CN113364859B - 车联网中面向mec的联合计算资源分配和卸载决策优化方法 - Google Patents

Abstract

本发明专利属于移动边缘计算领域，具体涉及车联网中面向MEC的联合计算资源分配和卸载决策优化方案；包括:对车联网移动边缘计算中计算资源分配和卸载任务决策进行数学建模，在有限的计算资源条件下，对计算资源和卸载决策进行了联合优化；以及将问题分为资源分配和卸载决策两个子问题，通过凸优化算法求解计算资源分配问题；经过变量连续化后，采用基于精英决策改进的灰狼算法求解得出最优卸载决策；交替迭代求解得到最优的计算资源分配和卸载决策；通过本方案所研究的系统可以在有限的计算资源条件下，得出能够产生较低的开销、时延、能耗的资源分配方案和卸载决策。

Description

车联网中面向MEC的联合计算资源分配和卸载决策优化方法

技术领域

本发明专利属于移动边缘计算领域，具体涉及车联网中面向MEC的联合计算资源分配和卸载决策优化方案。

背景技术

伴随着5G网络的兴起，以车联网为代表的应用开始走进人们的生活。以无人驾驶为代表的车联网应用需要极小的时延和能耗，而随着智能车的推广，车辆产生的计算密集型任务数量呈指数型增长，车联网网络系统面临着巨大的压力。

任务卸载是移动边缘计算的关键技术，其将车辆上产生的一部分任务或者全部任务上传给边缘计算服务器或云服务器。车辆将任务上传至边缘计算服务器，这样既减轻了车辆本地计算的压力，同时也避免了云服务器的排队时延，减小了任务的时延和能耗，提高了任务的完成率。关于MEC中任务卸载相关研究有很多，但是目前仍存在一些问题，比如车辆移动性管理问题以及在有限的计算资源下，计算资源分配和任务卸载决策问题。

发明内容

为了克服上述问题，本发明提出车联网中面向MEC(移动边缘计算，Mobile EdgeComputing，简称MEC)的联合计算资源分配和卸载决策优化方案，是一种联合凸优化和灰狼算法的基于块坐标下降技术的资源分配及卸载决策方案，即block coordinate descenttechnology with joint convex optimization and gray wolf algorithm(BCD-CONGW)方案，属于迭代优化方案；在问题建模的过程中，考虑了本地计算资源、微基站边缘计算服务器资源、宏基站边缘计算服务器资源、云计算服务器资源，提出了六种卸载策略，将计算资源分配和任务卸载决策联合优化，得到一个混合整数非线性规划问题。在基于块坐标下降法的基础上，将原问题分解为两个子问题，即计算资源分配问题和卸载决策问题，通过凸优化算法求解计算资源分配问题，经过变量连续化后，采用基于精英决策改进的灰狼算法求解得出最优卸载决策，通过循环迭代求解获得最优计算资源分配方案和卸载决策方案。

车联网中面向MEC的联合计算资源分配和卸载决策优化方案，包括下述步骤：

步骤一：初始化任务卸载决策γ^(r)，并设置当前迭代次数r＝0；

步骤二：将任务卸载决策γ^(r)＝{a^(r),b^(r),ε^(r)}代入最初资源分配及卸载决策联合问题P1：

P1:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

得到资源分配问题P2：

P2:

s.t.C6:

C7:

C8:

通过凸优化算法得到当前资源分配问题P2的最优解f^(r+1)；

其中：系统模型中共有N辆车辆，车辆i∈{1,2,...,N}，向量a＝{a₁,a₂,...,a_N}表示系统内车辆的卸载模式选择，向量b＝{b₁,b₂,...,b_N}表示当前车辆的基站选择；向量

和

表示车辆的任务是否选择卸载至相对应的服务器进行计算；向量ε＝{ε^s,ε^m,ε^c}表示计算任务的目的地；r表示当前迭代次数；向量γ＝{a,b,ε}表示任务卸载决策变量；向量f＝{f₁,f₂,...,f_N}表示第1辆车到第N辆车的资源分配；F_smax、F_mmax、 F_cmax分别表示微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器处的最大计算资源；

步骤三：将步骤二得到的资源分配方案f^(r+1)通过基于精英策略改进的灰狼算法求解问题得到最优卸载决策方案γ^(r+1)＝{a^(r+1),b^(r+1),ε^(r+1)}；

步骤四：判断相邻两次目标值的增长是否小于阈值τ，大于的话则将r设置为r+1，并跳转至步骤二，否则输出当前最优的资源分配方案f^*和任务卸载决策方案γ^*＝{a^*,b^*,ε^*}。

所述步骤三的具体过程为：

步骤1.随机生成规模为M的初始狼群，其中狼代表任务卸载决策，并将离散的任务卸载决策γ＝{a,b,ε}用阶跃函数连续化，同时初始化

其中

和

是两个协同系统向量，

和

是两个每一维取值在[0,1]内的随机数向量；

是灰狼算法中的收敛因子；

其中阶跃函数x为：

步骤2.计算初始狼群中每一只灰狼的适应度值

其中适应度值函数如下：

P4:

s.t.C1～C2

C9:

C10:

C11:

C12:

C13:

C14:

C15:

所述问题P4由阶跃函数x代入问题P3得到，问题P3是当前最佳资源分配方案f^*代入问题P2得到的卸载决策问题，问题P4将问题P3中的离散变量

松弛为连续变量t^s、 t^m、t^c，再通过折中阶跃函数转换为J(t^s)、J(t^m)、J(t^c)；问题P3如下：

P3:

s.t.C1～C5

C6:

C7:

C8:

步骤3.根据下式更新灰狼位置，依此更新上一次迭代适应度最优的三只灰狼α,β,δ对应的

其中：

其中：f⁽⁰⁾是第一次迭代时通过凸优化算法解出来的资源分配方案，

表示狼和猎物之间的距离，由公式

求得；灰狼的位置用

表示，k表示灰狼算法的迭代次数，

其中α,β,δ狼的位置用

表示，

分别表示α,β,δ狼与其他个体的距离，

表示猎物的位置；

表示的是上一次迭代适应度最优的α,β,δ狼对应的协同系统向量；

表示的是上一次迭代适应度最优的α,β,δ狼对应的协同系统向量；

步骤4.计算本次迭代中全部灰狼的适应度值；

步骤5.根据适应度值，更新本次迭代中适应度最优的三只灰狼为α,β,δ狼，其余灰狼为ω狼，将狼群分为α,β,δ,ω四个等级；

步骤6.假设狼群中的灰狼集合为

计算当前狼群平均适应度为Avg，那么

是当前劣质灰狼群体，而精英灰狼群体由集合

表示；那么劣质灰狼需要向精英狼群学习，对G_poor群体中的每一头灰狼

都要向精英狼群中随机一头精英狼

学习，其中精英狼选中的概率为：

狼群中的劣质狼向优质狼学习，得到学习后的新狼

即更新了劣质狼的位置：

其中

是优化空间的上下界，而F∈(0,2)是变异因子；

步骤7.灰狼算法的迭代次数k加一，跳转至步骤3，更新任务卸载决策，得到一组新的任务卸载决策。

所述步骤二中

上式中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27；T_sm、T_sc分别为计算任务在宏基站边缘计算服务器进行和云基站服务器进行产生的转移时延；T_mc为计算任务在云计算服务器进行产生的转移时延。

所述步骤二中将时延T_i和能耗E_i联合优化的问题转化为对系统开销

的优化问题P1，解出尽量使开销最小的计算资源分配和卸载任务决策，开销

为：

自适应权重求λ_i解具体过程如下：

其中，取ξ＝0.5，最后再对求得的权重进行归一化：

式中：单位时间每辆车辆产生一个计算任务，车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务i的数据量大小，Z_i表示完成该任务i所需的CPU转数，T_i ^MAX表示当前任务可容忍最大时延。

本发明的有益效果：

本方法在基于块坐标下降法的基础上，将原问题分解为两个子问题，即计算资源分配问题和卸载决策问题，通过凸优化算法求解计算资源分配问题，经过变量连续化后，采用基于精英决策改进的灰狼算法求解得出最优卸载决策，通过循环迭代求解获得最优计算资源分配方案和卸载决策方案。

本方法提出的方案在开销、时延、能耗方面优化效果明显，有效的降低了系统开销和时延。在能耗优化方面，相对于随机卸载方案和贪婪卸载方案，本方法的方案优化效果明显。

本方法在有限的计算资源条件下，得出能够产生较低的开销、时延、能耗的资源分配方案和卸载决策。

附图说明

图1为本发明中所述方法的整体流程图。

图2为本发明中所述灰狼算法的整体流程图。

图3为本发明中所述方法的任务所需计算量与平均开销之间的关系对比图。

图4为本发明中所述方法的任务所需计算量与平均时延之间的关系对比图。

图5为本发明中所述方法的任务所需计算量与平均能耗之间的关系对比图。

具体实施方式

实施例1

本方法的系统包括一个宏基站，宏基站范围内有若干个微基站，每个基站旁配备一个边缘计算服务器；同时，在系统中存在一个云服务中心；系统模型中共有N辆车辆，用集合表示为i∈{1,2,...,N}，车辆通过正交频分多址方法与基站关联，每个用户车辆占用一个信道，系统带宽被划分为若干个子信道，每个子信道的带宽为B，在本系统中，车辆可以选择宏基站或者微基站进行连接，卸载计算任务，当车辆连接微基站时b_i＝0，车辆连接宏基站时 b_i＝1，根据香农定理，车辆连接微基站或微基站的传输速率R_i ^s和R_i ^m分别为：

其中p^s和p^m表示微基站和宏基站的发射功率，σ²表示无线信道的噪声功率，I表示宏基站和微基站之间的干扰，

和

分别表示微基站和宏基站与车辆之间的信道增益。

计算任务能够选择本地计算或者卸载到边缘计算服务器计算这两种模式；

用a_i∈{0,1}表示任务计算模式的选择，当a_i＝0时表示车辆i选择本地计算模式，a_i＝1时表示车辆i选择卸载到边缘计算服务器计算模式，其中卸载到边缘计算服务器计算模式有三种卸载方式，分别为卸载到微基站边缘计算服务器、宏基站边缘计算服务器或云计算服务器；

以上卸载模式的时延、能耗和开销模型如下：

本地计算模型

计算任务在本地执行时，任务的时延主要是任务的处理时延，f_i表示分配给计算任务的计算频率，那么第i个任务在本地执行的时延T_local,i为：

一个计算周期的能量消耗用κf_i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此车辆产生的能耗E_local,i和开销

为：

E_local,i＝κf_i ²Z_i

边缘计算模型

对于任意车辆i来说，既能够接入宏基站也能够选择接入微基站；

当车辆接入微基站时，计算任务有三种卸载方式，即微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器；当车辆接入宏基站时，有两种卸载方式，即宏基站边缘计算服务器、云计算服务器；其中计算任务i选择卸载到边缘计算服务器计算模式产生的时延、能耗、开销如下：

(a)车辆接入微基站，计算任务在微基站边缘计算服务器进行

任务在微基站进行计算时，产生的时延分为两个部分：任务传输时延和任务处理时延；而产生的能耗分为任务传输能耗和任务处理能耗，在本系统中由于边缘服务器通过电缆供电，因此不考虑边缘服务器的任务处理能耗；则车辆产生的时延T_sbs,s,i、能耗E_sbs,s,i和开销

分别为：

(b)车辆接入微基站，计算任务在宏基站边缘计算服务器进行

车辆连接微基站，任务上传至宏基站服务器进行计算，在此过程中产生了一个转移时延T_sm，而任务通过光纤转移，其中产生的转移能耗能够忽略，则车辆产生的时延T_sbs,m,i、能耗E_sbs,m,i和开销

分别为：

(c)车辆接入微基站，计算任务在云基站服务器进行

同上文，任务上传至云服务器也会产生一个时延T_sc，故车辆产生的时延T_sbs,c,i，能耗E_sbs,c,i和开销

如下:

(d)车辆接入宏基站，计算任务在宏基站边缘计算服务器进行

车辆连接宏基站，计算任务上传宏基站服务器计算，车辆产生的时延T_mbs,m,i，能耗E_mbs,m,i，开销

如下：

(e)车辆接入宏基站，计算任务在云计算服务器进行

车辆连接宏基站，任务在云服务器计算，任务转移产生的时延为T_mc，故车辆产生的时延 T_mbs,c,i，能耗E_mbs,c,i和开销

如下：

车联网中面向MEC的联合计算资源分配和卸载决策优化方案，包括下述步骤：

步骤一：初始化任务卸载决策γ^(r)，并设置当前迭代次数r＝0；

步骤二：将任务卸载决策γ^(r)＝{a^(r),b^(r),ε^(r)}代入最初资源分配及卸载决策联合问题P1：

P1:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

得到资源分配问题P2：

P2:

s.t.C6:

C7:

C8:

由于该函数的Hessian矩阵是正定的所以该函数是凸函数，通过凸优化算法得到当前资源分配问题P2的最优解f^(r+1)，f^(r+1)即面临资源分配问题P2时最优的资源分配方案；

其中：系统模型中共有N辆车辆，车辆i∈{1,2,...,N}，向量a＝{a₁,a₂,...,a_N}表示系统内车辆的卸载模式选择，向量b＝{b₁,b₂,...,b_N}表示当前车辆的基站选择；在任务卸载决策方面，向量

和

表示车辆的任务是否选择卸载至相对应的服务器进行计算；向量ε＝{ε^s,ε^m,ε^c}表示计算任务的目的地；r表示当前迭代次数；向量γ＝{a,b,ε}表示任务卸载决策变量；向量f＝{f₁,f₂,...,f_N}表示第1辆车到第N辆车的资源分配；F_{s max}、F_{m max}、F_{c max}分别表示微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器处的最大计算资源；

约束条件C1为决定当前车辆任务只能本地计算或者卸载计算，约束条件C2表示当前车辆的基站连接情况，约束条件C3—C5表示当前计算任务在卸载计算的条件下，一定选择一处服务器进行计算，MEC服务器通过MEC关键技术中虚拟化技术，将计算资源虚拟化分配给系统内的车辆。条件C6—C8是服务器计算资源限制条件；服务器上任务的分配的总频率不能大于服务器最大频率。

步骤三：将步骤二得到的资源分配方案f^(r+1)通过基于精英策略改进的灰狼算法求解问题得到最优卸载决策方案γ^(r+1)＝{a^(r+1),b^(r+1),ε^(r+1)}；

步骤四：判断相邻两次目标值即开销的增长是否小于阈值τ，大于的话则将r设置为r+1，并跳转至步骤二，否则输出当前最优的资源分配方案f^*和任务卸载决策方案γ^*＝{a^*,b^*,ε^*}。

所述步骤三的具体过程为：

步骤1.随机生成规模为M的初始狼群，其中狼代表任务卸载决策，并将离散的任务卸载决策γ＝{a,b,ε}用阶跃函数连续化，将离散变量问题转换成一般的连续优化问题；同时初始化

其中

和

是两个协同系统向量，

和

是两个每一维取值在[0,1] 内的随机数向量；

是灰狼算法中的收敛因子，是平衡算法搜索和开发能力的关键参数，其取值随着迭代次数的增大从2到0线性递减，计算公式如下：

μ＝2-2·k/K

其中k表示当前迭代次数，K表示最大迭代次数，当收敛因子从2递减至0时，其对应

值也在区间内变化，

的取值从大到小促使狼群从全局搜索过渡至局部搜索，寻找到可行解；

阶跃函数x为：

步骤2.计算初始狼群中每一只灰狼的适应度值

其中适应度值函数如下：

P4:

s.t.C1～C2

C9:

C10:

C11:

C12:

C13:

C14:

C15:

其中条件C9—C11是服务器计算资源限制条件，服务器上任务分配的总频率不能大于服务器最大频率。约束条件C12表示计算任务只能在一处进行计算。C13—C15是离散变量

在松弛为区间[0,1]之间的变量t^s、t^m、t^c。

所述问题P4由阶跃函数x代入问题P3得到，问题P3是当前最佳资源分配方案f^*代入问题P2得到的卸载决策问题，问题P4将问题P3中的离散变量

松弛为连续变量t^s、 t^m、t^c，再通过折中阶跃函数转换为J(t^s)、J(t^m)、J(t^c)；问题P3和P4的最优解具有等价性，问题P3如下：

P3:

s.t.C1～C5

C6:

C7:

C8:

步骤3.根据下式更新灰狼位置，依此更新上一次迭代适应度最优的三只灰狼α,β,δ对应的

其中：

其中：灰狼个体为

f⁽⁰⁾是第一次迭代时通过凸优化解出来的资源分配方案，

表示狼和猎物之间的距离，由公式

求得；灰狼的位置用

表示，k表示灰狼算法的迭代次数，

其中α,β,δ狼的位置用

表示，

分别表示α,β,δ狼与其他个体的距离，

表示猎物的位置；

表示的是上一次迭代适应度最优的α,β,δ狼对应的协同系统向量；

表示的是上一次迭代适应度最优的α,β,δ狼对应的协同系统向量；

步骤4.计算本次迭代中全部灰狼的适应度值；

步骤5.根据适应度值，更新本次迭代中适应度最优的三只灰狼为α,β,δ狼，其余灰狼为ω狼，将狼群分为α,β,δ,ω四个等级；

步骤6.假设狼群中的灰狼集合为

计算当前狼群平均适应度为Avg，那么

是当前劣质灰狼群体，而精英灰狼群体由集合

表示；那么劣质灰狼需要向精英狼群学习，对G_poor群体中的每一头灰狼

都要向精英狼群中随机一头精英狼

学习，其中精英狼选中的概率为

狼群中的劣质狼向优质狼学习，得到学习后的新狼

即更新了劣质狼的位置，使得

新狼逐渐向α,β,δ狼靠近；

其中

是优化空间的上下界，而F∈(0,2)是变异因子；

步骤7.灰狼算法的迭代次数k加一，跳转至步骤3，更新任务卸载决策，得到一组新的任务卸载决策。

在灰狼算法中，每一头灰狼都代表种群中的一个候选解，狼群被划分为α,β,δ,ω四个等级。通常情况下，α是狼群中的头狼，负责做出狩猎等决策，被认为是最优解。β,δ是从属者，主要是负责协助α做出决策，是次优解。ω是底层狼，负责执行上层狼的决策，是其余解。在算法的迭代过程中，狼群将通过包围、追捕和攻击三个阶段来完成狼群的捕食行为，从而完成全局优化的搜索过程。

所述步骤二中

上式中第一部分为本地计算模型，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27；式中第二部分为车辆接入微基站的计算模型，T_sm、T_sc分别为计算任务在宏基站边缘计算服务器进行和云基站服务器进行产生的转移时延；第三部分为车辆接入宏基站的计算模型，T_mc为计算任务在云计算服务器进行产生的转移时延。

所述步骤二中将时延T_i和能耗E_i联合优化的问题转化为对系统开销

的优化，解出尽量使开销最小的计算资源分配和卸载任务决策，开销

为：

自适应权重求λ_i解具体过程如下：

其中，取ξ＝0.5，最后再对求得的权重进行归一化：

式中：单位时间每辆车辆产生一个计算任务，车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务i的数据量大小，Z_i表示完成该任务i所需的CPU转数，T_i ^MAX表示当前任务可容忍最大时延；在研究中，系统中的计算任务都是不可分割的。

本方案是为了使开销尽量小，通过算法得到的计算资源分配和卸载决策方案就是能得到比较小的开销。

实施例2

步骤一：在1Km*1Km的正方形区域内有1个宏基站，1个微基站，宏基站和微基站的通信范围分别是1.5Km和1Km，基站的每个信道带宽取B＝2MHz，微基站的发射功率p^s＝30dbm，宏基站的发射功率p^m＝46dbm，高斯白噪声σ²＝-147dbm，宏基站和微基站之间的干扰I＝100σ²，用户的信道衰减模型为u＝127+30logd(d是用户和基站之间的距离)，微基站和宏基站与车辆 i之间的信道增益的计算方式为G_i＝10^-u/10。初始化任务的卸载决策γ^(r)，并设置当前迭代次数 r＝0；

步骤二：将卸载决策γ^(r)＝{a^(r),b^(r),ε^(r)}代入问题P1，可以得到问题P2：

P2:

s.t.C6:

C7:

C8:

随机分布车辆150辆，每辆车辆上的计算频率取在0.8到1GHz之间的随机值，每辆车同一时刻都会产生一个计算任务，计算任务的数据量为0.7MB至0.8MB之间随机分布，任务可忍受最大时延在0.6至0.8s之间随机分布，任务完成所需的CPU转数在0.4Gcycles/bit至 2.0Gcycles/bit之间。

微基站服务器的计算资源为F_smax＝80GHz，宏基站服务器的计算资源为F_mmax＝200GHz，云服务器的计算资源为F_cmax＝300GHz。由微基站向宏基站服务器和云服务器转移计算任务的时间分别为T_sm＝0.02s，T_sc＝0.12s。由宏基站向云服务器的转移时间为T_mc＝0.1s。通过凸优化算法得到当前资源分配问题P2的最优解f^(r+1)。

步骤三：将步骤二得到的资源分配方案f^(r+1)代入问题P5，通过基于精英策略改进的灰狼算法求解问题得到最优卸载决策方案γ^(r+1)＝{a^(r+1),b^(r+1),ε^(r+1)}；设置迭代次数为50次。具体过程如下：

(1)随机生成规模为30的初始狼群，并将离散的决策变量γ＝{a,b,ε}用阶跃函数连续化，灰狼个体为

同时初始化

阶跃函数为：

(2)计算初始狼群中每一只灰狼的适应度值

并令其中适应度最优的三只灰狼为α,β,δ狼，其余灰狼为ω狼，适应度值函数如下：

P4:

s.t.C1～C2

C9:

C10:

C11:

C12:

C13:

C14:

C15:

P4由(1)中阶跃函数代入问题P3得到，问题P3和P4的最优解具有等价性，问题P3如下：

P3:

s.t.C1～C5

C6:

C7:

C8:

(3)根据以下三个式子更新灰狼位置，依此更新

表示狼和猎物之间的距离，由公式

求得；灰狼的位置用

表示，k表示迭代次数，

而

和

是两个协同系统向量，

和

是两个每一维取值在[0,1]内的随机数向量。收敛因子

是平衡算法搜索和开发能力的关键参数，其取值随着迭代次数的增大从2到0线性递减，计算公式如下：

a＝2-2·k/K

其中α,β,δ狼的位置用

表示，

分别表示α,β,δ狼与其他个体的距离，

表示猎物的位置；

(4)计算全部灰狼的适应度值；

(5)根据适应度值，将狼群分为α,β,δ,ω四个等级；

(6)假设狼群中的灰狼集合为

计算当前狼群平均适应度为Avg，那么

是当前劣质灰狼群体，而精英灰狼群体由集合

表示。劣质灰狼需要向精英狼群学习。对G_poor群体中的每一头灰狼

都要向精英狼群中随机一头精英狼

学习。精英狼选中的概率为

狼群中的劣质狼向优质狼学习，得到学习后的新狼

其中

是优化空间的上下界，而F∈(0,2)是变异因子。

(7)迭代次数加一，跳转至步骤(3)。

步骤四：判断相邻两次目标值的增长是否小于阈值τ＝0.01，大于的话则r＝r+1，并跳转至步骤二，否则输出当前最优的资源分配方案f^*和卸载方案γ^*＝{a^*,b^*,ε^*}。

步骤五：经过50次实验，取得平均结果。多次运行更好的证明了算法的有效性。

图3分析了任务开销与任务所需CPU转数之间的关系。随着任务所需CPU周期数的增加，系统的开销在增加。而三种移动边缘计算卸载方案的开销小于本地计算的开销，任务越复杂这两者之间的差距就越明显，说明了引入移动边缘计算对车联网发展的必要性。本专利提出的BCD-CONGW方案在系统开销优化方面性能强于随机卸载方案和贪婪卸载方案，分别将开销减少了28.3％和35％

由图4可知，在时延优化方面，任务的规模越大，任务复杂度越高，产生的时延越大。三种卸载算法方案的时延要小于本地计算，且随着任务所需CPU周期数的增加两者产生的差距越来越大。而本专利提出的BCD-CONGW方案在时延优化方面表现优秀，在任务所需计算量大小为1600兆周期的情况下，时延相比于随机卸载方案和贪婪卸载方案提升了16.4％。

由图5可知，在能耗优化方面，三种移动边缘计算卸载方案的能耗并没有随着任务的复杂度增加而增加，这是由于对于卸载计算而言，车辆上产生的能耗主要是由任务传输能耗组成，与任务复杂度没有太大关系。而本地计算产生的能耗随着任务复杂度线性增加。BCD-CONGW 方案在能耗方面，与其他方案相比，产生的能耗最低。

结合图3-图5，本章提出的BCD-CONGW方案在开销、时延、能耗方面优化效果明显，有效的降低了系统开销和时延。在能耗优化方面，相对于随机卸载方案和贪婪卸载方案，本章提出的BCD-CONGW方案优化效果明显。

Claims (2)

1.车联网中面向MEC的联合计算资源分配和卸载决策优化方法，其特征在于包括下述步骤：

步骤一：初始化任务卸载决策γ^(r)，并设置当前迭代次数r＝0；

步骤二：将任务卸载决策γ^(r)＝{a^(r),b^(r),ε^(r)}代入最初资源分配及卸载决策联合问题P1：

得到资源分配问题P2：

通过凸优化算法得到当前资源分配问题P2的最优解f^(r+1)；

其中：

κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27；T_sm、T_sc分别为计算任务在宏基站边缘计算服务器进行和云基站服务器进行产生的转移时延；T_mc为计算任务在云计算服务器进行产生的转移时延；

系统模型中共有N辆车辆，车辆i∈{1,2,...,N}，向量a＝{a₁,a₂,...,a_N}表示系统内车辆的卸载模式选择，向量b＝{b₁,b₂,...,b_N}表示当前车辆的基站选择；向量

和

表示车辆的任务是否选择卸载至相对应的服务器进行计算；向量ε＝{ε^s,ε^m,ε^c}表示计算任务的目的地；r表示当前迭代次数；向量γ＝{a,b,ε}表示任务卸载决策变量；向量f＝{f₁,f₂,...,f_N}表示第1辆车到第N辆车的资源分配；F_smax、F_mmax、F_cmax分别表示微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器处的最大计算资源；

步骤三：将步骤二得到的资源分配方案f^(r+1)通过基于精英策略改进的灰狼算法求解问题得到最优卸载决策方案γ^(r+1)＝{a^(r+1),b^(r+1),ε^(r+1)}；

步骤四：判断相邻两次目标值的增长是否小于阈值τ，大于的话则将r设置为r+1，并跳转至步骤二，否则输出当前最优的资源分配方案f^*和任务卸载决策方案γ^*＝{a^*,b^*,ε^*}；

所述步骤三的具体过程为：

步骤1.随机生成规模为M的初始狼群，其中狼代表任务卸载决策，并将离散的任务卸载决策γ＝{a,b,ε}用阶跃函数连续化，同时初始化

其中

和

是两个协同系统向量，

和

是两个每一维取值在[0,1]内的随机数向量；

是灰狼算法中的收敛因子；

阶跃函数x为：

步骤2.计算初始狼群中每一只灰狼的适应度值

其中适应度值函数如下：

s.t.C1～C2

所述问题P4由阶跃函数x代入问题P3得到，问题P3是当前最佳资源分配方案f^*代入问题P2得到的卸载决策问题，问题P4将问题P3中的离散变量

松弛为连续变量t^s、t^m、t^c，再通过折中阶跃函数转换为J(t^s)、J(t^m)、J(t^c)；问题P3如下：

s.t.C1～C5

步骤3.根据下式更新灰狼位置，依此更新上一次迭代适应度最优的三只灰狼α,β,δ对应的

其中：

其中：f⁽⁰⁾是第一次迭代时通过凸优化解出来的资源分配方案，

表示狼和猎物之间的距离，由公式

求得；灰狼的位置用

表示，k表示灰狼算法的迭代次数，

其中α,β,δ狼的位置用

表示，

分别表示α,β,δ狼与其他个体的距离，

表示猎物的位置；

表示的是上一次迭代适应度最优的α,β,δ狼对应的协同系统向量；

表示的是上一次迭代适应度最优的α,β,δ狼对应的协同系统向量；

步骤4.计算本次迭代中全部灰狼的适应度值；

步骤5.根据适应度值，更新本次迭代中适应度最优的三只灰狼为α,β,δ狼，其余灰狼为ω狼，将狼群分为α,β,δ,ω四个等级；

步骤6.假设狼群中的灰狼集合为

计算当前狼群平均适应度为Avg，那么

是当前劣质灰狼群体，而精英灰狼群体由集合

表示；那么劣质灰狼需要向精英狼群学习，对G_poor群体中的每一头灰狼

都要向精英狼群中随机一头精英狼

学习，其中精英狼选中的概率为：

狼群中的劣质狼向优质狼学习，得到学习后的新狼

即更新了劣质狼的位置：

其中

是优化空间的上下界，而F∈(0,2)是变异因子；

步骤7.灰狼算法的迭代次数k加一，跳转至步骤3，更新任务卸载决策，得到一组新的任务卸载决策。

2.根据权利要求1所述的车联网中面向MEC的联合计算资源分配和卸载决策优化方法，其特征在于所述步骤二中将时延T_i和能耗E_i联合优化的问题转化为对系统开销

的优化，解出尽量使开销最小的计算资源分配和卸载任务决策，开销

为：

自适应权重求λ_i解具体过程如下：

其中，取ξ＝0.5，最后再对求得的权重进行归一化：

式中：单位时间每辆车辆产生一个计算任务，车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务i的数据量大小，Z_i表示完成该任务i所需的CPU转数，T_i ^MAX表示当前任务可容忍最大时延。

Images