CN113207136B - 一种联合优化计算卸载和资源分配的方法及装置 - Google Patents
一种联合优化计算卸载和资源分配的方法及装置 Download PDFInfo
- Publication number
- CN113207136B CN113207136B CN202110363614.6A CN202110363614A CN113207136B CN 113207136 B CN113207136 B CN 113207136B CN 202110363614 A CN202110363614 A CN 202110363614A CN 113207136 B CN113207136 B CN 113207136B
- Authority
- CN
- China
- Prior art keywords
- representing
- energy
- wireless sensing
- task
- sensing device
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种联合优化计算卸载和资源分配的方法及装置,该方法包括:构建协同无线供电边缘计算的工业互联网环境下的系统模型;以系统中的剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响目标函数的值;基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解目标函数的最优解,实现最优的计算卸载决策和资源分配策略。本发明可以计算每个小型基站覆盖范围内工业无线设备最大的剩余能量值,实现最优的计算卸载和资源分配,减少能量消耗。
Description
技术领域
本发明涉及工业互联网技术领域,特别涉及一种联合优化计算卸载和资源分配的方法及装置。
背景技术
工业互联网即认知制造与工业4.0的结合,旨在打造智能化、自动化和无线设备相互感知,互联互通的工业体系。工业互联网是物联网在工业领域的应用,是提升智能制造水平的关键。部署在工业互联网中的每个元素都可以与网络连接,互相通信。由于各种无线传感设备(Wireless Sensor Devices,WSDs)广泛分布于工业环境中,这些设备被用来感知、监视和控制周围工业环境的事件状态。同时,不断生成的数据需要应用程序进行传输、存储和处理。随着无线传输技术的进步,所有的数据都将转化为行动,通过对工业设备的综合意识感知,灵活处理各种任务,促进效率的提高。为制造业、交通运输、能源、城市、医疗等行业带来极大便利。因此,未来将建立一个工业系统与最先进的信息技术相结合的智能工业生态系统。
数据的爆炸式增长带来计算和存储难题,计算能耗较高和电池容量受限等问题日益突出,依靠边缘计算和无线能量传输技术,能量供应得到解决,系统效用得到提升,因此工业互联网得以进一步发展。
边缘计算将工业互联网中无线传感设备无法处理的数据传输到边缘服务器上计算,解决计算资源不足的问题。为了进一步缩短时延、减少能耗,如何进行合理的资源分配和计算卸载是一个需要考虑的问题。
发明内容
本发明提供了一种联合优化计算卸载和资源分配的方法及装置,以解决协同无线供电边缘计算的工业互联网中合理的资源分配和计算卸载问题,实现协同无线供电边缘计算的工业互联网中的剩余能量最大化。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种联合优化计算卸载和资源分配的方法,适用于协同无线供电边缘计算的工业互联网,所述方法包括:
构建协同无线供电边缘计算的工业互联网环境下的系统模型;其中,所述协同无线供电边缘计算的工业互联网包括云计算中心层、边缘服务层以及无线传感器层;所述系统模型包括能量收集模型、本地计算模型以及计算卸载模型;
基于所述系统模型,以系统中剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响所述目标函数的值;
基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解所述目标函数,实现系统最优的计算卸载决策和资源分配策略。
进一步地,所述构建协同无线供电边缘计算的工业互联网环境下的系统模型,包括:
构建能量收集模型,包括:
将第u个无线传感设备收集的能量采用下式表示:
Eu hav=λuTμhuPu
其中,表示第u个无线传感设备收集的能量,λu表示第u个无线传感设备的能量收集时间系数,且λu+vu≤1,vu表示任务执行时间系统,T表示执行截止时间,μ表示无线传感设备的能量转换效率,hu表示从传输基站到第u个无线传感设备的下行链路大规模信道增益,Pu表示下行链路发射功率;
构建本地计算模型,包括:
将在无线传感设备上完成任务的本地执行延迟表示为:
其中,表示第u个无线传感设备完成任务的本地执行延迟,au表示第u个无线传感设备的计算卸载决策,au=0表示任务在本地计算,au=1表示任务卸载到服务器进行处理,Du表示输入数据大小,Cu表示完成任务所需的CPU周期数,表示无线传感设备的计算能力;本地执行的能耗由下式给出:
构建计算卸载模型,包括:
将任务的卸载延迟表示为:
其中,pu表示从无线传感设备到边缘服务器的上行链路传输功率,σ2表示在无线传感设备和传输基站之间的信道中产生的噪声功率,gu表示无线传感设备和传输基站之间的信道增益,B表示信道带宽;
能量收集时间和卸载时间满足以下约束:
将在边缘服务器上进行任务处理所需的时延表示为:
将任务传输过程中产生的能量消耗表示为:
进一步地,所述基于所述系统模型,以系统中剩余能量最大化为目标构建目标函数,包括:
将收集的能量减去计算消耗的能量作为剩余能量,表达式为:
得到目标函数的表达式如下:
进一步地,基于鲸鱼优化算法和二进制鲸鱼优化算法分别优化资源分配策略和计算卸载决策来求解所述目标函数,实现系统最优的计算卸载决策和资源分配策略,包括:
基于鲸鱼优化算法求解资源分配策略,基于二进制鲸鱼优化算法求解计算卸载决策,以求解目标函数最优解,实现最优的计算卸载决策和资源分配策略。
另一方面,本发明还提供了一种联合优化计算卸载和资源分配的装置,适用于协同无线供电边缘计算的工业互联网,所述装置包括:
系统模型构建模块,用于构建协同无线供电边缘计算的工业互联网环境下的系统模型;其中,所述协同无线供电边缘计算的工业互联网包括云计算中心层、边缘服务层以及无线传感器层;所述系统模型包括能量收集模型、本地计算模型以及计算卸载模型;
目标函数模型构建模块,用于基于所述系统模型构建模块所构建的系统模型,以系统中剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响所述目标函数的值;
联合优化问题求解模块,用于基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解所述目标函数模型构建模块所构建的目标函数,实现系统最优的计算卸载决策和资源分配策略。
进一步地,所述系统模型构建模块具体用于:
构建能量收集模型,包括:
将第u个无线传感设备收集的能量采用下式表示:
Eu hav=λuTμhuPu
其中,表示第u个无线传感设备收集的能量,λu表示第u个无线传感设备的能量收集时间系数,且λu+vu≤1,vu表示任务执行时间系统,T表示执行截止时间,μ表示无线传感设备的能量转换效率,hu表示从传输基站到第u个无线传感设备的下行链路大规模信道增益,Pu表示下行链路发射功率;
构建本地计算模型,包括:
将在无线传感设备上完成任务的本地执行延迟表示为:
其中,表示第u个无线传感设备完成任务的本地执行延迟,au表示第u个无线传感设备的计算卸载决策,au=0表示任务在本地计算,au=1表示任务卸载到服务器进行处理,Du表示输入数据大小,Cu表示完成任务所需的CPU周期数,表示无线传感设备的计算能力;本地执行的能耗由下式给出:
构建计算卸载模型,包括:
将任务的卸载延迟表示为:
其中,pu表示从无线传感设备到边缘服务器的上行链路传输功率,σ2表示在无线传感设备和传输基站之间的信道中产生的噪声功率,gu表示无线传感设备和传输基站之间的信道增益,B表示信道带宽;
能量收集时间和卸载时间满足以下约束:
将在边缘服务器上进行任务处理所需的时延表示为:
将任务传输过程中产生的能量消耗表示为:
进一步地,所述目标函数模型构建模块具体用于:
将收集的能量减去计算消耗的能量作为剩余能量,表达式为:
得到目标函数的表达式如下:
进一步地,所述联合优化问题求解模块具体用于:
基于鲸鱼优化算法求解资源分配策略,基于二进制鲸鱼优化算法求解计算卸载决策,以求解目标函数最优解,实现最优的计算卸载决策和资源分配策略。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明针对协同无线供电边缘计算的工业互联网中对无线设备进行无线能量供电和卸载计算时,寻求最优的任务卸载和资源分配方案,达到了剩余能量最大化的效果,并通过基于鲸鱼优化算法的改进混合鲸鱼优化算法对卸载决策和资源分配方案进行联合优化,最终求得最优解;实现了针对协同无线供电边缘计算的工业互联网的最优的计算卸载和资源分配,缩短了时延,减少了能耗。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的协同无线供电边缘计算网络的工业互联网架构的示意图;
图2为本发明实施例提供的联合优化计算卸载和资源分配的方法的流程图;
图3为本发明实施例提供的设备进行能量传输和两种计算模式下的时间分割示意图;
图4为本发明实施例提供的改进的混合鲸鱼优化算法流程图。
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实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种联合优化计算卸载和资源分配的方法,可以应用在工业互联网与无线供电边缘计算网络耦合的系统,也即协同无线供电边缘计算的工业互联网中;其中,协同无线供电边缘计算工业互联网的网络架构如图1所示,包括考虑IIoT环境中的三层框架,包括:云计算中心层、边缘服务层和无线传感器层;其中,云计算中心层负责协调整个网络的运作,处理复杂度高的计算任务;边缘服务层处理无线传感器层传输的计算任务;无线传感器层监测工业环境,产生并处理数据。本实施例主要讨论无线设备层和边缘服务层之间的交互。协同无线供电边缘计算工业互联网的任意一个小区由一个多天线传输基站(Transmission Base Station,TBS)和计算能力有限的单天线WSDs组成。传输基站中部署着边缘服务器,用于提供计算和存储资源,小区内分布着多个工业级无线传感设备,这些无线传感设备负责采集附近环境的数据,感知并作用于周围环境,通过处理计算任务及时反馈环境信息,实现智能化工厂作业。
在上述架构中,云计算中心层位于主干网中,是整个网络的核心。它支持高性能计算,保证网络的安全性,控制网络的运行能力。在第二层终端设备附近有许多边缘服务器,放置在无线TBS中。对于本地设备无法处理的复杂任务,边缘服务器比本地设备有更多的资源和计算能力。在该层中,任务通过无线信道卸载到服务器上,并在处理后返回。当计算复杂度超过边缘服务器的最大处理能力极限时,计算任务将转移到云中心,云中心具有强大的计算能力和丰富的计算资源。此外,无线电源点(WPSPs)分布在固定位置,为附近设备提供无线能量传输(Wireless Power Transfer,WPT)。另外,在最后一层,大量的IIoT设备分布在IIoT系统中,具有一定的计算能力。由于无线传感器数量众多,实时性强,产生了大量的数据,需要对其进行及时分析。
假设TBS内置恒定的功率供电和能量传输电路,WSD配有一个集成的能量收集模块和一个可充电电池。本实施例中采用了先收集后传输协议,其中TBS在下行链路中首先向WSD广播无线能量。在无线传感器附近,分布一些供电点,然后在上行链路中,无线传感器将各自独立的信息传输给基站。将一个规定的时隙分为两段,一段用于无线功率传输,另一段用于计算卸载。数据卸载的持续时间用T表示。
更详细地考虑IIoT中由一个多天线TBS组成的无线电子商务系统,以及在TBS的管理区域内安装单天线的WSD,其计算能力有限。假设每个WSD都生成一个计算密集型和延迟关键型的计算任务,用集合Iu={Du,Cu,T},u∈U表示,其中,Du是输入数据大小(以位为单位),Cu是完成任务所需的CPU周期数,T是执行截止时间,或任务执行的最大可容忍延迟(秒)。此外,这些任务是独立的,不可分割的。au∈A表示设备的卸载决策,当au=0时表示任务在本地计算,au=1表示任务卸载到服务器进行处理。
基于上述,本实施例的面向无线供电边缘计算工业互联网的联合优化计算卸载和资源分配的方法在上述系统环境基础上定义小区网络中无线设备的能量收集模型、本地计算模型和卸载模型,进而提出将设备总的剩余能量作为系统的目标函数,卸载决策和资源分配作为变量,影响目标函数的值。然后基于鲸鱼优化算法,提出了改进的混合鲸鱼优化算法求解最优的目标函数值,即最大的剩余能量值。具体地,该方法的执行流程如图2所示,包括以下步骤:
S1,构建协同无线供电边缘计算的工业互联网环境下的系统模型;
S2,基于系统模型,以系统中剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响所述目标函数的值;
S3,基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解目标函数,实现系统最优的计算卸载决策和资源分配策略。
具体地,在本实施例中,上述S1的实现过程如下:
构建能量收集模型:TBS向分布在小区内的WSD广播射频能量,小区中设备进行能量传输和两种计算模式下的时间分割如图3所示。为了满足最大容许延迟的要求,需要进行本地计算和卸载。在固定的时隙内,WSD的任务执行时间和能量收集时间之和不超过该时隙。时隙分为两部分,前者用于能量收集,后者用于任务执行。假设WSDs拥有足够的电池储能空间,两种模式之间的能量传输持续时间为λuT。在计算卸载过程中,首先执行WPT操作,然后进行卸载。当任务在本地设备上进行计算时,WPT过程和计算过程不会相互干扰,而是同时执行。然后,对于采用先收集后传输协议的WSD,其收集的能量表达为:
Eu hav=λuTμhuPu (1)
其中,表示第u个WSD收集的能量,μ表示装置的能量转换效率,hu∈Hhav表示从TBS到第u个WSD的下行链路大规模信道增益,Pu∈Phav表示下行链路发射功率;能量收集时间由能量收集时间系数λu决定,满足不等式:
λu+νu≤1 (2)
构建本地计算模型:工业互联网中的设备种类繁多,每个设备的CPU频率是固定的。如果WSD选择本地计算,则在WSD上完成任务的本地执行延迟为:
其中,表示第u个无线传感设备完成任务的本地执行延迟,au表示第u个无线传感设备的计算卸载决策,au=0表示任务在本地计算,au=1表示任务卸载到服务器进行处理,Du表示输入数据大小,Cu表示完成任务所需的CPU周期数,表示无线传感设备的计算能力;此外,本地执行的能耗由下式给出:
构建计算卸载模型:计算卸载的过程可以描述为WSD将其任务卸载到边缘服务器上,边缘服务器计算结果后返回结果值,如果WSD选择计算卸载,则任务卸载到边缘服务器上所需的卸载延迟可以公式化为:
其中,B表示信道带宽;pu表示从无线传感设备到边缘服务器的上行链路传输功率,σ2表示在无线传感设备和传输基站之间的信道中产生的噪声功率,gu表示无线传感设备和传输基站之间的信道增益,它受距离的影响,计算为gu=d-αθ,θ表示单位平均值的独立指数随机变量。通过损失指数可以设置为α=3.8。那么能量收集时间和卸载时间必须满足以下约束:
边缘服务器上有高速多核CPU,可以执行多个任务,这意味着有足够的计算资源和高效的计算能力来执行并行计算,因此需要考虑边缘服务器上的执行时间,对此,将在边缘服务器上进行任务处理所需的时延表示为:
其中,表示在边缘服务器上进行任务处理所需的时延,表示从边缘服务器分配的每个无线传感设备的计算能力;EC服务器的供电稳定,任务计算时不需要考虑功耗,而且计算结果的大小小于卸载数据,TBS提供的高传输功率可以减少下行传输延迟,从TBS到WSDs的传输延迟可以忽略。
由于卸载计算任务需要额外的能量消耗和延迟,我们应该考虑额外的能量和时间开销。任务传输过程中产生的能量消耗和传输功率与WSD到TBS的传输时延有关,因此,任务传输过程中产生的能量消耗可以表示为:
除此之外,考虑到边缘计算服务器的计算能力不可能是无限的,最大计算能力可以用Fs表示。在这种情况下,在边缘服务器上处理卸载数据所需的总CPU周期不应超过边缘服务器的最大计算能力。不等式可以表示为:
进一步地,在本实施例中,上述S2的实现过程如下:
基于给定的模型,总能量消耗由两部分组成:一部分是传输能量消耗,另一部分是本地计算消耗。用函数表示的每个移动设备的剩余能量可以写成:
这项工作的目的是使TBS控制区域内所有WSD的剩余能量最大化。在上述系统模型中,我们共同优化计算卸载率、本地计算资源、功率分配和能量收集时间系数。在这种情况下,将优化目标定义为混合整数非线性规划问题,因此联合优化计算卸载决策和资源分配的优化问题,也即目标函数的表达式如下:
进一步地,上述S3的实现过程如下:
由于卸载决策是二进制变量,二进制鲸鱼优化算法更加适用于求解该变量。因此改进的混合鲸鱼优化算法基于鲸鱼优化算法和二进制鲸鱼优化算法进行改进,结合这两种算法,分别优化资源分配与优化卸载决策来求解优化问题的目标值。从而利用改进的混合鲸鱼优化算法可以求得全局最优解,得到最大的剩余能量,达到优化卸载决策和资源分配策略的目的。其中,鲸鱼优化算法模拟鲸鱼的捕食方式,座头鲸捕猎的方式包含三种方式:包围猎物、泡泡网攻击方式、随机搜索猎物。由于这三种狩猎方式具有遍历性和随机性的特点,在求解优化问题时可以避免陷入局部最优解,搜索全局最优解,具有更高的可靠度。
算法的更新机制:
1)包围猎物机制:第t+1次迭代更新的位置由第t次迭代的位置和第t次迭代找到的最佳位置决定,其计算方法为:
X(t+1)=X*(t)-A·D (13)
D=|C·X*(t)-X(t)| (14)
A=2a1·rand-a1 (15)
C=2rand (16)
2)泡泡网攻击方式:座头鲸在使用泡沫网捕食时,用气泡包围着它们的小猎物,气泡会继续收缩,迫使它们在捕猎前浮出水面。根据这个过程,提出了收缩包围机构和螺旋更新位置,用数学方法模拟了泡泡网的行为。收缩包围机制通过在-次迭代时将更新后的位置限制在最优位置和当前位置之间,通过设置系数向量A介于两者之间。与收缩包围机制不同,座头鲸的螺旋形运动可以用建立在鲸鱼和猎物位置之间的螺旋方程来表示。那么这个螺旋过程可以描述为
X(t+1)=D·ebl·cos(2πl)+X*(t) (17)
D=|X*(t)-X(t)| (18)
其中,b是一个常数,用于描述对数螺旋形状,l=a2*rand+1在[-1,1]范围内由于a2=-1-t/Tmax。使两个机构在[0,1]范围内被随机数选择的可能性,因此位置更新策略可以写成:
3)随机搜索猎物:随机搜索是座头鲸寻找全局最优解的一种方法。该方法与收缩包围机制的区别在于,收缩包围机制总是在接近最佳搜索位置,而随机搜索则取决于A的值。当A>1时,最优位置被替换为随机鲸鱼的位置,相反,WOA算法会在A<1搜索最佳位置,迭代更新机制可以描述为
X(t+1)=Xrand-A·D (20)
D=|C·Xrand-X(t)| (21)
同样地,二进制鲸鱼优化算法在收缩包围时,执行下列式子进行位置更新:
其中,σsem为步长,pB是0-1之间随机分布的数值。
螺旋更新过程用公式表示如下:
随机搜索机制中,鲸鱼个体的位置为:
基于上述,本实施例的改进的混合鲸鱼优化算法流程如图4所示,包括:
S301:开始,初始化算法参数,包括最大迭代次数Tmax,计算最佳搜索代理的位置X*(t)和最佳候选解,鲸鱼种群规模M。
S302:进入循环,更新a1,a2,A,C,l,随机产生p和pB。
S303:判断p是否小于0.5,若小于0.5,则执行步骤304,若大于等于0.5,则执行S306。
S304:判断A的绝对值是否小于1,如果小于1则执行S305,若大于等于1则转入S306。
S305:若A的绝对值小于1,实数变量根据公式(13),(14)更新搜索代理的位置。二进制变量根据公式(13),(22),(23)更新搜索代理的位置。
S306:若A的绝对值大于等于1,则实数变量根据方程(17),(18)更新搜索代理的位置,二进制变量随机生成Xrand,根据公式(21),(26),(27)更新搜索代理的位置。
S307:根据(17),(18)更新鲸鱼个体的位置。
S308:判断执行次数是否达到M,若达到则执行S307,若不满足则转入S302。
S309:计算每个搜索代理的适应度,更新最佳搜索代理的位置。
S310:迭代次数加一。
S311:判断是否满足最大迭代次数,若满足则停止迭代执行S311,若不满足则跳转至S302。
S312:输出最大的剩余能量值和最终卸载决策和资源分配结果。算法结束。
综上,本实施例的联合优化计算卸载和资源分配的方法在协同无线供电边缘计算的工业互联网中,提出了一个三层的系统架构,并构建了问题模型,以鲸优化算法为基础,提出了一种改进的混合鲸鱼优化算法来解决工业互联网中剩余能量最大化问题。问题模型中联合考虑了卸载决策、功率分配、资源分配和时间分配问题,利用鲸鱼优化和二进制鲸鱼优化算法的结合求出问题的解,并获得最优目标值,即最大剩余能量值。通过本实施例的联合优化计算卸载和资源分配的方法,可以计算出每个小型基站覆盖范围内工业无线设备最大的剩余能量值,实现最优的计算卸载决策和资源分配策略,从而减少能量消耗。
第二实施例
本实施例提供了一种联合优化计算卸载和资源分配的装置,包括以下模块:
系统模型构建模块,用于构建协同无线供电边缘计算的工业互联网环境下的系统模型;其中,所述协同无线供电边缘计算的工业互联网包括云计算中心层、边缘服务层以及无线传感器层;所述系统模型包括能量收集模型、本地计算模型以及计算卸载模型;
目标函数模型构建模块,用于基于所述系统模型构建模块所构建的系统模型,以系统中剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响所述目标函数的值;
联合优化问题求解模块,用于基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解所述目标函数模型构建模块所构建的目标函数,实现系统最优的计算卸载决策和资源分配策略。
本实施例的联合优化计算卸载和资源分配的装置与上述第一实施例的联合优化计算卸载和资源分配的方法相对应;其中,本实施例的联合优化计算卸载和资源分配的装置中的各功能模块所实现的功能与上述第一实施例的联合优化计算卸载和资源分配的方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (2)
1.一种联合优化计算卸载和资源分配的方法,适用于协同无线供电边缘计算的工业互联网,其特征在于,所述联合优化计算卸载和资源分配的方法包括:
构建协同无线供电边缘计算的工业互联网环境下的系统模型;其中,所述协同无线供电边缘计算的工业互联网包括云计算中心层、边缘服务层以及无线传感器层;所述系统模型包括能量收集模型、本地计算模型以及计算卸载模型;
基于所述系统模型,以系统中剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响所述目标函数的值;
基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解所述目标函数,实现系统最优的计算卸载决策和资源分配策略;
所述构建协同无线供电边缘计算的工业互联网环境下的系统模型,包括:
构建能量收集模型,包括:
将第u个无线传感设备收集的能量采用下式表示:
Eu hav=λuTμhuPu
其中,表示第u个无线传感设备收集的能量,λu表示第u个无线传感设备的能量收集时间系数,且λu+vu≤1,vu表示任务执行时间,T表示执行截止时间,μ表示无线传感设备的能量转换效率,hu表示从传输基站到第u个无线传感设备的下行链路大规模信道增益,Pu表示下行链路发射功率;
构建本地计算模型,包括:
将在无线传感设备上完成任务的本地执行延迟表示为:
其中,表示第u个无线传感设备完成任务的本地执行延迟,au表示第u个无线传感设备的计算卸载决策,au=0表示任务在本地计算,au=1表示任务卸载到服务器进行处理,Du表示输入数据大小,Cu表示完成任务所需的CPU周期数,表示无线传感设备的计算能力;本地执行的能耗由下式给出:
构建计算卸载模型,包括:
将任务的卸载延迟表示为:
根据香农公式,无线传感设备的理论数据传输速率为:
其中,pu表示从无线传感设备到边缘服务器的上行链路传输功率,σ2表示在无线传感设备和传输基站之间的信道中产生的噪声功率,gu表示无线传感设备和传输基站之间的信道增益,B表示信道带宽;
能量收集时间和卸载时间满足以下约束:
将在边缘服务器上进行任务处理所需的时延表示为:
将任务传输过程中产生的能量消耗表示为:
所述基于所述系统模型,以系统中剩余能量最大化为目标构建目标函数,包括:
将收集的能量减去计算消耗的能量作为剩余能量,表达式为:
得到目标函数的表达式如下:
基于鲸鱼优化算法和二进制鲸鱼优化算法分别优化资源分配策略和计算卸载决策来求解所述目标函数,实现系统最优的计算卸载决策和资源分配策略,包括:
基于鲸鱼优化算法求解资源分配策略,基于二进制鲸鱼优化算法求解计算卸载决策,以求解目标函数最优解,实现最优的计算卸载决策和资源分配策略。
2.一种联合优化计算卸载和资源分配的装置,适用于协同无线供电边缘计算的工业互联网,其特征在于,所述联合优化计算卸载和资源分配的装置包括:
系统模型构建模块,用于构建协同无线供电边缘计算的工业互联网环境下的系统模型;其中,所述协同无线供电边缘计算的工业互联网包括云计算中心层、边缘服务层以及无线传感器层;所述系统模型包括能量收集模型、本地计算模型以及计算卸载模型;
目标函数模型构建模块,用于基于所述系统模型构建模块所构建的系统模型,以系统中剩余能量最大化为目标构建目标函数;其中,系统的计算卸载决策和资源分配策略作为变量,影响所述目标函数的值;
联合优化问题求解模块,用于基于鲸鱼优化算法和二进制鲸鱼优化算法,分别优化资源分配策略和计算卸载决策来求解所述目标函数模型构建模块所构建的目标函数,实现系统最优的计算卸载决策和资源分配策略;
所述系统模型构建模块具体用于:
构建能量收集模型,包括:
将第u个无线传感设备收集的能量采用下式表示:
Eu hav=λuTμhuPu
其中,表示第u个无线传感设备收集的能量,λu表示第u个无线传感设备的能量收集时间系数,且λu+vu≤1,vu表示任务执行时间,T表示执行截止时间,μ表示无线传感设备的能量转换效率,hu表示从传输基站到第u个无线传感设备的下行链路大规模信道增益,Pu表示下行链路发射功率;
构建本地计算模型,包括:
将在无线传感设备上完成任务的本地执行延迟表示为:
其中,表示第u个无线传感设备完成任务的本地执行延迟,au表示第u个无线传感设备的计算卸载决策,au=0表示任务在本地计算,au=1表示任务卸载到服务器进行处理,Du表示输入数据大小,Cu表示完成任务所需的CPU周期数,表示无线传感设备的计算能力;本地执行的能耗由下式给出:
构建计算卸载模型,包括:
将任务的卸载延迟表示为:
根据香农公式,无线传感设备的理论数据传输速率为:
其中,pu表示从无线传感设备到边缘服务器的上行链路传输功率,σ2表示在无线传感设备和传输基站之间的信道中产生的噪声功率,gu表示无线传感设备和传输基站之间的信道增益,B表示信道带宽;
能量收集时间和卸载时间满足以下约束:
将在边缘服务器上进行任务处理所需的时延表示为:
将任务传输过程中产生的能量消耗表示为:
所述目标函数模型构建模块具体用于:
将收集的能量减去计算消耗的能量作为剩余能量,表达式为:
得到目标函数的表达式如下:
所述联合优化问题求解模块具体用于:
基于鲸鱼优化算法求解资源分配策略,基于二进制鲸鱼优化算法求解计算卸载决策,以求解目标函数最优解,实现最优的计算卸载决策和资源分配策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110363614.6A CN113207136B (zh) | 2021-04-02 | 2021-04-02 | 一种联合优化计算卸载和资源分配的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110363614.6A CN113207136B (zh) | 2021-04-02 | 2021-04-02 | 一种联合优化计算卸载和资源分配的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113207136A CN113207136A (zh) | 2021-08-03 |
CN113207136B true CN113207136B (zh) | 2022-11-18 |
Family
ID=77026177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110363614.6A Active CN113207136B (zh) | 2021-04-02 | 2021-04-02 | 一种联合优化计算卸载和资源分配的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113207136B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742049B (zh) * | 2021-11-08 | 2022-03-01 | 山东美欣医疗科技有限公司 | 一种云虚拟化资源动态优化调整方法 |
CN114051266B (zh) * | 2021-11-08 | 2024-01-12 | 首都师范大学 | 基于移动云-边缘计算的无线体域网任务卸载方法 |
CN114513855B (zh) * | 2022-02-23 | 2024-04-19 | 齐鲁工业大学 | 基于无线携能通信的边缘计算卸载决策与资源分配方法 |
CN114915627B (zh) * | 2022-04-15 | 2024-04-02 | 浙江工业大学 | 一种基于fdma接入的无线供能边缘计算网络卸载决策方法 |
CN116249142B (zh) * | 2023-05-06 | 2023-07-28 | 南京邮电大学 | 感知任务卸载和资源分配联合优化方法及相关装置 |
CN116528365B (zh) * | 2023-05-18 | 2023-12-29 | 重庆邮电大学空间通信研究院 | 一种可靠性感知的边缘计算方法 |
CN116709428B (zh) * | 2023-08-04 | 2023-11-24 | 华东交通大学 | 一种基于移动边缘计算的计算卸载方法及系统 |
CN116974774B (zh) * | 2023-09-25 | 2024-01-23 | 中国电子科技集团公司第十五研究所 | 一种星载计算资源分配优化方法、服务器及存储介质 |
CN117032992B (zh) * | 2023-10-07 | 2024-03-15 | 中国信息通信研究院 | 工业互联网系统的任务处理方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017067586A1 (en) * | 2015-10-21 | 2017-04-27 | Deutsche Telekom Ag | Method and system for code offloading in mobile computing |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
CN111124689A (zh) * | 2019-12-31 | 2020-05-08 | 中国电子科技集团公司信息科学研究院 | 一种集群中容器资源动态分配方法 |
CN111447619A (zh) * | 2020-03-12 | 2020-07-24 | 重庆邮电大学 | 一种移动边缘计算网络中联合任务卸载和资源分配方法 |
CN111694664A (zh) * | 2020-06-04 | 2020-09-22 | 海南大学 | 一种边缘服务器的计算卸载分配方法 |
-
2021
- 2021-04-02 CN CN202110363614.6A patent/CN113207136B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017067586A1 (en) * | 2015-10-21 | 2017-04-27 | Deutsche Telekom Ag | Method and system for code offloading in mobile computing |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
CN111124689A (zh) * | 2019-12-31 | 2020-05-08 | 中国电子科技集团公司信息科学研究院 | 一种集群中容器资源动态分配方法 |
CN111447619A (zh) * | 2020-03-12 | 2020-07-24 | 重庆邮电大学 | 一种移动边缘计算网络中联合任务卸载和资源分配方法 |
CN111694664A (zh) * | 2020-06-04 | 2020-09-22 | 海南大学 | 一种边缘服务器的计算卸载分配方法 |
Non-Patent Citations (2)
Title |
---|
A Study on Computation Offloading in MEC Systems using Whale Optimization Algorithm;Luan N.T.Huynh等;《2020 14th International Conference on Ubiquitous Information Management and Communication (IMCOM)》;20200220;1-4页 * |
Wireless Powered Cooperation-Assisted Mobile Edge Computing;Xiaoyan Hu等;《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》;20180408;第17卷(第4期);2375-2387 * |
Also Published As
Publication number | Publication date |
---|---|
CN113207136A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113207136B (zh) | 一种联合优化计算卸载和资源分配的方法及装置 | |
CN112188442B (zh) | 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 | |
CN113316196B (zh) | 基于边缘缓存的星地协同网络中的资源分配方法及装置 | |
CN112988285B (zh) | 任务卸载方法和装置、电子设备及存储介质 | |
CN114285862B (zh) | 基于智能反射面反向散射通信的数据卸载通信方法及系统 | |
CN113238847B (zh) | 基于分散式网络环境下可分任务的分发和调度方法 | |
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN110621031A (zh) | 一种基于异构能量获取的多用户多任务移动边缘计算节能方法 | |
CN112511614B (zh) | 基于强化学习的车载边缘环境下智能网联车辆任务卸载方法 | |
CN115562756A (zh) | 一种多接入边缘计算的车辆任务卸载方法及系统 | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN114564304A (zh) | 一种边缘计算的任务卸载方法 | |
Qin et al. | User-edge collaborative resource allocation and offloading strategy in edge computing | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN116170844A (zh) | 一种用于工业物联网场景中的数字孪生辅助任务卸载方法 | |
Nguyen et al. | Reinforcement learning-based deadline and battery-aware offloading in smart farm IoT-UAV networks | |
CN114363803A (zh) | 一种移动边缘计算网络节能的多任务分配方法及系统 | |
Yan et al. | Optimizing mobile edge computing multi-level task offloading via deep reinforcement learning | |
CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
Shang et al. | A cross-layer optimization framework for distributed computing in IoT networks | |
Saeed et al. | Task Reverse Offloading with Deep Reinforcement Learning in Multi-Access Edge Computing | |
CN116069498A (zh) | 一种分布式算力调度方法、装置、电子设备及存储介质 | |
CN114745386B (zh) | 一种多用户边缘智能场景下的神经网络分割及卸载方法 | |
CN116170881A (zh) | 一种基于边缘计算的跨域资源分配与卸载方法及系统 | |
CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质 |
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 |