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
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 Download PDFInfo
- Publication number
- CN113364859B CN113364859B CN202110619225.5A CN202110619225A CN113364859B CN 113364859 B CN113364859 B CN 113364859B CN 202110619225 A CN202110619225 A CN 202110619225A CN 113364859 B CN113364859 B CN 113364859B
- Authority
- CN
- China
- Prior art keywords
- wolf
- task
- resource allocation
- unloading
- decision
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/78—Architectures of resource allocation
- H04L47/783—Distributed allocation of resources, e.g. bandwidth brokers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
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
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:
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:系统模型中共有N辆车辆,车辆i∈{1,2,...,N},向量a={a1,a2,...,aN}表示系统内车辆的卸载模式选择,向量b={b1,b2,...,bN}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={εs,εm,εc}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,...,fN}表示第1辆车到第N辆车的资源分配;Fsmax、Fmmax、 Fcmax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:
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ts、 tm、tc,再通过折中阶跃函数转换为J(ts)、J(tm)、J(tc);问题P3如下:
s.t.C1~C5
其中:
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Gpoor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:
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。
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;Tsm、Tsc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;Tmc为计算任务在云计算服务器进行产生的转移时延。
自适应权重求λi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si={Hi,Zi,Ti MAX},其中Hi表示当前任务i的数据量大小,Zi表示完成该任务i所需的CPU转数,Ti 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bi=0,车辆连接宏基站时 bi=1,根据香农定理,车辆连接微基站或微基站的传输速率Ri s和Ri m分别为:
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ai∈{0,1}表示任务计算模式的选择,当ai=0时表示车辆i选择本地计算模式,ai=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,fi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Tlocal,i为:
Elocal,i=κfi 2Zi
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Tsbs,s,i、能耗Esbs,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Tsm,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Tsbs,m,i、能耗Esbs,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
(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
(e)车辆接入宏基站,计算任务在云计算服务器进行
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:
得到资源分配问题P2:
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,...,aN}表示系统内车辆的卸载模式选择,向量b={b1,b2,...,bN}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={εs,εm,εc}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,...,fN}表示第1辆车到第N辆车的资源分配;Fs max、Fm max、Fc 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
阶跃函数x为:
s.t.C1~C2
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ts、tm、tc。
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ts、 tm、tc,再通过折中阶跃函数转换为J(ts)、J(tm)、J(tc);问题P3和P4的最优解具有等价性,问题P3如下:
s.t.C1~C5
其中:
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Gpoor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
新狼逐渐向α,β,δ狼靠近;
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。
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,Tsm、Tsc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,Tmc为计算任务在云计算服务器进行产生的转移时延。
自适应权重求λi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si={Hi,Zi,Ti MAX},其中Hi表示当前任务i的数据量大小,Zi表示完成该任务i所需的CPU转数,Ti 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ps=30dbm,宏基站的发射功率pm=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Gi=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:
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Fsmax=80GHz,宏基站服务器的计算资源为Fmmax=200GHz,云服务器的计算资源为Fcmax=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Tsm=0.02s,Tsc=0.12s。由宏基站向云服务器的转移时间为Tmc=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:
s.t.C1~C2
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:
s.t.C1~C5
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
(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Gpoor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
(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);
κ是依赖与芯片结构的有效开关电容,设置为κ=10-27;Tsm、Tsc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;Tmc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,...,aN}表示系统内车辆的卸载模式选择,向量b={b1,b2,...,bN}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={εs,εm,εc}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,...,fN}表示第1辆车到第N辆车的资源分配;Fsmax、Fmmax、Fcmax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:
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ts、tm、tc,再通过折中阶跃函数转换为J(ts)、J(tm)、J(tc);问题P3如下:
s.t.C1~C5
其中:
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Gpoor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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619225.5A CN113364859B (zh) | 2021-06-03 | 2021-06-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619225.5A CN113364859B (zh) | 2021-06-03 | 2021-06-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113364859A CN113364859A (zh) | 2021-09-07 |
CN113364859B true CN113364859B (zh) | 2022-04-29 |
Family
ID=77531773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110619225.5A Active CN113364859B (zh) | 2021-06-03 | 2021-06-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113364859B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113783959B (zh) * | 2021-09-13 | 2022-06-03 | 吉林大学 | 一种车联网联合优化计算任务卸载比率和资源分配方法 |
CN114153515B (zh) * | 2021-09-18 | 2023-09-12 | 南京邮电大学 | 一种基于5g毫米波通信的高速公路车联网任务卸载算法 |
CN113965569B (zh) * | 2021-10-22 | 2022-08-12 | 大连理工大学 | 一种高能效、低时延的边缘节点计算迁移配置系统 |
CN114296814A (zh) * | 2021-12-10 | 2022-04-08 | 中国科学院深圳先进技术研究院 | 一种边云计算任务卸载方法、系统、终端以及存储介质 |
CN114936075B (zh) * | 2022-04-01 | 2023-02-14 | 南京审计大学 | 一种边缘计算环境下移动审计设备计算任务的卸载方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924796A (zh) * | 2018-08-15 | 2018-11-30 | 电子科技大学 | 一种资源分配及卸载比例联合决策的方法 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
WO2020020465A1 (en) * | 2018-07-27 | 2020-01-30 | Ericsson Gmbh | A method of allocating sidelink radio resources to a group of vehicles, in a telecommunication network, wherein vehicles within said group of vehicles intent to use said sidelink for vehicle-to-vehicle, v2v, communication |
CN111787543A (zh) * | 2020-06-10 | 2020-10-16 | 杭州电子科技大学 | 一种基于改进灰狼优化算法的5g通信系统资源分配方法 |
CN111918311A (zh) * | 2020-08-12 | 2020-11-10 | 重庆邮电大学 | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 |
CN111918248A (zh) * | 2020-07-22 | 2020-11-10 | 重庆理工大学 | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 |
CN112367640A (zh) * | 2020-11-09 | 2021-02-12 | 中科怡海高新技术发展江苏股份公司 | 基于移动边缘计算的v2v模式多任务卸载方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109067842B (zh) * | 2018-07-06 | 2020-06-26 | 电子科技大学 | 面向车联网的计算任务卸载方法 |
US10972768B2 (en) * | 2019-06-27 | 2021-04-06 | Intel Corporation | Dynamic rebalancing of edge resources for multi-camera video streaming |
CN110312231B (zh) * | 2019-06-28 | 2022-03-18 | 重庆邮电大学 | 车联网中基于mec的内容缓存决策和资源分配优化方法 |
KR102645298B1 (ko) * | 2019-07-02 | 2024-03-11 | 엘지전자 주식회사 | 자율주행시스템에서 차량간 p2p 방식을 활용한 데이터 처리방법 및 이를 위한 장치 |
KR20190091419A (ko) * | 2019-07-17 | 2019-08-06 | 엘지전자 주식회사 | 자율주행 차량의 제어방법 및 이를 위한 제어장치 |
CN111314889B (zh) * | 2020-02-26 | 2023-03-31 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
CN111836283B (zh) * | 2020-07-03 | 2022-05-03 | 重庆邮电大学 | 一种基于mec多服务器的车联网资源分配方法 |
-
2021
- 2021-06-03 CN CN202110619225.5A patent/CN113364859B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020020465A1 (en) * | 2018-07-27 | 2020-01-30 | Ericsson Gmbh | A method of allocating sidelink radio resources to a group of vehicles, in a telecommunication network, wherein vehicles within said group of vehicles intent to use said sidelink for vehicle-to-vehicle, v2v, communication |
CN108924796A (zh) * | 2018-08-15 | 2018-11-30 | 电子科技大学 | 一种资源分配及卸载比例联合决策的方法 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
CN111787543A (zh) * | 2020-06-10 | 2020-10-16 | 杭州电子科技大学 | 一种基于改进灰狼优化算法的5g通信系统资源分配方法 |
CN111918248A (zh) * | 2020-07-22 | 2020-11-10 | 重庆理工大学 | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 |
CN111918311A (zh) * | 2020-08-12 | 2020-11-10 | 重庆邮电大学 | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 |
CN112367640A (zh) * | 2020-11-09 | 2021-02-12 | 中科怡海高新技术发展江苏股份公司 | 基于移动边缘计算的v2v模式多任务卸载方法及系统 |
Non-Patent Citations (5)
Title |
---|
Multi-user multitask computation offloading in green mobile edge cloud computing;Chen Wei-Wei et al;《IEEE Transactions on Services Computing》;20191231;全文 * |
基于MEC的车联网系统中任务卸载与资源分配方法研究;孙亦婵;《万方学位论文》;20201214;全文 * |
车辆异构网中基于移动边缘计算的任务卸载与资源分配;张海波等;《物联网学报》;20181030;全文 * |
车辆网络多平台卸载智能资源分配算法;王汝言等;《电子与信息学报》;20200131;全文 * |
车辆边缘计算环境下任务卸载研究综述;李智勇等;《计算机学报》;20210602;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113364859A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113364859B (zh) | 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 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
Mohammed et al. | Distributed inference acceleration with adaptive DNN partitioning and offloading | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN111245651B (zh) | 一种基于功率控制和资源分配的任务卸载方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
Fang et al. | Joint task offloading, D2D pairing, and resource allocation in device-enhanced MEC: A potential game approach | |
CN107766135B (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN111586696B (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN111405569A (zh) | 基于深度强化学习的计算卸载和资源分配方法及装置 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
CN111800828A (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN110795208B (zh) | 基于改进粒子群的移动云计算自适应虚拟机调度方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
CN113364860B (zh) | 一种mec中联合计算资源分配和卸载决策的方法及系统 | |
CN110856259A (zh) | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 | |
CN114205353B (zh) | 一种基于混合动作空间强化学习算法的计算卸载方法 | |
CN113377533A (zh) | 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法 | |
CN112860429A (zh) | 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法 | |
CN114885422A (zh) | 一种超密集网络中基于混合接入方式的动态边缘计算卸载方法 | |
CN114885420A (zh) | 一种noma-mec系统中的用户分组和资源分配方法及装置 | |
WO2023175335A1 (en) | A time-triggered federated learning algorithm | |
CN115396953A (zh) | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 | |
CN115633033A (zh) | 融合射频能量采集的协同节能计算迁移方法 |
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 |