CN113282394A - 面向协作机制资源受限边缘服务器间任务调度方法 - Google Patents

面向协作机制资源受限边缘服务器间任务调度方法 Download PDF

Info

Publication number
CN113282394A
CN113282394A CN202110632676.2A CN202110632676A CN113282394A CN 113282394 A CN113282394 A CN 113282394A CN 202110632676 A CN202110632676 A CN 202110632676A CN 113282394 A CN113282394 A CN 113282394A
Authority
CN
China
Prior art keywords
task
individual
time
moa
edge
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
CN202110632676.2A
Other languages
English (en)
Other versions
CN113282394B (zh
Inventor
林涛
石琳
王瑞祥
陈志鹏
王子健
丁庭宇
张哲�
程淑伟
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202110632676.2A priority Critical patent/CN113282394B/zh
Publication of CN113282394A publication Critical patent/CN113282394A/zh
Application granted granted Critical
Publication of CN113282394B publication Critical patent/CN113282394B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向协作机制资源受限边缘服务器间任务调度方法。本发明将算术优化算法应用到边缘计算环境中，具有设计简便、易于实现且不占用过多计算资源的特点；同时借鉴烟花算法中爆炸算子的思想，增强算术优化算法的开发能力，借鉴烟花算法中变异算子的思想，增加了种群多样性，从而提高算法寻优精度和收敛速度，并避免陷入局部最优值，同时综合考虑任务截止时间、完成时间、边缘服务器负载情况等因素，对边缘服务器的突增负载进行疏散，力求最小化系统整体时延，从而有效减少网络运营成本，提高网络性能。

Description

面向协作机制资源受限边缘服务器间任务调度方法
技术领域
本发明涉及边缘计算领域，具体是一种面向协作机制资源受限边缘服务器间任务调度方法。
背景技术
随着物联网产业的快速发展和5G的加速部署，联网终端的数量和数据量都将呈现指数增长。根据IDC预测，到2025年，全球数据总量将大于180泽字节(zettabyte，ZB)，而物联网产生的数据的70％以上都将在网络边缘进行处理。在这种情形下，传统的集中式云计算凸显出四个不足之处：实时性不够、带宽不足、能耗较大、不利于数据安全和隐私。由此，边缘计算应运而生。边缘计算将云计算的计算资源、存储资源和网络资源下沉至网络边缘侧，在网络边缘处理来自云服务的下行数据和来自万物互联服务的上行数据，极大减轻了网络带宽和数据中心的功耗压力，又大大减少系统延迟，增强服务响应能力，还可以提高用户数据安全性和隐私性。
由于边缘计算面向的是局部网络，与云计算相比，用户量和业务量相对较少，因此，为了避免资源的闲置和浪费，部署在边缘节点的计算、存储和网络资源相对有限。然而，由于网络的随机性和突发性，当本地的用户量和业务量爆发性增大时，边缘计算中有限的计算、存储和网络资源可能无法满足用户和业务需求，从而造成时延增大、网络服务不稳定、用户体验质量差等问题。
边缘计算主要采用分布式的方式部署，当某节点出现节点超载，或者流量、计算分布不均，某一节点有较大处理压力而相邻节点大量计算存储资源闲置等问题，单独增加某一节点的计算存储能力或临时配置新增服务器并不能完全解决问题，而对单一节点进行负载均衡的方案虽然可以保证单一节点不会超载，但是会对网络的性能产生影响，尤其在时延和性能方面。因此，在边缘网络中，加强边缘计算节点之间的协作非常重要。相邻边缘服务器之间可以协作计算，当本地边缘服务器计算资源紧张，可以请求其他空闲服务器共同完成计算任务，有效减少网络运营成本，提高网络性能。因此，不同的边缘服务器之间如何协作共享计算资源成为重要的研究问题。
算术优化算法(AOA)的启发式算法，实现简单，并且在解决具有挑战性的优化问题上具有良好的效果，但仍存在收敛速度不够快、易陷入局部最优值等问题。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种面向协作机制资源受限边缘服务器间任务调度方法。
本发明解决所述技术问题的技术方案是，提供一种面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，该方法包括以下步骤：
步骤1、布置边缘计算网络场景，网络中各个边缘服务器由E＝{e1，e2，...，ei，...，en}表示；根据各个边缘服务器自身的计算能力，选定一个计算能力最强的边缘服务器作为簇头，其他边缘服务器为本地服务器；本地服务器向簇头发送实时负载状态，簇头负责进行任务调度分配；
步骤2、网络场景布置完成后，向各个边缘服务器输入各自的待处理任务集合；边缘服务器ei的待处理任务集合为Taski＝{taski，1，taski，2，...，taski，j，...，taski，m}，其中taski，j表示边缘服务器ei的第j个任务，各个任务之间相互独立；m指待处理任务集合的大小；
步骤3、边缘服务器先按照任务时延要求将任务分为高优先级任务队列和低优先级任务队列，然后分别对两个任务队列按照最早截止时间优先的原则排序；当有新任务加入至边缘服务器时，计算新任务的所属任务队列以及在该任务队列中的位置并插入到任务队列中；
步骤4、在本地服务器中执行各自任务，当本地服务器负载突增或计算资源不足时，将高优先级任务队列和低优先级任务队列依次发送给簇头，再进入步骤5；若簇头本身负载突增或计算资源不足，则向云服务器请求协助；
步骤5、簇头接收到任务队列后，寻找适应度函数的全局最优解，根据得出的全局最优解进行任务调度，为每个任务分配最优的代理服务器。
与现有技术相比，本发明有益效果在于：
(1)本发明借鉴烟花算法的爆炸算子和变异算子的思想，在算术优化算法中添加爆炸算子和变异算子对其进行改进，并将改进后的算术优化算法应用到边缘计算环境中，具有设计简便、易于实现且不占用过多计算资源的特点。
(2)本发明借鉴烟花算法中爆炸算子的思想，增强算术优化算法的开发能力，借鉴烟花算法中变异算子的思想，增加了种群多样性，从而提高算法寻优精度和收敛速度，并避免陷入局部最优值，同时综合考虑任务截止时间、完成时间、边缘服务器负载情况等因素，对边缘服务器的突增负载进行疏散，力求最小化系统整体时延，从而有效减少网络运营成本，提高网络性能。
附图说明
图1为本发明的任务调度方法流程图；
图2为本发明的改进算术优化算法的整体流程图；
图3为本发明的改进算术优化算法中的爆炸算子流程图；
图4为本发明的改进算术优化算法中的变异算子流程图；
图5为本发明实施例中改进算术优化算法(Fireworks Arithmetic OptimizationAlgorithm，FAOA)与烟花算法(FWA)、粒子群算法(PSO)、算术优化算法(ArithmeticOptimization Algorithm，AOA)在单峰测试函数
Figure BDA0003104257940000031
下的收敛曲线对比图；
图6为本发明实施例中改进算术优化算法与烟花算法、粒子群算法、算术优化算法在多峰测试函数
Figure BDA0003104257940000032
下的收敛曲线对比图；
图7为本发明实施例中改进算术优化算法与烟花算法、粒子群算法、算术优化算法在多峰测试函数
Figure BDA0003104257940000033
下的收敛曲线对比图；
图8为本发明实施例中改进算术优化算法与烟花算法、粒子群算法、算术优化算法在多峰测试函数
Figure BDA0003104257940000034
下的收敛曲线对比图。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请权利要求的保护范围。
本发明提供了一种面向协作机制资源受限边缘服务器间任务调度方法(简称方法)，其特征在于，该方法包括以下步骤：
步骤1、布置边缘计算网络场景，网络中各个边缘服务器由E＝{e1，e2，...，ei，...，en}表示，边缘服务器ei的处理速度为mips_ei；
根据各个边缘服务器自身的计算能力，选定一个计算能力最强的边缘服务器作为簇头，其他边缘服务器为本地服务器；本地服务器需向簇头发送实时负载状态，簇头负责进行任务调度分配；实时负载状态包括实时CPU使用率cpui和实时内存使用率memi；
步骤2、网络场景布置完成后，向各个边缘服务器输入各自的待处理任务集合；边缘服务器ei的待处理任务集合为Taski＝{taski，1，taski，2，...，taski，j，...，taski，m}，其中taski，j表示边缘服务器ei的第j个任务，各个任务之间相互独立，没有依赖关系；1≤j≤m，m指待处理任务集合的大小，即待处理任务集合中包含的任务数量，每个边缘服务器接收到的待处理任务集合的大小各不相同；任务信息包括任务大小、截止时间、时延要求等；
步骤3、边缘服务器先按照任务时延要求将任务分为高优先级任务队列和低优先级任务队列两个任务队列，然后分别对两个任务队列按照最早截止时间优先(EDF)的原则排序；当有新任务加入至边缘服务器时，计算新任务的所属任务队列以及在该任务队列中的位置并插入到任务队列中；
步骤4、在本地服务器中执行各自任务，当本地服务器负载突增或计算资源不足时，将高优先级任务队列和低优先级任务队列依次发送给簇头，再进入步骤5；若簇头本身负载突增或计算资源不足，则向云服务器请求协助；
步骤5、簇头接收到任务队列后，对适应度函数执行改进算术优化算法，寻找适应度函数的全局最优解，根据得出的全局最优解进行任务调度，为每个任务分配最优的代理服务器。
优选地，步骤5中，所述适应度函数是以优化系统整体时延为目标，综合考虑任务完成时间和系统实时负载状态确定的；
优选地，步骤5中，系统整体时延的计算公式如下：
sys_time＝max(time_ei)
Figure BDA0003104257940000041
Figure BDA0003104257940000042
式(1)中，sys_time表示系统整体时延，即各个边缘服务器完成各自所有任务的最长的总任务完成时间；time_ei表示边缘服务器ei完成其所有任务的总任务完成时间；time_taski,j表示边缘服务器ei完成任务taski，j的任务完成时间；
Figure BDA0003104257940000043
是任务taski，j的执行时间，
Figure BDA0003104257940000044
是任务taski，j的传输时间，length_taski,j表示任务taski，j的计算量大小，mips_ei为边缘服务器ei的处理速度，di,j表示任务taski，j的数据量大小，bandwidthi为边缘服务器ei的上行带宽。
优选地，步骤5中，系统实时负载状态考虑各个边缘服务器的实时负载状态，即实时CPU使用率cpui和实时内存使用率memi两个因素，使用标准差衡量系统负载是否均衡，计算公式如下：
Figure BDA0003104257940000045
Figure BDA0003104257940000046
式(2)中，std_cpu、std_mem分别为各个边缘服务器的CPU使用率和内存使用率的标准差，cpui、memi分别为边缘服务器ei的CPU使用率和内存使用率，cpu_avg、mem_avg分别为各个边缘服务器CPU使用率和内存使用率的均值。
优选地，步骤5中，适应度函数是将系统整体时延和系统实时负载状态加权结合，如式(3)所示：
f(x)＝a×sys_time+b×std_cpu+c×std_mem (3)
式(3)中，三个权值a、b、c的约束条件为：a+b+c＝1。
优选地，步骤5中，寻找适应度函数的全局最优解是通过对适应度函数执行改进算术优化算法实现的；改进算术优化算法为：
S5.1、初始化改进算术优化算法的参数；
优选地，S5.1中，所述改进算术优化算法的参数包括MOA函数的最大值MOA_Max、MOA函数的最小值MOA_Min、敏感参数α、调节搜索过程的控制参数μ、爆炸火花数目S、每个个体的变异概率C、寻优时的最大迭代次数M_Iter和种群中的个体数目N；
S5.2、判断当前迭代次数C_Iter是否小于最大迭代次数M_Iter；若不小于，返回全局最优解，结束算法；若小于，进行S5.3；
S5.3、计算MOA(C_Iter)和MOP(C_Iter)，计算公式如下：
Figure BDA0003104257940000051
Figure BDA0003104257940000052
式(4)中，MOP是用于探索阶段和开发阶段的系数；α是敏感参数，定义了迭代的开发精度；MOA是用来辅助选择是否进入探索阶段的系数；MOA_Max和MOA_Min分别为MOA函数的最大值和最小值；
S5.4、生成0到1之间的随机数r1，若r1>MOA(C_Iter)，则进入探索阶段更新个体位置；若r1≤MOA(C_Iter)，则进入开发阶段更新个体位置；
优选地，S5.4中，所述探索阶段更新个体位置具体是：生成0到1之间的随机数r2，按公式(5)更新个体位置：
Figure BDA0003104257940000053
所述开发阶段更新个体位置具体是：生成0到1之间的随机数r3，按公式(6)更新位置：
Figure BDA0003104257940000054
式(5)和式(6)中，xi,j(C_Iter+1)表示更新后的个体i在第j个维度上的坐标；best(xj)表示当前得到的全局最优个体的第j个维度上的坐标；ε表示是机器最小量，避免零操作；UBj和LBj分别是种群中所有个体位置的上界和下界；μ是调节搜索过程的控制参数；
S5.5、返回S5.4，直至种群中的所有个体位置全部更新完毕，控制位置边界(即控制更新后的个体位置使其不超过边界)，更新全局最优解和全局最优个体；
S5.6、为增强算法开发能力，根据S5.5更新后的个体位置，在其附近寻找适应度值的更优解，借鉴烟花算法的爆炸思想，添加爆炸算子，为除当前全局最优个体外的其他全部个体生成爆炸火花，计算爆炸半径A的公式如下：
Figure BDA0003104257940000061
式(7)中，Ak为用个体k的适应度值计算出的以个体k为中心生成爆炸火花的爆炸半径，Best_fitness是当前最优适应度值，fitnessi是个体i的适应度值；
S5.7、生成0到1之间的随机数e_r1；若e_r1>MOA(C_Iter)，则生成0到1之间的随机数e_r2，按公式(8)生成爆炸火花；若e_r1≤MOA(C_Iter)，生成0到1之间的随机数e_r3，按公式(9)生成爆炸火花；
Figure BDA0003104257940000062
Figure BDA0003104257940000063
式(8)和式(9)中，exz，j表示第z个爆炸火花的第j个维度的坐标；1≤z≤S，S是每个个体产生的爆炸火花数目；xi,j表示个体i的第j个维度的坐标；
S5.8、控制位置边界，更新个体位置和全局最优解，返回S5.7，直至生成S个爆炸火花；
S5.9、返回S5.6，直至除S5.5得到的全局最优个体外的其他全部个体均执行爆炸算子；
S5.10、为增加种群多样性，避免陷入局部最优解，借鉴烟花算法的变异思想，增加变异算子，对经过爆炸算子得到的个体进行高斯变异，根据变异概率C计算变异个体数目CN，CN的计算方法如下：
Figure BDA0003104257940000064
式(10)中，C是每个个体的变异概率；N是种群中的个体数目；
S5.11、随机选择CN个个体，再对CN个个体按如下公式进行高斯变异：
xi＝xi×Gaussian(1,1) (11)
式(11)中，Gaussian(1,1)表示一个服从均值为1、方差为1的高斯分布的随机数；
S5.12、若变异后个体适应度值更优，更新适应度值和位置坐标，并更新全局最优解和全局最优个体；
S5.13、判断是否达到寻优精度；若达到，返回全局最优解，结束算法；否则，当前迭代次数C_Iter加1，返回S5.2；或者不判断是否达到寻优精度，直接当前迭代次数C_Iter加1，返回S5.2。寻优精度在S5.1设定。
实施例
本实施例中，MOA_Max＝1，MOA_Min＝0.2，α＝5，μ＝0.5，爆炸火花数S＝60，变异概率C＝0.4，最大迭代次数M_Iter＝1000，种群中的个体数目N＝20；
图5中AOA在迭代到752次时寻到最优值0，FWA在迭代到989次时寻得最优值3.0472E-01，PSO在迭代到1000次时寻到最优值3.0611E-20，而FAOA在迭代到688次时就寻到最优值0。该测试函数的最小值即为0。相比于AOA、FWA和PSO，FAOA的收敛速度分别提升了8％、30.4％、31.2％。
图6中AOA在迭代到936次时寻到最优值0，FWA在迭代到987次时寻到最优值9.9122E-02，PSO在迭代到923次时寻到最优值7.6255E-02，而FAOA在迭代到543次时就寻到最优值0。该测试函数的最小值即为0。相比于AOA、FWA和PSO，FAOA的收敛速度分别提升了41.9％、50.0％、41.2％。
图7中AOA在迭代到918次时寻到最优值2.5229E-03，FWA在迭代到998次时寻到最优值1.0809E-03，PSO在迭代到995次时寻到最优值9.9134E-04，而FAOA在迭代到776次时就寻到最优值3.1108E-04(FAOA迭代到37次时寻到的适应度值3.1427E-04与最优值相差非常小，因此FAOA曲线后半段看起来变化不明显)。该测试函数的最小值为3.0E-04。相比于AOA、FWA和PSO，FAOA的收敛速度分别提升了15.5％、22.2％、22.0％。相比于AOA和FWA，FAOA的求解精度均提高了1个数量级，相比于PSO，FAOA求得最优值到该测试函数最小值的差减小了97.9％。
图8中AOA在迭代到761次时寻到最优值-4.1259，FWA在迭代到995次时寻到最优值-4.5449，PSO在迭代到631次时寻到最优值-5.1008，而FAOA在迭代到397次时寻到最优值-10.0047。该测试函数的最小值为-10.1532。相比于AOA、FWA和PSO，FAOA的收敛速度分别提升了47.8％、60.1％、37.1％。并且，相比于AOA、FWA和PSO，FAOA求得最优值到该测试函数最小值的差分别减小了97.5％、97.4％、97.1％。
本发明未述及之处适用于现有技术。

Claims (7)

1.一种面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，该方法包括以下步骤：
步骤1、布置边缘计算网络场景，网络中各个边缘服务器由E＝{e1，e2，...，ei，...，en}表示；根据各个边缘服务器自身的计算能力，选定一个计算能力最强的边缘服务器作为簇头，其他边缘服务器为本地服务器；本地服务器向簇头发送实时负载状态，簇头负责进行任务调度分配；
步骤2、网络场景布置完成后，向各个边缘服务器输入各自的待处理任务集合；边缘服务器ei的待处理任务集合为Taski＝{taski，1，taski，2，...，taski，j，...，taski，m}，其中taski，j表示边缘服务器ei的第j个任务，各个任务之间相互独立；m指待处理任务集合的大小；
步骤3、边缘服务器先按照任务时延要求将任务分为高优先级任务队列和低优先级任务队列，然后分别对两个任务队列按照最早截止时间优先的原则排序；当有新任务加入至边缘服务器时，计算新任务的所属任务队列以及在该任务队列中的位置并插入到任务队列中；
步骤4、在本地服务器中执行各自任务，当本地服务器负载突增或计算资源不足时，将高优先级任务队列和低优先级任务队列依次发送给簇头，再进入步骤5；若簇头本身负载突增或计算资源不足，则向云服务器请求协助；
步骤5、簇头接收到任务队列后，寻找适应度函数的全局最优解，根据得出的全局最优解进行任务调度，为每个任务分配最优的代理服务器。
2.根据权利要求1所述的面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，步骤5中，适应度函数是将系统整体时延和系统实时负载状态加权结合，如式(3)所示：
f(x)＝a×sys_time+b×std_cpu+c×std_mem (3)
式(3)中，sys_time表示系统整体时延；std_cpu、std_mem分别为各个边缘服务器的CPU使用率和内存使用率的标准差；三个权值a、b、c的约束条件为：a+b+c＝1。
3.根据权利要求2所述的面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，步骤5中，系统整体时延的计算公式如下：
sys_time＝max(time_ei)
Figure FDA0003104257930000011
Figure FDA0003104257930000012
式(1)中，sys_time表示系统整体时延；time_ei表示边缘服务器ei完成其所有任务的总任务完成时间；time_taski,j表示边缘服务器ei完成任务taski，j的任务完成时间；
Figure FDA0003104257930000013
是任务taski，j的执行时间，
Figure FDA0003104257930000021
是任务taski，j的传输时间，length_taski,j表示任务taski，j的计算量大小，mips_ei为边缘服务器ei的处理速度，di,j表示任务taski，j的数据量大小，bandwidthi为边缘服务器ei的上行带宽。
4.根据权利要求2所述的面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，步骤5中，系统实时负载状态考虑各个边缘服务器的实时负载状态，实时负载状态包括实时CPU使用率cpui和实时内存使用率memi两个因素，使用标准差衡量系统负载是否均衡，计算公式如下：
Figure FDA0003104257930000022
Figure FDA0003104257930000023
式(2)中，std_cpu、std_mem分别为各个边缘服务器的CPU使用率和内存使用率的标准差，cpui、memi分别为边缘服务器ei的CPU使用率和内存使用率，cpu_avg、mem_avg分别为各个边缘服务器CPU使用率和内存使用率的均值。
5.根据权利要求1所述的面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，步骤5中，寻找适应度函数的全局最优解是通过对适应度函数执行改进算术优化算法实现的；改进算术优化算法为：
S5.1、初始化改进算术优化算法的参数；
S5.2、判断当前迭代次数C_Iter是否小于最大迭代次数M_Iter；若不小于，返回全局最优解，结束算法；若小于，进行S5.3；
S5.3、计算MOA(C_Iter)和MOP(C_Iter)，计算公式如下：
Figure FDA0003104257930000024
Figure FDA0003104257930000025
式(4)中，MOP是用于探索阶段和开发阶段的系数；α是敏感参数；MOA是用来辅助选择是否进入探索阶段的系数；MOA_Max和MOA_Min分别为MOA函数的最大值和最小值；
S5.4、生成0到1之间的随机数r1，若r1>MOA(C_Iter)，则进入探索阶段更新个体位置；若r1≤MOA(C_Iter)，则进入开发阶段更新个体位置；
S5.5、返回S5.4，直至种群中的所有个体位置全部更新完毕，控制位置边界，更新全局最优解和全局最优个体；
S5.6、根据S5.5更新后的个体位置，在其附近寻找适应度值的更优解，添加爆炸算子，为除当前全局最优个体外的其他全部个体生成爆炸火花，计算爆炸半径A的公式如下：
Figure FDA0003104257930000031
式(7)中，Ak为用个体k的适应度值计算出的以个体k为中心生成爆炸火花的爆炸半径，Best_fitness是当前最优适应度值，fitnessi是个体i的适应度值；ε表示是机器最小量；
S5.7、生成0到1之间的随机数e_r1；若e_r1>MOA(C_Iter)，则生成0到1之间的随机数e_r2，按公式(8)生成爆炸火花；若e_r1≤MOA(C_Iter)，生成0到1之间的随机数e_r3，按公式(9)生成爆炸火花；
Figure FDA0003104257930000032
Figure FDA0003104257930000033
式(8)和式(9)中，exz，j表示第z个爆炸火花的第j个维度的坐标；1≤z≤S，S是每个个体产生的爆炸火花数目；xi,j表示个体i的第j个维度的坐标；μ是调节搜索过程的控制参数；
S5.8、控制位置边界，更新个体位置和全局最优解，返回S5.7，直至生成S个爆炸火花；
S5.9、返回S5.6，直至除S5.5得到的全局最优个体外的其他全部个体均执行爆炸算子；
S5.10、为增加种群多样性，避免陷入局部最优解，增加变异算子，对经过爆炸算子得到的个体进行高斯变异，根据变异概率C计算变异个体数目CN，CN的计算方法如下：
Figure FDA0003104257930000034
式(10)中，C是每个个体的变异概率；N是种群中的个体数目；
S5.11、随机选择CN个个体，再对CN个个体按如下公式进行高斯变异：
xi＝xi×Gaussian(1,1) (11)
式(11)中，Gaussian(1,1)表示一个服从均值为1、方差为1的高斯分布的随机数；
S5.12、若变异后个体适应度值更优，更新适应度值和位置坐标，并更新全局最优解和全局最优个体；
S5.13、判断是否达到寻优精度；若达到，返回全局最优解，结束算法；否则，当前迭代次数C_Iter加1，返回S5.2；或者不判断是否达到寻优精度，直接当前迭代次数C_Iter加1，返回S5.2。
6.根据权利要求5所述的面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，S5.1中，所述改进算术优化算法的参数包括MOA函数的最大值MOA_Max、MOA函数的最小值MOA_Min、敏感参数α、调节搜索过程的控制参数μ、爆炸火花数目S、每个个体的变异概率C、寻优时的最大迭代次数M_Iter和种群中的个体数目N。
7.根据权利要求5所述的面向协作机制资源受限边缘服务器间任务调度方法，其特征在于，S5.4中，所述探索阶段更新个体位置具体是：生成0到1之间的随机数r2，按公式(5)更新个体位置：
Figure FDA0003104257930000041
所述开发阶段更新个体位置具体是：生成0到1之间的随机数r3，按公式(6)更新位置：
Figure FDA0003104257930000042
式(5)和式(6)中，xi,j(C_Iter+1)表示更新后的个体i在第j个维度上的坐标；best(xj)表示当前得到的全局最优个体的第j个维度上的坐标；ε表示是机器最小量；UBj和LBj分别是种群中所有个体位置的上界和下界；μ是调节搜索过程的控制参数。
CN202110632676.2A 2021-06-07 2021-06-07 面向协作机制资源受限边缘服务器间任务调度方法 Expired - Fee Related CN113282394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110632676.2A CN113282394B (zh) 2021-06-07 2021-06-07 面向协作机制资源受限边缘服务器间任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110632676.2A CN113282394B (zh) 2021-06-07 2021-06-07 面向协作机制资源受限边缘服务器间任务调度方法

Publications (2)

Publication Number Publication Date
CN113282394A true CN113282394A (zh) 2021-08-20
CN113282394B CN113282394B (zh) 2022-03-22

Family

ID=77283575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110632676.2A Expired - Fee Related CN113282394B (zh) 2021-06-07 2021-06-07 面向协作机制资源受限边缘服务器间任务调度方法

Country Status (1)

Country Link
CN (1) CN113282394B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112073452A (zh) * 2020-05-27 2020-12-11 河南工程学院 一种能源有效和资源受限的移动边缘计算任务分配方法
CN112492032A (zh) * 2020-11-30 2021-03-12 杭州电子科技大学 一种移动边缘环境下的工作流协作调度方法
CN112512056A (zh) * 2020-11-14 2021-03-16 北京工业大学 一种移动边缘计算网络中多目标优化的计算卸载方法
CN112654081A (zh) * 2020-12-14 2021-04-13 西安邮电大学 用户分簇及资源分配优化方法、系统、介质、设备及应用
US20210136177A1 (en) * 2019-10-31 2021-05-06 Qualcomm Incorporated Edge computing platform capability discovery

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210136177A1 (en) * 2019-10-31 2021-05-06 Qualcomm Incorporated Edge computing platform capability discovery
CN112073452A (zh) * 2020-05-27 2020-12-11 河南工程学院 一种能源有效和资源受限的移动边缘计算任务分配方法
CN112512056A (zh) * 2020-11-14 2021-03-16 北京工业大学 一种移动边缘计算网络中多目标优化的计算卸载方法
CN112492032A (zh) * 2020-11-30 2021-03-12 杭州电子科技大学 一种移动边缘环境下的工作流协作调度方法
CN112654081A (zh) * 2020-12-14 2021-04-13 西安邮电大学 用户分簇及资源分配优化方法、系统、介质、设备及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIENAN CHEN，SIYU CHEN等: "iRAF: A Deep Reinforcement Learning Approach for Collaborative Mobile Edge Computing IoT Networks", 《IEEE INTERNET OF THINGS JOURNAL》 *

Also Published As

Publication number Publication date
CN113282394B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
Tang et al. Deep reinforcement learning for task offloading in mobile edge computing systems
Guo et al. Energy-efficient and delay-guaranteed workload allocation in IoT-edge-cloud computing systems
CN107911478B (zh) 基于化学反应优化算法的多用户计算卸载方法及装置
Adhikari et al. Application offloading strategy for hierarchical fog environment through swarm optimization
Semmoud et al. Load balancing in cloud computing environments based on adaptive starvation threshold
CN111132235B (zh) 基于改进hrrn算法和多属性决策的移动卸载迁移算法
Adekoya et al. An improved switch migration decision algorithm for SDN load balancing
CN109639833A (zh) 一种基于无线城域网微云负载均衡的任务调度方法
Natesha et al. GWOTS: Grey wolf optimization based task scheduling at the green cloud data center
Shi et al. Research on load balancing for software defined cloud-fog network in real-time mobile face recognition
CN113535397A (zh) 一种智能车辆边缘计算网络的资源分配方法
Jiao et al. Computation offloading for multi-user mobile edge computing
Lee et al. Decentralized dynamic scheduling across heterogeneous multi-core desktop grids
Li et al. Research on sdn load balancing based on ant colony optimization algorithm
CN113282394B (zh) 面向协作机制资源受限边缘服务器间任务调度方法
CN114567564B (zh) 一种基于服务器协作的任务卸载和计算资源分配方法
Medhat et al. An Ant Algorithm for cloud task scheduling
Peng et al. Resource optimization strategy for CPU intensive applications in cloud computing environment
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
Prasadhu et al. An efficient hybrid load balancing algorithm for heterogeneous data centers in cloud computing
Al-Tuhafi et al. Adaptive Thresholds for Task Offloading in IoT-Edge-Cloud Networks
Pakhrudin et al. Cloud service analysis using round-robin algorithm for quality-of-service aware task placement for internet of things services
Torki et al. Optimization Resource Allocation in NOMA-based Fog Computing with a Hybrid Algorithm
Ahmed et al. Execution delay-aware task assignment in mobile edge cloud and internet cloud
Chen Effective scheduling simulation of Internet of things load balanced sharing of resources

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220322