制数ηn,i,w来表示tkn,i任务在第w个队列上，当其值为0时，表示虚拟机空闲。同时定义了一个双元组vn,i(wl,num)，表示每一个虚拟机的工作情况，并将收到的任务分配到工作负载最小的虚拟机，并且将等待队列的值加1，该等待时延可以被表示为：
Figure BDA0003069713580000131
而对于在本地执行的任务来说，如果不需要传输到边缘服务器或云计算中心，则不存在传输时延，仅存在任务从用户端通过LAN或WAN被迁移到设备外部的网络时延，为了区分传输时延，该时延将被包含在任务处理时延中。
在本发明实施例中，迁移策略stn,i的在不同平台下的执行时延被表示为：
Figure BDA0003069713580000132
上述式子中，若当前任务迁移策略为在本地执行，即当stn,i＝0时，此时本地用户端设备执行频率为fend，上式中wkn,i代表当前任务的数据量大小。
而当stn,i＝1,2,...,E时，表示当前任务被迁移到边缘服务器上处理，因此，此时当前边缘服务器的频率用fedge来表示边缘服务器的计算频率。
相似的，当stn,i＝E+1时，表示当前任务被迁移到远程云计算中心处理，此时任务的执行时延为fcloud。
Figure BDA0003069713580000141
上述式子中，若当前任务在本地执行，即当stn,i＝0时，此时取Bend值为∞，代表任务在本地不会产生传输时延。
而当stn,i＝1,2,...,E时，表示当前任务需要迁移到了边缘服务器上处理，此时边缘服务器带宽Bedge来表示。
相似的，当stn,i＝E+1时，表示当前任务需要迁移到远程云计算中心上处理，此时WAN传输带宽用边缘服务器带宽Bcloud来表示。
在本具体实施例中，为了保持算法具有较高的计算效率和算法的实时性，任务的排队时延Tw(ST)将从宏观考虑，根据用户端中的任务数据量的大小用排队论进行估计。为了避免服务器精确计算排队时间产生的额外能耗和时延，且在针对数据量较大的复杂任务的情况中，任务的迁移策略不会因预估排队时延与精确值之间的误差而产生很大的影响,而若计算精确值产生的额外能耗反而会导致服务质量急剧降低。
在本具体实施例中，总数为N的工作流Ttotal(ST)的总时延满足关系式：
Figure BDA0003069713580000142
任务所产生的能耗，一共有四种：迁移能耗、排队能耗、执行能耗和传输能耗；
Figure BDA0003069713580000143
上述式子中，若当前任务在本地执行，即上式当stn,i＝0时，数据无需迁移到其它位置，任务在本地就直接执行，不需要计算迁移造成的能耗。
而当迁移策略stn,i＝1,2,...,E时，表示当前任务被迁移到边缘服务器上处理，因此，此时当前任务将通过LAN发送数据去边缘服务器，此时在LLAN的时间下，需要的能耗为LLANgpi。其中pi代表服务器的功率。
相似的，当stn,i＝E+1时，表示当前任务被迁移到云计算中心上处理。任务也需要通过WAN发送到云计算中心中，因此，此时的传输能耗为LWANgpi。
本具体实施例中，等待能耗由等待时间推导得到，其中pv代表了虚拟机的运行能耗，等待能耗可以被表示为：
Figure BDA0003069713580000151
在本具体实施例中，应用的执行能耗满足关系式：
Figure BDA0003069713580000152
在上述式子中，若当前任务迁移策略在本地执行，即当stn,i＝0时，此时本地用户端设备执行频率为fend，上式中wkn,i代表当前任务的数据量大小，其中pa代表移动设备产生的执行功率。
而当stn,i＝1,2,...,E时，表示当前任务被迁移到边缘服务器上处理，用任务的执行时间
Figure BDA0003069713580000153
和pi相乘可得到任务在边缘服务器上执行产生的能耗。
相似地，当stn,i＝E+1时，表示当前任务被迁移到远程的云计算中心上处理。
Figure BDA0003069713580000154
上述式子中和传输时延类似，在本地执行时，不产生能耗。在边缘服务器和云计算中心计算时，会产生传输时间下pi的传输能耗。
在本具体实施例中，总能耗可以被表示为：
Figure BDA0003069713580000161
本发明实施例中，设定边缘服务器计算资源是异构的且有限的，为了充分地利用边缘服务器的计算资源和避免服务器过载，考虑到服务器的资源利用率和负载均衡。当计算迁移到虚拟机上时，虚拟机会自动地处理任务，用二进制数
Figure BDA0003069713580000162
来表示在第m个虚拟机中是否正在处理任务tkn,i。通过统计
Figure BDA0003069713580000163
将第e台边缘服务器的资源利用率表示为：
Figure BDA0003069713580000164
二进制数κn表示计算任务tkn,i是否被迁移到边缘服务器ESe进行处理。其值为1时，表示边缘服务器ESe正在处理任务tkn,i；其值为0时，则未处理任务。处于工作状态的边缘服务器数量EZ可以表示为：
Figure BDA0003069713580000165
综上所述，可以将边缘服务器平均资源利用率表示为：
Figure BDA0003069713580000166
在本发明实施例中，在引入资源利用率的同时，负载均衡也非常重要。负载均衡是衡量每一个边缘服务器计算迁移任务分配的情况。
本发明实施例中，借助计算出的资源利用率，来计算负载均衡值。即统计单个边缘服务器的资源利用量Ce，和平均资源利用率U(ST)做差，得到资源利用率的方差，接下来对这个方差进行求和，计算所有边缘服务器的负载情况，负载均衡函数可以被表示为：
Figure BDA0003069713580000167
综上所述，所述分级模块中，所述目标函数具体为：
移动设备的时延函数为：
Figure BDA0003069713580000171
其中，N为父代种群的个体数，stn,i为任务迁移策略，To(ST)为stn,i在迁移任务下的时间延迟，Te(ST)为stn,i在不同平台下的执行时延，Tw(stn,i)为虚拟机的等待时延，Tt(ST)为计算任务在不同平台中传输的传输时延；
移动设备的能耗函数为：
Figure BDA0003069713580000172
其中，Eo(stn,i)为迁移能耗，Ee(stn,i)为执行能耗，为Ew(stn,i)为等待能耗，Et(stn,i)为传输能耗；
边缘服务器平均资源利用率函数为：
Figure BDA0003069713580000173
其中，EZ为处于工作状态的边缘服务器数量，Ce为第e台边缘服务器的资源利用率；
边缘服务器负载均衡函数为：
Figure BDA0003069713580000174
其中，U(ST)代表平均资源利用率。
在一种可能的实现方式中，在所述步骤30中，R2指标的核心思想是将优化所选择的目标函数的解集进行分组，将优化目标最优的一组解设置为最高层级。然后将第一层的解从种群中删除，并以同样的方式确定第二层，直到所有的解集合划分完成。R2指标基于加权切比雪夫函数，表示为：
Figure BDA0003069713580000175
其中，P代表目标函数计算出的种群集合，每一个切比雪夫向量用W来表示，参考点
Figure BDA0003069713580000176
计算更新的参考点，当前种群的个体由μi(x)表示。
在R2指标中，
Figure BDA0003069713580000177
计算并更新个体的方式表示为：
Figure BDA0003069713580000178
其中，
Figure BDA0003069713580000179
表示最小值参考点，
Figure BDA00030697135800001710
表示最大值参考点，这两个参考点通过种群计算适应度函数得出，并在每一轮迭代中更新。综上所示，R2指标通过更新参考点，并对每一个个体根据参考点大小进行分级，R2指标的分级函数表示为：
Figure BDA0003069713580000181
其中，W表示一组切比雪夫向量，w属于W中的单个向量，A为帕累托近似解的集合，a为A中的单个的解，k表示分级的级数，其中k＝1代表第一层，在算法中代表最好级别的解集，Bk＝{Uxrankx|k≥2,1≤x≤k}表示低一级别的解集合，wi为第i个切比雪夫向量，μi(x)为当前种群的个体，
Figure BDA0003069713580000182
为最大值参考点，
Figure BDA0003069713580000183
为最小值参考点。
当两个个体具有相同的切比雪夫权重值时，R2指标会选择具有较低曼哈顿范数的权重向量，定义为:
Figure BDA0003069713580000184
基于目标函数的数值产生的非支配排序方案，通过R2指标划分种群中的不同层级，通过这个算法，可以计算出所有的个体级别，并按照级别区分解的层次关系。将更优秀的解划分到更高层次，有助于算法实现精英策略，使优秀的解得到保留，传播到下一代种群中。
在一种可能的实现方式中，所述步骤60中，选择
Figure BDA0003069713580000185
中最优的解并输出，具体包括如下步骤：
步骤61、为了选择最佳的迁移策略，所述的算法中需要使用到SAW和MCDM，首先需要对每一个目标函数进行归一化以统一量化：
Figure BDA0003069713580000186
其中，Tmax和Tmin分别代表在第s个种群中，时间消耗的最大值和最小值；
Figure BDA0003069713580000187
其中，Emax和Emin分别代表第s个种群中，能耗的最大值和最小值；
Figure BDA0003069713580000191
其中，Umax和Umin分别代表第s个种群中，资源利用率的最大值和最小值；
Figure BDA0003069713580000192
其中，Lmax和Lmin分别代表第s个种群中，负载均衡的最大值和最小值；
步骤62、为了衡量四个目标函数的迁移策略最大效用价值，用ωt、ωe、ωu和ωl分别表示时间消耗、能耗、资源利用率和负载均衡的权重，则效用价值
Figure BDA0003069713580000193
的表达式为：
Figure BDA0003069713580000194
步骤63、使用SAW(simple additive weighting approach)和MCDM(multicriteria decision making methods)算法选择具有最大效用价值的种群作为最优解，
Figure BDA0003069713580000195
S.t.ωt,ωe,ωu,ωl∈[0,1]
ωt+ωe+ωu+ωl＝1
其中，S代表MOMBI迭代完成后的总种群，S.t.代表约束条件；
步骤64、输出所述最优解。
本发明针实施例对最优策略选择部分，使用的是SAW和MCDM算法，该算法是一种多准则决策的决策方法，可以有效地评估一组解。通过评估解的时延、能耗、资源利用率和负载均衡这四个目标函数，将函数的值作为效用价值，选择具有最高的效用价值的解作为最优解。该方法可以在MOMBI生成的一组解集中，选择最优的解方案作为本发明迭代的结果。
基于同一发明构思，本申请还提供了与实施例一中的方法对应的装置，详见实施例二。
实施例二
在本实施例中提供了一种基于MOMBI面向智慧城市应用多目标计算迁移装置，如图6所示，包括：
任务数据获取模块、初始化模块、分级模块、下一代种群生成模块、计算更新模块以及种群迭代模块；
所述任务数据获取模块，用于根据当前的网络环境，将预先设置好的任务中的任务数据进行读入；
所述初始化模块，用于随机生成大小为N的父代种群
Figure BDA0003069713580000201
作为计算迁移策略的一组解，其中i代表当前迭代次数，i的初始值设为0，然后获取最大迭代次数δ，变异概率Pm以及交叉概率Pc；
所述分级模块，用于计算父代种群
Figure BDA0003069713580000202
目标函数的数值，所述目标函数包括移动设备的时延函数、移动设备的能耗函数、边缘服务器平均资源利用率函数以及边缘服务器负载均衡函数，然后选取各个目标函数数值最优的点和各个目标函数数值最差的点作为参考点，将所述参考点和父代种群
Figure BDA0003069713580000203
输入到MOMBI算法的R2指标中，将每一个个体划分至不同的层级；
所述下一代种群生成模块，用于通过锦标赛方法对每一层级内的个体执行二进制比赛选择，随机选取两个个体进行对比，用来对个体进行排序，然后根据变异概率Pm以及交叉概率Pc，对父代种群
Figure BDA0003069713580000204
进行交叉、变异操作，生成父代种群
Figure BDA0003069713580000205
的子代种群
Figure BDA0003069713580000206
然后将子代种群
Figure BDA0003069713580000207
与父代种群
Figure BDA0003069713580000208
合并成下一代种群，表示为
Figure BDA0003069713580000209
所述计算更新模块，用于计算下一代种群
Figure BDA00030697135800002010
目标函数的数值，并更新所述参考点，然后将下一代种群
Figure BDA00030697135800002011
和更新后的参考点输入到R2指标中，对
Figure BDA00030697135800002012
中的个体分级排序；
所述种群迭代模块，用于根据排序从
Figure BDA00030697135800002013
中选择数量为N的个体作为第i+1轮父代种群，表示为
Figure BDA00030697135800002014
判断当前迭代次数i是否小于最大迭代次数δ，若是，更新当前迭代次数以及当前父代种群，并返回下一代种群生成模块，若否，停止迭代，选择
Figure BDA00030697135800002015
中最优的解并输出。
在一种可能的实现方式中，所述分级模块中，所述目标函数具体为：
移动设备的时延函数为：
Figure BDA0003069713580000211
其中，N为父代种群的个体数，stn,i为任务迁移策略，To(ST)为stn,i在迁移任务下的时间延迟，Te(ST)为stn,i在不同平台下的执行时延，Tw(stn,i)为虚拟机的等待时延，Tt(ST)为计算任务在不同平台中传输的传输时延；
移动设备的能耗函数为：
Figure BDA0003069713580000212
其中，Eo(stn,i)为迁移能耗，Ee(stn,i)为执行能耗，为Ew(stn,i)为等待能耗，Et(stn,i)为传输能耗；
边缘服务器平均资源利用率函数为：
Figure BDA0003069713580000213
其中，EZ为处于工作状态的边缘服务器数量，Ce为第e台边缘服务器的资源利用率；
边缘服务器负载均衡函数为：
Figure BDA0003069713580000214
其中，U(ST)代表平均资源利用率。
进一步地，所述分级模块中，所述R2指标的分级函数具体为：
Figure BDA0003069713580000215
其中，W表示一组切比雪夫向量，w属于W中的单个向量，A为帕累托近似解的集合，a为A中的单个的解，Bk＝{Uxrankx|k≥2,1≤x≤k}表示低一级别的解集合，wi为第i个切比雪夫向量，μi(x)为当前种群的个体，
Figure BDA0003069713580000216
为最大值参考点，
Figure BDA0003069713580000217
为最小值参考点。
在一种可能的实现方式中，所述种群迭代模块中，选择
Figure BDA0003069713580000218
中最优的解并输出，具体包括如下步骤：
步骤61、对每一个目标函数进行归一化以统一量化：
Figure BDA0003069713580000221
其中，Tmax和Tmin分别代表在第s个种群中，时间消耗的最大值和最小值；
Figure BDA0003069713580000222
其中，Emax和Emin分别代表第s个种群中，能耗的最大值和最小值；
Figure BDA0003069713580000223
其中，Umax和Umin分别代表第s个种群中，资源利用率的最大值和最小值；
Figure BDA0003069713580000224
其中，Lmax和Lmin分别代表第s个种群中，负载均衡的最大值和最小值；
步骤62、为了衡量四个目标函数的迁移策略最大效用价值，用ωt、ωe、ωu和ωl分别表示时间消耗、能耗、资源利用率和负载均衡的权重，则效用价值
Figure BDA0003069713580000225
的表达式为：
Figure BDA0003069713580000226
步骤63、使用SAW和MCDM算法选择具有最大效用价值的种群作为最优解，
Figure BDA0003069713580000227
S.t.ωt,ωe,ωu,ωl∈[0,1]
ωt+ωe+ωu+ωl＝1
其中，S代表MOMBI迭代完成后的总种群，S.t.代表约束条件；
步骤64、输出所述最优解。
由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (8)

1.一种基于MOMBI面向智慧城市应用多目标计算迁移方法，其特征在于，包括：
步骤10、根据当前的网络环境，将预先设置好的任务中的任务数据进行读入；
步骤20、随机生成大小为N的父代种群
Figure FDA0003069713570000011
作为计算迁移策略的一组解，其中i代表当前迭代次数，i的初始值设为0，然后获取最大迭代次数δ，变异概率Pm以及交叉概率Pc；
步骤30、计算父代种群
Figure FDA0003069713570000012
目标函数的数值，所述目标函数包括移动设备的时延函数、移动设备的能耗函数、边缘服务器平均资源利用率函数以及边缘服务器负载均衡函数，然后选取各个目标函数数值最优的点和各个目标函数数值最差的点作为参考点，将所述参考点和父代种群
Figure FDA0003069713570000013
输入到MOMBI算法的R2指标中，将每一个个体划分至不同的层级；
步骤40、通过锦标赛方法对每一层级内的个体执行二进制比赛选择，随机选取两个个体进行对比，用来对个体进行排序，然后根据变异概率Pm以及交叉概率Pc，对父代种群
Figure FDA0003069713570000014
进行交叉、变异操作，生成父代种群
Figure FDA0003069713570000015
的子代种群
Figure FDA0003069713570000016
然后将子代种群
Figure FDA0003069713570000017
与父代种群
Figure FDA0003069713570000018
合并成下一代种群，表示为
Figure FDA0003069713570000019
步骤50、计算下一代种群
Figure FDA00030697135700000110
目标函数的数值，并更新所述参考点，然后将下一代种群
Figure FDA00030697135700000111
和更新后的参考点输入到R2指标中，对
Figure FDA00030697135700000112
中的个体分级排序；
步骤60、根据排序从
Figure FDA00030697135700000113
中选择数量为N的个体作为第i+1轮父代种群，表示为
Figure FDA00030697135700000114
判断当前迭代次数i是否小于最大迭代次数δ，若是，更新当前迭代次数以及当前父代种群，并返回步骤40，若否，停止迭代，选择
Figure FDA00030697135700000115
中最优的解并输出。
2.根据权利要求1所述的方法，其特征在于：所述步骤30中，所述目标函数具体为：
移动设备的时延函数为：
Figure FDA0003069713570000021
其中，N为父代种群的个体数，stn,i为任务迁移策略，To(ST)为stn,i在迁移任务下的时间延迟，Te(ST)为stn,i在不同平台下的执行时延，Tw(stn,i)为虚拟机的等待时延，Tt(ST)为计算任务在不同平台中传输的传输时延；
移动设备的能耗函数为：
Figure FDA0003069713570000022
其中，Eo(stn,i)为迁移能耗，Ee(stn,i)为执行能耗，为Ew(stn,i)为等待能耗，Et(stn,i)为传输能耗；
边缘服务器平均资源利用率函数为：
Figure FDA0003069713570000023
其中，EZ为处于工作状态的边缘服务器数量，Ce为第e台边缘服务器的资源利用率；
边缘服务器负载均衡函数为：
Figure FDA0003069713570000024
其中，U(ST)代表平均资源利用率。
3.根据权利要求1所述的方法，其特征在于：所述步骤30中，所述R2指标的分级函数具体为：
Figure FDA0003069713570000025
其中，W表示一组切比雪夫向量，w属于W中的单个向量，A为帕累托近似解的集合，a为A中的单个的解，k表示分级的级数，Bk＝{Uxrankx|k≥2,1≤x≤k}表示低一级别的解集合，wi为第i个切比雪夫向量，μi(x)为当前种群的个体，
Figure FDA0003069713570000026
为最大值参考点，
Figure FDA0003069713570000027
为最小值参考点。
4.根据权利要求1所述的方法，其特征在于：所述步骤60中，选择
Figure FDA0003069713570000028
中最优的解并输出，具体包括：
步骤61、对每一个目标函数进行归一化以统一量化：
Figure FDA0003069713570000031
其中，Tmax和Tmin分别代表在第s个种群中，时间消耗的最大值和最小值；
Figure FDA0003069713570000032
其中，Emax和Emin分别代表第s个种群中，能耗的最大值和最小值；
Figure FDA0003069713570000033
其中，Umax和Umin分别代表第s个种群中，资源利用率的最大值和最小值；
Figure FDA0003069713570000034
其中，Lmax和Lmin分别代表第s个种群中，负载均衡的最大值和最小值；
步骤62、为了衡量四个目标函数的迁移策略最大效用价值，用ωt、ωe、ωu和ωl分别表示时间消耗、能耗、资源利用率和负载均衡的权重，则效用价值
Figure FDA0003069713570000035
的表达式为：
Figure FDA0003069713570000036
步骤63、使用SAW和MCDM算法选择具有最大效用价值的种群作为最优解，
Figure FDA0003069713570000037
S.t.ωt,ωe,ωu,ωl∈[0,1]
ωt+ωe+ωu+ωl＝1
其中，S代表MOMBI迭代完成后的总种群，S.t.代表约束条件；
步骤64、输出所述最优解。
5.一种基于MOMBI面向智慧城市应用多目标计算迁移装置，其特征在于，包括：任务数据获取模块、初始化模块、分级模块、下一代种群生成模块、计算更新模块以及种群迭代模块；
所述任务数据获取模块，用于根据当前的网络环境，将预先设置好的任务中的任务数据进行读入；
所述初始化模块，用于随机生成大小为N的父代种群
Figure FDA0003069713570000041
作为计算迁移策略的一组解，其中i代表当前迭代次数，i的初始值设为0，然后获取最大迭代次数δ，变异概率Pm以及交叉概率Pc；
所述分级模块，用于计算父代种群
Figure FDA0003069713570000042
目标函数的数值，所述目标函数包括移动设备的时延函数、移动设备的能耗函数、边缘服务器平均资源利用率函数以及边缘服务器负载均衡函数，然后选取各个目标函数数值最优的点和各个目标函数数值最差的点作为参考点，将所述参考点和父代种群En i输入到MOMBI算法的R2指标中，将每一个个体划分至不同的层级；
所述下一代种群生成模块，用于通过锦标赛方法对每一层级内的个体执行二进制比赛选择，随机选取两个个体进行对比，用来对个体进行排序，然后根据变异概率Pm以及交叉概率Pc，对父代种群
Figure FDA0003069713570000043
进行交叉、变异操作，生成父代种群
Figure FDA0003069713570000044
的子代种群
Figure FDA0003069713570000045
然后将子代种群
Figure FDA0003069713570000046
与父代种群
Figure FDA0003069713570000047
合并成下一代种群，表示为
Figure FDA0003069713570000048
所述计算更新模块，用于计算下一代种群
Figure FDA0003069713570000049
目标函数的数值，并更新所述参考点，然后将下一代种群
Figure FDA00030697135700000410
和更新后的参考点输入到R2指标中，对
Figure FDA00030697135700000411
中的个体分级排序；
所述种群迭代模块，用于根据排序从
Figure FDA00030697135700000412
中选择数量为N的个体作为第i+1轮父代种群，表示为
Figure FDA00030697135700000413
判断当前迭代次数i是否小于最大迭代次数δ，若是，更新当前迭代次数以及当前父代种群，并返回下一代种群生成模块，若否，停止迭代，选择
Figure FDA00030697135700000414
中最优的解并输出。
6.根据权利要求5所述的装置，其特征在于：所述分级模块中，所述目标函数具体为：
移动设备的时延函数为：
Figure FDA0003069713570000051
其中，N为父代种群的个体数，stn,i为任务迁移策略，To(ST)为stn,i在迁移任务下的时间延迟，Te(ST)为stn,i在不同平台下的执行时延，Tw(stn,i)为虚拟机的等待时延，Tt(ST)为计算任务在不同平台中传输的传输时延；
移动设备的能耗函数为：
Figure FDA0003069713570000052
其中，Eo(stn,i)为迁移能耗，Ee(stn,i)为执行能耗，为Ew(stn,i)为等待能耗，Et(stn,i)为传输能耗；
边缘服务器平均资源利用率函数为：
Figure FDA0003069713570000053
其中，EZ为处于工作状态的边缘服务器数量，Ce为第e台边缘服务器的资源利用率；
边缘服务器负载均衡函数为：
Figure FDA0003069713570000054
其中，U(ST)代表平均资源利用率。
7.根据权利要求5所述的装置，其特征在于：所述分级模块中，所述R2指标的分级函数具体为：
Figure FDA0003069713570000055
其中，W表示一组切比雪夫向量，w属于W中的单个向量，A为帕累托近似解的集合，a为A中的单个的解，k表示分级的级数，Bk＝{Uxrankx|k≥2,1≤x≤k}表示低一级别的解集合，wi为第i个切比雪夫向量，μi(x)为当前种群的个体，
Figure FDA0003069713570000056
为最大值参考点，
Figure FDA0003069713570000057
为最小值参考点。
8.根据权利要求5所述的装置，其特征在于：所述种群迭代模块中，选择
Figure FDA0003069713570000058
中最优的解并输出，具体包括如下步骤：
步骤61、对每一个目标函数进行归一化以统一量化：
Figure FDA0003069713570000061
其中，Tmax和Tmin分别代表在第s个种群中，时间消耗的最大值和最小值；
Figure FDA0003069713570000062
其中，Emax和Emin分别代表第s个种群中，能耗的最大值和最小值；
Figure FDA0003069713570000063
其中，Umax和Umin分别代表第s个种群中，资源利用率的最大值和最小值；
Figure FDA0003069713570000064
其中，Lmax和Lmin分别代表第s个种群中，负载均衡的最大值和最小值；
步骤62、为了衡量四个目标函数的迁移策略最大效用价值，用ωt、ωe、ωu和ωl分别表示时间消耗、能耗、资源利用率和负载均衡的权重，则效用价值
Figure FDA0003069713570000065
的表达式为：
Figure FDA0003069713570000066
步骤63、使用SAW和MCDM算法选择具有最大效用价值的种群作为最优解，
Figure FDA0003069713570000067
S.t.ωt,ωe,ωu,ωl∈[0,1]
ωt+ωe+ωu+ωl＝1
其中，S代表MOMBI迭代完成后的总种群，S.t.代表约束条件；
步骤64、输出所述最优解。
CN202110535628.1A 2021-05-17 2021-05-17 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 Active CN113139639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110535628.1A CN113139639B (zh) 2021-05-17 2021-05-17 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110535628.1A CN113139639B (zh) 2021-05-17 2021-05-17 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置

Publications (2)

Publication Number Publication Date
CN113139639A true CN113139639A (zh) 2021-07-20
CN113139639B CN113139639B (zh) 2023-05-30

Family

ID=76817253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110535628.1A Active CN113139639B (zh) 2021-05-17 2021-05-17 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置

Country Status (1)

Country Link
CN (1) CN113139639B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742077A (zh) * 2021-09-08 2021-12-03 吉林大学 一种基于5g车联网的计算迁移方法
CN116151303A (zh) * 2023-04-21 2023-05-23 武汉科技大学 一种预测多任务多目标优化问题中最佳迁移时机的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180341894A1 (en) * 2017-05-24 2018-11-29 Telespazio S.P.A. Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner
CN109885397A (zh) * 2019-01-15 2019-06-14 长安大学 一种边缘计算环境中时延优化的负载任务迁移算法
CN111857976A (zh) * 2020-08-07 2020-10-30 华侨大学 一种基于分解的多目标优化的计算迁移方法
CN111984419A (zh) * 2020-08-28 2020-11-24 华侨大学 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN112214301A (zh) * 2020-10-29 2021-01-12 华侨大学 面向智慧城市基于用户偏好的动态计算迁移方法及装置
WO2021012584A1 (zh) * 2019-07-25 2021-01-28 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180341894A1 (en) * 2017-05-24 2018-11-29 Telespazio S.P.A. Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner
CN109885397A (zh) * 2019-01-15 2019-06-14 长安大学 一种边缘计算环境中时延优化的负载任务迁移算法
WO2021012584A1 (zh) * 2019-07-25 2021-01-28 北京工业大学 一种移动边缘计算场景下制定单任务迁移策略的方法
CN111857976A (zh) * 2020-08-07 2020-10-30 华侨大学 一种基于分解的多目标优化的计算迁移方法
CN111984419A (zh) * 2020-08-28 2020-11-24 华侨大学 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN112214301A (zh) * 2020-10-29 2021-01-12 华侨大学 面向智慧城市基于用户偏好的动态计算迁移方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI PENG 等: "A Survey on Mobile Edge Computing: Focusing on Service Adoption and Provision", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》 *
梅志伟;: "多目标进化算法综述", 软件导刊 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113742077A (zh) * 2021-09-08 2021-12-03 吉林大学 一种基于5g车联网的计算迁移方法
CN113742077B (zh) * 2021-09-08 2024-03-01 吉林大学 一种基于5g车联网的计算迁移方法
CN116151303A (zh) * 2023-04-21 2023-05-23 武汉科技大学 一种预测多任务多目标优化问题中最佳迁移时机的方法
CN116151303B (zh) * 2023-04-21 2023-06-27 武汉科技大学 一种加速多目标优化算法优化燃烧室设计的方法

Also Published As

Publication number Publication date
CN113139639B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN110418356A (zh) 一种计算任务卸载方法、装置及计算机可读存储介质
CN113918240B (zh) 任务卸载方法及装置
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN111813506A (zh) 一种基于粒子群算法资源感知计算迁移方法、装置及介质
CN113139639A (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN114564312A (zh) 一种基于自适应深度神经网络的云边端协同计算方法
CN112685138A (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
CN112867066A (zh) 基于5g多小区深度强化学习的边缘计算迁移方法
CN114356585B (zh) 一种移动边缘计算卸载的优化方法、装置及计算机设备
He Optimization of edge delay sensitive task scheduling based on genetic algorithm
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
Manavi et al. Resource allocation in cloud computing using genetic algorithm and neural network
CN112130927B (zh) 一种可靠性增强的移动边缘计算任务卸载方法
CN112882805A (zh) 一种任务资源约束的利润优化调度方法
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
CN116089083A (zh) 一种多目标数据中心资源调度方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
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
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
Prado et al. On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers
CN115361453A (zh) 一种面向边缘服务网络的负载公平卸载与迁移方法
CN111290853B (zh) 一种基于自适应改进遗传算法的云数据中心调度方法

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