CN113553188A - 一种基于改进天牛须算法的移动边缘计算卸载方法 - Google Patents

Abstract

本发明公开了一种基于改进天牛须算法的移动边缘计算卸载方法，首先，在MEC系统中搜集系统信息，并根据移动边缘计算的先验知识明确整体系统收益函数；其次，在对卸载策略进行空间映射后，通过所构建的改进天牛须算法快速求解最优卸载策略。最后，MEC系统根据卸载策略将任务卸载计算，进而实现在提升用户使用体验的同时最大化系统整体收益。

Description

一种基于改进天牛须算法的移动边缘计算卸载方法

技术领域

本发明涉及一种基于改进天牛须算法的最优卸载策略求解方法，属于移动边缘计算领域。

背景技术

近些年来，随着移动互联网和物联网技术的高速发展，许多新型应用被安装在移动终端，如人脸识别，自动驾驶和虚拟现实等。然而，由于这些新型应用都属于计算密集型应用，受限于移动终端本身计算能力的不足，因此导致这些新型应用在终端上的使用有着很大的局限性。此时，为了让终端能流畅运行这些新型应用，提升用户体验，移动边缘计算应运而生。与传统云计算不同，移动边缘计算通过将小型计算机和存储中心，即边缘服务器部署在移动终端的网络边缘，使移动终端可以通过较低的网络延时与边缘服务器进行数据传输，并且通过边缘服务器强大的计算能力来运行一些计算密集型任务，降低终端计算压力，提升用户体验。

其中，边缘计算卸载策略作为边缘计算的重要组成部分，旨在通过寻找最优的任务分配方式，提升移动边缘计算系统(以下简称MEC系统)的执行效率，最大化系统的整体收益。

目前已有很多学者针对计算卸载提出了多种方法，如Yang等人为最小化系统的整体能耗，提出了一种基于人工鱼群算法的能量优化算法[1]。Saleem等人针对边缘系统任务和功率分配问题，提出了一种基于遗传算法的启发式移动感知任务调度方法，进而获得最佳的卸载策略[2]。而Rodriguez等人则基于元启发式优化技术，提出了一种粒子群优化算法来求解卸载策略，使MEC系统成本最小化[3]。

但是，当前大多最优卸载策略求解算法都有较高的复杂度，时间成本难以忍受，无法满足卸载策略求解既要保证系统性能优化，还要确保求解速度快，提高系统的反应效率的要求。因此，针对当前大多卸载算法复杂度过高，求解卸载策略速度慢的问题，本发明在单服务器多用户的MEC系统中，提出一种低复杂度的卸载策略算法，以快速获取计算卸载策略，进而最大化整个MEC系统的整体收益。

[1]L.Yang,H.Zhang,M.Li,J.Guo,and H.Ji,“Mobile edge computingempowered energy efficient task offloading in 5G,”IEEE Transactions onVechicular Technology,vol.67, no.7,pp.6398-6409,2018.

[2]U.Saleem,Y.Liu,S.Jangsher,Y.Li and T.Jiang,“Mobility-Aware JointTask Scheduling and Resource Allocation for Cooperative Mobile EdgeComputing,”in IEEE Transactions on Wireless Communications,vol.20,no.1,pp.360-374,Jan.2021.

[3]M.A.Rodriguez and R.Buyya,“Deadline Based Resource Provisioningand Scheduling Algorithm for Scientific Workflows on Clouds,”in IEEETransactions on Cloud Computing,vol.2,no.2,pp.222-235,1April-June 2014.

发明内容

发明目的：在移动边缘计算卸载场景中，边缘服务器和移动设备需要快速获取最优的任务卸载策略，完成计算任务，使移动边缘系统的整体收益最大化。本发明提出一种基于改进天牛须算法的移动边缘计算卸载方法，可以在短时间内获取最优卸载策略，以解决MEC系统中获取卸载策略时间成本过高的问题。

技术方案：本发明方法提出了一种基于改进天牛须算法的移动边缘计算卸载方法，令卸载策略计算具有低复杂度特性，在移动边缘计算场景中，移动设备需要根据MEC 系统本身的相关情况，通过卸载策略将任务卸载到服务器上进行计算，进而提升用户的使用体验。

如图1所示，一种基于改进天牛须算法的移动边缘计算卸载方法，用于边缘服务器端，包括以下步骤：

步骤S1：边缘服务器收集系统数据信息，所述系统数据信息包括系统内每个移动设备i的待卸载任务信息w_i＝(d_i,c_i),i∈N、系统中移动设备的总数N以及每个移动设备本身的最小发射功率p_base和最大发射功率p_full，其中，d_i表示任务的计算数据量(单位比特)，c_i表示计算每比特数据所需要的CPU周期数；

步骤S2：根据移动边缘计算的先验知识确定系统收益函数，根据移动边缘计算的先验知识和系统收集的相关设备信息计算任务在移动设备本地计算时的能耗

和时延

同时计算出任务卸载到服务器计算时的能耗

和时延

并根据系统收益得出系统收益函数，其中任务i卸载计算所获得的系统收益如下所示：

其中，σ∈[0,1]表示权重因子，表示MEC系统的系统收益侧重于能耗还是时延。

步骤S3：优化算法参数初始化，明确算法迭代次数，算法搜索步长；

步骤S4：使用改进天牛须算法求解最优卸载策略；

步骤S5：移动边缘计算系统根据卸载策略卸载任务并完成任务计算。

进一步的，所述使用改进天牛须算法求解最优卸载策略如图2所示，包含以下步骤：

步骤D1：对卸载策略进行编码映射，将天牛的空间位置映射为计算卸载策略；

步骤D2：随机初始化天牛位置x⁰，并根据天牛位置映射计算卸载策略，同时根据系统信息和收益函数获取天牛适应度值f(x⁰)，初始化算法最优适应度值f_best＝f(x⁰)，天牛最优位置x_best＝x⁰；

步骤D3：随机初始化天牛触须方向

并根据天牛位置x^t计算其左右触须的空间位置x_lt和x_rt，其中

并计算出左右触须的适应度值f(x_lt)和f(x_rt)，采取多通道探索策略，寻找最优触须位置；

步骤D4：根据天牛触须位置x_lt和x_rt，更新天牛位置x^t，进而获取空间位置映射的卸载策略，得出适应度值f(x^t)，将f(x^t)与f_best进行对比，当f(x^t)值更大时，对f_best，x_best进行更新；

步骤D5：判断迭代次数，若已达到最大迭代次数，则根据x_best的值映射出最优的卸载策略，并将其输出，若未达到最大迭代次数，则根据先验知识更新天牛步长，其中δ^t＝c₁δ^t-1+δ⁰，d^t＝δ^t/c₂，并重复步骤D3。

进一步优选的，所述的天牛触须多通道探索策略，如图3所示，具体步骤包括：

步骤D3-1：天牛触须随机探索新的方向

此时其空间位置分别为x_lt和x_rt，计算位置所对应的适应度值f(x_lt)和f(x_rt)；

步骤D3-2：将天牛本身空间位置的适应度值f(x^t-1)与触须适应度值f(x_lt)和f(x_rt)进行对比，若f(x_lt)和f(x_rt)均小于f(x^t-1)时，天牛不进行位置更新，同时为避免算法陷入死循环，设定最大寻找次数D，当寻找次数小于D时，重复步骤D3-1；

步骤D3-3：在探寻次数等于D或f(x_lt)和f(x_rt)有大于f(x^t-1)的值时，则直接进行下一步位置更新，此时D值重置为0。

进一步的，所述步骤D4中，根据前面步骤获取到的天牛左右须的空间位置x_lt和x_rt和触须方向

进行位置的更新，其具体更新公式为

优选的，同时为了提升算法的寻优能力，避免陷入局部最优，本发明采用模拟去火策略进行更新，如下式所示：

其中p为0到δ⁰的随机数。

有益效果

本发明实施例提供的一种基于改进天牛须算法的移动边缘计算卸载方法，考虑的是在MEC系统中，通过一种基于改进天牛须算法的最优卸载策略求解方法快速获取最优卸载策略，指导系统进行任务卸载计算，在提升用户体验同时获取最大的系统收益。

本专利采用的改进天牛须算法为个体寻优算法，仅由天牛个体进行寻优，并记录其寻找到的最优值，在每次算法迭代中仅需要计算一次位置更新和适应度值，无需计算多个，同时为降低搜索空间维度，将计算卸载策略进行编码映射，进一步降低计算复杂度。

对比现有技术中采用的粒子群优化算法，随机初始化若干个粒子，每个粒子根据自己的速度和方向进行随机搜索，每次迭代中将整个粒子群中的最优值进行存储，并在下一次算法迭代中影响每个粒子的速度和位置，在达到最大迭代次数后，将全局最优的粒子位置映射为具体是卸载策略；本专利采用的改进天牛须算法，仅对一个个体进行寻优，并在探索过程中根据其触须方向和本身适应度值动态调整探索方向，寻找适应度值最大的位置，在达到最大迭代次数后，将天牛最优位置映射为系统卸载策略，在寻优过程中仅计算一个个体的适应度值，并对其进行调整，而粒子群算法需要对初始化的若干个粒子同时进行计算，并进行位置调整，其粒子数越多，计算复杂度越大。

本专利改进天牛须算法中，天牛的位置更新取决于触须探索的方向和天牛目前所在位置的适应度值，在未寻找到比本身位置更优的方向时，其会进行多方向探索，只有在寻找到更优的方向时才会进行位置的更新，保证天牛向最优方向探索。同时为了避免算法陷入局部最优，采用模拟退火的策略进行位置更新，使其在一定概率下接受较劣解，提高其跳出局部最优的能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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移动边缘计算卸载方法的一种流程图；

图2为本发明实施例提供的移动边缘计算卸载方法的中改进天牛须算法求解卸载策略流程图；

图3为本发明实施例提供的移动边缘计算卸载方法中多通道探索策略流程图；

图4为本发明实施例提供的移动边缘计算卸载方法的单服务器多用户的应用场景图；

图5为本发明实施例提供的所述基于改进天牛须算法与采用其他算法获取最优卸载策略的时间对比图；

图6为本发明实施例提供的移动边缘计算卸载方法与基于其他算法的移动边缘计算卸载方法获得的系统收益值的标准差对比图；

图7为本发明实施例提供的移动边缘计算卸载方法与基于其他算法的移动边缘计算卸载方法获得的系统收益值的变异系数对比图。

具体实施方式

下面结合附图对本发明的技术方案进行详细的描述。根据下列描述和权利要求书，本发明的优点和特征将更清楚。需要说明的是，附图均采用简化的形式且使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施的目的。

为了便于理解，以图4所示的一个单服务器多用户的应用场景为例具体阐述本发明的移动边缘计算方法，边缘服务器部署在基站附近，通过光纤与之相连，为基站附近的移动设备提供计算服务。移动设备通过无线链路与基站相连，进而链接到边缘服务器，从而实现任务卸载。服务器可以动态调整分配给每个设备的CPU核心数，实现卸载任务的计算。同时移动设备也可以动态调整其卸载任务的发射功率，将任务卸载到服务器。

本发明实施例中，用户在使用用户终端时，可能会产生多种服务类型的待处理任务，例如人脸识别，由于用户终端的计算资源有限，用户终端需要边缘服务器进行协助处理，用户终端可以向边缘服务器发送服务请求，服务请求中包含每个服务的待处理任务。

但是边缘服务器的资源也是有限的，假定服务器具有m个CPU核心，代表服务器最多可同时处理m个计算任务。移动设备的集合为N＝{1,2,3,…,n}，每个移动设备在一个卸载时隙中仅有一个计算密集型任务w_i＝(d_i,c_i),i∈N需要卸载到服务器进行计算。其中d_i表示任务的计算数据量(单位为比特)，c_i表示计算每比特数据所需要的CPU周期数。通过计算卸载策略，移动设备可以将任务卸载至边缘服务器进行计算，从而获取计算结果，计算卸载策略满足如下公式：

p_base≤p_i≤p full

其中m_i表示移动设备i在服务器所分配的计算核心，p_i表示设备i的天线发射功率，p_base和p_full分别表示移动设备的最小发射功率和最大发射功率。

由于任务卸载的收益由两部分决定，分别为任务的执行时延和任务的执行能耗。为更好的量化计算卸载策略所带来的收益，采用下面公式来表示卸载任务i带来的系统收益：

表示任务w_i在移动设备本地计算所消耗的时间成本，

表示任务i卸载到边缘服务器计算所消耗的时间成本，

表示任务w_i在移动设备本地计算的能耗成本，

表示任务w_i卸载到边缘服务器是移动设备i的能耗成本，σ∈[0,1]表示权重因子，表示 MEC系统的系统收益侧重于能耗还是时延。

通过移动边缘计算的先验知识，将MEC系统的整体收益建模为一个多目标优化函数：

s.t.

C3:p_base≤p_i≤p_full

在明确系统收益函数后，对基于改进天牛须算法的移动边缘计算卸载方法进行参数初始化，具体参数值如表1所示。

表1为算法的相关参数值

对卸载策略进行编码映射，由于服务器分配给各移动设备的核心数为非零整数，同时移动设备的发射功率p_i在p_base到p_full之间，此时引入辅助变量x_i∈[0,1]，使p_i＝p_base+(p_full -p_base)×(1+x_i)。此时系统收益函数表示为：

s.t.

C2:m_i＝[z_i],x_i＝z_i-[z_i]

其中Z＝{z₁,z₂,…,z_n}表示计算卸载策略，z_i的整数部分表示服务器分配给移动设备i的 CPU核心数，z_i的小数部分表示辅助变量x_i。

在明确系统收益函数和映射策略后，使用本发明提出的基于改进天牛须算法的计算卸载方法求解最优卸载策略，具体过程如下所示：

综上所述本申请的基于改进天牛须算法的计算卸载算法流程如下：

为验证本发明申请的计算卸载方法的性能，将本发明申请的方法与传统BAS算法和粒子群优化算法进行比较，假设移动设备随机分布在基站覆盖范围100m的区域内，测试实例分为5组，其中移动设备的数量分别为5，10，15，20，25。针对每组测试实例的中任务w_i＝(d_i,c_i),其均匀分布在[0,2d_avg]和[0,2c_avg],其中d_avg＝1000bits, c_avg＝797.5cycles/bit。为了比较算法的可重复性和稳定性，将每个测试实例重复运行50 次，并采用变异系数法评价算法的稳定性：CV＝β/μ，其中β表示标准差，μ表示平均值。

表2给出了在50组测试实例下不同规模用户的平均系统收益值，可以看出对比传统BAS算法和粒子群算法，本发明申请的基于改进天牛须算法的计算卸载方法所获得的计算卸载策略的系统收益值更高，即其求出的卸载策略更优。

表2为案例在不同算法的平均系统收益值

图5表示在50组测试实例下不同规模用户获取计算卸载策略的平均时间成本，可以看出在同一规模用户下，本发明申请的方法在时间成本仅略高于传统BAS算法。这是由于本发明申请的方法采用了多通道探索策略，在天牛更新位置是探索多个方向，这会略微增加算法的复杂度，而本发明申请的方法的时间成本对比粒子群优化算法却有着极大的降低，这进一步验证了本发明申请方法的可行性。

图6和图7表示三种算法的标准差和变异系数，可以看出本发明申请的方法比传统BAS算法稳定性更好。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术发明的内容，仍属于本发明的保护范围之内。

Claims (6)

1.一种基于改进天牛须算法的移动边缘计算卸载方法，应用于边缘计算服务器，其特征在于，所述方法包括：

S1：收集系统数据信息，所述系统数据信息包括系统内每个移动设备i的待卸载任务信息w_i＝(d_i,c_i),i∈N、系统中移动设备的总数N以及每个移动设备本身的基本发射功率p_base和最大发射功率p_full，其中，d_i表示任务的计算数据量，c_i表示计算每比特数据所需要的CPU周期数，并基于所述系统数据信息形成第一约束方程；

S2：根据系统收益偏好的先验知识形成系统收益函数的第二约束方程；

S3：优化算法参数初始化；

S4：基于所述第一约束方程和第二约束方程，确定针对所述待卸载任务的最大期望收益的优化方程，基于所述最大期望的优化方程，采用改进天牛须算法求解最优卸载策略；

S5：根据最优卸载策略卸载任务。

2.如权利要求书1所述的一种基于改进天牛须算法的移动边缘计算卸载方法，其特征在于，所述步骤S4中，所述采用改进天牛须算法求解最优卸载策略包含以下步骤：

D1：将计算卸载策略进行编码映射，使天牛的空间位置可以转换为计算卸载策略；

D2：随机初始化天牛位置，并根据天牛位置映射计算卸载策略，同时根据第一约束方程和第二约束方程获取天牛适应度值，将适应度值和天牛空间位置分别存储为最优适应度值和最优位置；

D3：随机初始化天牛触须方向，并根据天牛本身位置计算其左右触须的空间位置，并根据收益函数得出左右触须的适应度值，采取多通道探索策略，寻找最优触须位置；

D4：根据天牛左右须方向，更新天牛位置，进而获取空间位置映射的卸载策略，得出适应度值，对比最优值选择性更新最优适应度值和最优位置；

D5：根据先验知识更新天牛步长，并重新进行D3操作，在满足最大迭代次数后，根据最优空间位置映射为最优计算卸载策略。

3.如权利要求书2所述的一种基于改进天牛须算法的移动边缘计算卸载方法，其特征在于，步骤D3中，所述多通道探索策略，其特征在于：

D3-1：天牛在新的位置随机转动触须，计算出触须所在空间位置的适应度值；

D3-2：将天牛本身位置的适应度值与天牛触须位置的适应度值进行对比，若左右须的适应度值均小于天牛本身位置的适应度值时，重新进行D3-1操作；

D3-3：当左右须适应度值有大于天牛本身位置适应度值时，代表该方向为更优方向，此时直接进入位置更新操作。

4.如权利要求书2所述的一种基于改进天牛须算法的移动边缘计算卸载方法，其特征在于，步骤D4中，根据天牛左右须方向更新天牛位置具体采用模拟去火策略。

5.如权利要求书1所述的一种基于改进天牛须算法的移动边缘计算卸载方法，其特征在于，所述第一约束方程为：

其中，m为服务器的CPU核心数，代表服务器最多可同时处理m个计算任务；

m_i表示移动设备i在服务器所分配的计算核心；

p_i表示设备i的天线发射功率；

p_base和p_full分别表示移动设备的最小发射功率和最大发射功率；

所述第二约束方程为：

其中，Ti local表示任务w_i在移动设备本地计算所消耗的时间成本，

表示任务w_i卸载到边缘服务器计算所消耗的时间成本，

表示任务w_i在移动设备本地计算的能耗成本，

表示任务w_i卸载到边缘服务器时移动设备i的能耗成本，σ∈[0,1]表示权重因子，表示MEC系统的系统收益侧重于能耗还是时延。

6.如权利要求书5所述的一种基于改进天牛须算法的移动边缘计算卸载方法，其特征在于，所述最大期望收益的优化方程为：

s.t.

C3:p_base≤p_i≤p_full

其中，P为移动设备发射功率策略，M为CPU核心分配策略。

Images