CN113573342A - 一种基于工业物联网的节能计算卸载方法 - Google Patents
一种基于工业物联网的节能计算卸载方法 Download PDFInfo
- Publication number
- CN113573342A CN113573342A CN202111132240.3A CN202111132240A CN113573342A CN 113573342 A CN113573342 A CN 113573342A CN 202111132240 A CN202111132240 A CN 202111132240A CN 113573342 A CN113573342 A CN 113573342A
- Authority
- CN
- China
- Prior art keywords
- industrial
- computing
- mec server
- industrial equipment
- unloading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 66
- 238000005265 energy consumption Methods 0.000 claims abstract description 64
- 239000002245 particle Substances 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 3
- 230000009471 action Effects 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000013468 resource allocation Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 17
- 230000002787 reinforcement Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 101150050759 outI gene Proteins 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- 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
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0917—Management thereof based on the energy state of entities
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于工业物联网的节能计算卸载方法,该方法首先在短程工业物联网系统的小区内靠近工业设备的位置部署若干个MEC服务器;为系统计算工业设备本地执行计算任务时以及计算卸载时的时延与能耗;构建系统卸载决策的优化目标以及约束条件;通过Sarsa算法分析小区内环境信息,得到工业设备的任务卸载请求服务信息和MEC服务器的计算资源占用信息,通过状态值函数的迭代更新选择合适的MEC服务器进行计算任务的卸载;通过粒子群算法分配合适的MEC计算资源给请求服务的工业设备,使得系统中工业设备的总能耗最低,并提高了MEC服务器计算资源的利用率。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于工业物联网的节能计算卸载方法。
背景技术
在过去的几十年里,物联网作为一种新的范式,在无线通信和微电子领域取得了巨大的成功,得到了广泛的关注。在工业和制造环境中,物联网被称为工业物联网。工业物联网连接了大量移动数字设备、制造机器、工业设备等,这些设备不断产生大量的数据和信号,用于传感、控制、系统维护和数据分析,工业物联网中的通信和计算任务显然将消耗大量的能量。
考虑到工业物联网设备上的资源有限,工业物联网的能源效率是许多创新工业物联网系统的关键问题,许多工业物联网应用需要在电池上运行多年,因此节约能源消耗是延长工业物联网系统寿命的关键因素。工业物联网拥有它们独特的节能机制。根据工业物联网的工作流程,设备的计算任务请求一般拥有指定的完成截止时间,其中存在的问题是,如何在截止时间内完成任务的前提下,最小化工业设备的能耗。通常的方法是将一部分工业应用任务卸载到具有足够计算资源的计算系统上执行,因此常常在工业物联网系统中引入边缘计算(MEC),利用边缘计算服务器强大的CPU处理器为密集的计算任务提供算力支持,由此减少系统的能耗。但边缘计算也有其自身的局限性,例如边缘计算服务器有限的计算资源以及这些服务器之间的不平衡负载。
针对上述问题,需要一种合适的计算卸载方法。现有的计算卸载方法分为以下几类。第一类:将资源的最优分配问题转化为最小化能耗加权和的凸优化问题,利用拉格朗日算法迭代求取最优解,但此凸优化问题属于NP-hard问题,通过拉格朗日算法很难求取最优解,因此现有工作多数求解的都为次优解;第二类:以最小化能耗为目标在多个设备之间构建博弈模型,利用博弈理论进行卸载决策分析,但这一算法复杂度高,而且有可能不会收敛到全局最优解;第三类:定义各MEC服务器的CPU占用状态为状态空间,定义采取行为后所减少的能耗作为奖励值,采用强化学习中的q-learning算法分析环境信息通过状态值迭代的方式选择最合适的MEC服务器进行卸载,这一方案的问题在于只能为请求服务的设备分配指定的MEC进行计算卸载而不能有效的分配MEC服务器的计算资源,若同时考虑计算资源的分配问题,需要把资源分配问题离散化处理并额外扩充系统的状态空间和行为空间,这会导致极其庞大的算法复杂度并且不容易取得准确的分配方案最优解。
发明内容
发明目的:针对工业物联网系统中工业设备处理计算任务时的能耗问题,本发明提出一种基于工业物联网的节能计算卸载方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于工业物联网的节能计算卸载方法,该方法基于短程工业物联网系统实现,所述系统包括N个工业设备和一个基站,设定各工业设备位置固定,同时系统中还部署M个MEC服务器,每个工业设备与其位置最近的MEC服务器的距离相同,并为所述基站部署一个代理MEC服务器,每个MEC服务器均与代理MEC服务器有线连接;
每个所述工业设备均有一个计算任务,且均能将计算任务卸载到MEC服务器或本地执行,所述MEC服务器不执行系统卸载决策的计算,但实时向代理MEC服务器发送和更新本地的CPU占用状态信息和工业设备的任务卸载请求信息,所述代理MEC服务器执行系统卸载决策的计算;所述节能计算卸载方法具体包括如下步骤:
步骤1,为系统计算工业设备本地执行计算任务时的时延与能耗,以及工业设备执行计算卸载时的时延与能耗;
步骤2,根据步骤1得到的工业设备本地执行计算任务时与计算卸载时的时延与能耗,为最小化系统的处理能耗,构建系统卸载决策的优化目标以及约束条件;
步骤3,利用Sarsa算法和粒子群算法求解系统卸载决策的优化目标,具体为利用Sarsa算法分析系统的环境信息、工业设备的任务卸载请求信息和MEC服务器的计算资源占用信息,通过状态值函数得到该系统能耗最小化时工业设备的计算卸载决策,并利用粒子群算法确定MEC服务器的计算资源分配结果。
进一步地,将表示系统的计算卸载决策,其中,表示第j个工业设备的计算卸载决策;若,表
示第j个工业设备将计算任务卸载到第i个MEC服务器即卸载目标MEC服务器进行处理;若,表示第j个工业设备在本地执行计算任务。
进一步地,所述步骤1中,第j个工业设备本地执行计算任务时的时延包括计算时延,如下:
第j个工业设备本地执行计算任务时的能耗为:
进一步地,所述步骤1中,当工业设备执行计算卸载时,首先第j个工业设备将计算
任务通过基站的子信道发送至与该工业设备位置最近的MEC服务器,然后MEC服务器通过有
线方式发送至由系统卸载决策决定的卸载目标MEC服务器;执行计算卸载的时延包括传输
时延与计算时延,所述传输时延表示为: ;所述计算时延表示为:;
得到工业设备执行计算卸载时的时延为:;其中,表示第j个工业设
备执行计算卸载时的时延,表示第j个工业设备的计算任务数据量大小,表示第j个工
业设备完成计算任务所需的CPU周期总数, 表示第i个MEC服务器的计算资源分配,具
体为分配给第j个工业设备的计算能力,表示第j个工业设备通过基站的子信道发送至
与该工业设备位置最近的MEC服务器的上行传输速率,且
其中,表示第j个工业设备分配到的子信道带宽,表示第j个工业设备的传输
功率,表示高斯白噪声功率,表示第j个工业设备和与该工业设备位置最近的MEC服
务器之间的信道增益,且,表示第j个工业设备和与该工业设备位置最
近的MEC服务器之间的空间距离,v表示路径损耗因子,H表示信道衰落系数。
进一步地,步骤1中,当工业设备执行计算卸载时,首先第j个工业设备将计算任务发送至与该工业设备位置最近的MEC服务器,此过程产生传输能耗;之后工业设备保持待机状态等待回传结果,此过程产生待机能耗;工业设备执行计算卸载时的能耗包括传输能耗和待机能耗,表示如下:
进一步地,所述步骤2中,系统卸载决策的优化目标表示如下:
约束条件表示如下:
式中, 表示系统的计算卸载决策,表示第j个
工业设备本地执行计算任务时的能耗,表示第j个工业设备执行计算卸载时的能耗,表示第i个MEC服务器的计算资源分配,具体为分配给第j个工业设备的计算能力,
表示第j个工业设备计算每比特所需的CPU转数,表示第i个MEC服务器自身的计算
资源,表示第j个工业设备本地执行计算任务时的计算时延,表示第j个工业设备执行
计算卸载时的时延,表示完成第j个工业设备的计算任务的截止时间,表示第j个工
业设备的权重,和表示卸载决策,且满足:
进一步地,所述步骤3的方法如下:
将系统的计算卸载决策设置为智能体Agent的学习状
态,将智能体Agent可执行的行为空间设置为,
其中, ,表示第j个工业设备的计算卸载决策,表示第j个工业设备的计
算卸载决策行为,若,表示第j个工业设备将计算任务卸载到第i个
MEC服务器进行处理;若,表示第j个工业设备在本地执行计算任务;智能体Agent的
学习状态和可执行的行为空间构成状态值表,所述状态值表通过奖励值和当
前状态下的行为进行更新,具体如下:
其中,表示第j个工业设备计算每比特所需的CPU转数,表示第j个工业设备
的传输功率,表示第j个工业设备和与该工业设备位置最近的MEC服务器之间的信道增
益,表示第j个工业设备的计算任务数据量大小,表示第j个工业设备完成计算任务所
需的CPU周期总数,表示完成第j个工业设备的计算任务的截止时间;
步骤3.4,利用基于粒子群算法的资源分配算法确定MEC服务器的计算资源分配结果;
步骤3.5,通过奖励函数计算奖励值,并利用贝尔曼方程更新当前状态值表;其中,奖励函数为:
贝尔曼方程如下:
步骤3.6,判断是否达到最大第一迭代次数;若达到,则输出计算卸载决策以及MEC服务器的计算资源分配结果;否则,第一迭代次数I= I +1,返回步骤3.2。
进一步地,所述步骤3.4的方法如下:
步骤3.43,利用下列公式更新惯性因子:
步骤3.45,利用下列公式更新粒子群全局最优解:
步骤3.46,利用下列公式更新各个粒子的速度和位置:
步骤3.47,对于每一个粒子,判断若 ,则使;若,则使;由此对每一个粒子的局部最优解以及粒子群
的全局最优解进行更新;其中,表示采用值作为卸载决策所产生的能耗;表示采用值作为卸载决策所产生的能耗;表示采用值作
为卸载决策所产生的能耗;
有益效果:与现有技术相比,本发明技术方案具有以下有益技术效果:
(1)本发明针对工业物联网系统的特点构建了系统决策模型,基于Sarsa算法保守的特点对能耗优化问题进行了解耦,与现有技术相比,以较低的算法复杂度,同时完成了计算卸载决策优化和资源分配优化。
附图说明
图1是一种实施例下本发明一种基于工业物联网的节能计算卸载系统模型图;
图2是一种实施例下基于Sarsa算法得到工业物联网系统能耗最小化时工业设备的计算卸载决策流程图;
图3是一种实施例下基于粒子群算法的资源分配算法确定MEC服务器的计算资源分配结果流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于工业物联网的节能计算卸载方法,参考图1,该方法针对工业物联网的短程IIoT系统,该类系统一般覆盖范围为几百米,处于一个小区的覆盖范围内。
定义N为该IIoT系统中的工业设备数,在该IIoT系统所处的小区基站部署一代理MEC服务器用于该IIoT系统内计算卸载决策和资源分配的计算,由于工业物联网的工业设备具有低移动性的特点,假设该IIoT系统内的工业设备处于固定位置。在靠近工业设备的位置部署M个MEC服务器,尽量使得系统内N个工业设备距它们最近的MEC服务器距离相同,即尽量将MEC服务器部署在工业设备的中心位置,M可随着系统内任务流强度的大小适当变化,M个MEC与位于小区基站的代理MEC服务器通过有线链路连接。除基站部署的代理MEC外,其余MEC服务器不参与系统卸载决策的计算,但会实时的向位于基站的代理MEC发送和更新本地的CPU占用状态信息和周围工业设备的任务卸载请求信息。
所述节能计算卸载方法具体包括如下步骤:
定义为第j个工业设备的计算任务,表示第j个工业设备的计算任务数据量
大小,表示第j个工业设备完成计算任务所需的CPU周期总数,表示完成第j个工业设
备的计算任务的截止时间。定义表示系统的卸载策略,其中表示第j个工业设备的计算卸载策略,若,表
示第j个工业设备将计算任务卸载到第i个MEC服务器即卸载目标MEC服务器进行处理;若,表示第j个工业设备在本地执行计算任务。在选择执行计算卸载时,无论选择卸载
到哪一个MEC服务器,都会首先将计算任务发送到距离此工业设备最近的MEC服务器,然后
通过MEC服务器之间的有线链路转发送达目标MEC服务器。工业设备发送计算任务至MEC服
务器,需要通过相对应基站的子信道进行数据传输,因此,可以计算得到工业设备通过子信
道传输数据到MEC服务器的上行传输速率为:
所选定的计算卸载策略需要首先保证任务处理时间能够满足截止时间要求,任务处理时间主要由两部分构成:计算时延和传输时延。
计算卸载的传输时延由两部分构成,首先需要将计算任务通过无线链路传输到与该工业设备位置最近的MEC服务器,然后再通过有线链路将计算任务转发到目标MEC服务器,即传输时延为
其中,为第j个工业设备所对应的位置最近的MEC服务器与目标MEC服务器的
空间距离,u表示有线链路的信息传输速率,由于有线链路信息传输速率远远大于无线链路
信息传输速率,上式中的有线链路传输时间通常可以忽略不计。因此,计算卸载的处理
时延为
本方案的目标是减少工业设备的处理能耗,当工业设备选择于本地处理计算任务时,产生的能耗为
当工业设备选择计算卸载的方式时,工业设备能耗由传输能耗和待机能耗两部分组成。计算卸载时,工业设备首先将本地任务传输到对应的MEC服务器,这会产生传输能耗,之后,工业设备会保持待机状态等待回传结果,这会产生待机能耗,即
由此,得到的优化目标表示为
约束条件表示如下:
其中,约束用于保证工业设备从MEC服务器分配到的计算能力大于本地计算能
力,否则卸载过程没有意义;约束用于保证MEC服务器分配出去的计算能力之和不大于
自身拥有的计算能力;约束用于保证所选卸载决策和资源分配方案可以满足该任务的
截止时间要求。
这是一个NP-hard问题,问题中耦合着值为整数集合的卸载策略变量S和值为浮点数的资源分配变量。通常情况下,该优化目标方程无法求解。因此,考虑引入强化学习算法来解决这一问题。
Sarsa算法是一种经典的强化学习(RL)算法。与其他RL算法相同,在Sarsa算法中,会训练一个智能代理(Agent),Agent会通过与环境交互学习信息,寻找每个状态的最佳行动,不断从一个状态转变到另一个状态,在行动过程后,会根据环境信息获取对应的奖励值,通过这一步骤,Agent会得到一个每个状态所有可能行动的状态值表,即Q值表,通过反复执行这一过程,Agent将不断更新Q值表,使Q值表越来越接近真实的环境奖励值,通过Q值表的反复更新,Agent会在每一次寻找最佳行动时获得更准确的最优解。Sarsa算法与其他RL算法不同的是,Sarsa算法不是一个贪婪的RL算法,Sarsa算法在每一个迭代过程中通过采取的行动来更新Q值表,而非其他传统RL算法中依据最佳行动来更新Q值表。这一区别在于,其他传统的RL算法,在每一个迭代的过程中,是通过观测来更新Q值表,然后采取行为,而Sarsa算法则实际采取行为,然后更新Q值表,因此,Sarsa算法具有更加保守的特点,在迭代过程中,Sarsa算法中的Agent决策会逐渐趋向于最优决策但不是直接得出最优决策,基于此,作者利用Sarsa算法对原优化问题进行解耦,把原优化问题分解为卸载决策问题和资源分配问题两部分。
RL算法通常具有有限的状态空间和行为空间,这意味着通过RL算法一般只能解决解为整数类型的优化问题。如果使用RL算法解决解为浮点数类型的优化问题,需要对浮点数类型的解进行离散化,即用一足够小的单位变量对解进行量化,这一过程会极大的扩充系统的状态空间和行为空间,会带来庞大的系统复杂度和训练决策时间,在工业物联网环境中一般不支持量化带来的额外的时延和计算资源的负担。因此,基于以上特点,本发明采用Sarsa算法来求解优化问题中的卸载决策问题。
Sarsa算法中,需要确定3个关键要素,分别是优化问题中的环境状态、Agent的可
执行行为和环境对行为的评价奖励值。结合工业设备任务卸载决策问题的特点,将工业设
备卸载决策的集合设置为Agent的学习状态,即;将Agent可
执行的行为空间设置为,其中表示,
工业设备j的计算任务将在本地执行;则表示,工业设备j将计算任务卸载到第i个
MEC服务器处理。系统通过检测行为所产生的能源损耗确定每一步行为的奖励值,用于评判
Agent本次采取的行为,进而指导Agent的学习过程。据此,设置奖励函数为
基于贝尔曼方程,通过奖励值和行为更新Q值表,即
其中为折扣率,用于表示未来效益对当前状态值影响的衰减系数,用
来限定未来状态对当前状态的影响比例。其中,为学习率,用于表示Agent
在每一次行为中学习的比率,I为第一迭代次数,随着迭代次数的增加,学习率逐步提升,可
见。
参考图2,基于Sarsa的卸载决策算法如下:
for each episode:
产生0-1中的随机数q;
end if
更新Q值表:
end for
值得注意的是,Sarsa算法中包含着优化问题中的另一部分,资源分配问题。基于Sarsa算法保守的特点,在决策过程的每一轮迭代中,计算卸载决策S会向优化目标的方向逐步靠近,但相对保守,这使得系统有机会在决策过程中同时确定最优的资源分配策略,并且资源分配问题的求解过程不会受到决策过程的约束。
粒子群优化算法(PSO)是一种进化计算技术,其通过群体中个体之间的协作和信息共享来寻找最优解。粒子群算法的优势在于算法复杂度低,无过多冗余参数。粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟,每个粒子在搜索空间中单独的搜寻最优解,并将个体极值与整个粒子群中的其他粒子共享,粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置,最终粒子群逐步收敛到最优值。
其中是介于(0,1)之间的随机数,和是学习因子,通常,是惯性因子,其值非负,该值会影响算法的全局寻优能力和局部寻优能力,其值较大,全
局寻优能力强,其值较小,局部寻优能力强。为了获得更好的寻优能力,本发明采用动态的
线性递减权值,即
参考图3,基于粒子群算法的资源分配算法如下:
更新惯性权值:
更新全局最优解:
for i=1 to N:
end for
episode += 1
end while
由此,每一个粒子的局部最优解作为MEC服务器的计算资源分配结果输出。
Claims (8)
1.一种基于工业物联网的节能计算卸载方法,该方法基于短程工业物联网系统实现,所述系统包括N个工业设备和一个基站,设定各工业设备位置固定,同时系统中还部署M个MEC服务器,每个工业设备与其位置最近的MEC服务器的距离相同,并为所述基站部署一个代理MEC服务器,每个MEC服务器均与代理MEC服务器有线连接;
每个所述工业设备均有一个计算任务,且均能将计算任务卸载到MEC服务器或本地执行,所述MEC服务器不执行系统卸载决策的计算,但实时向代理MEC服务器发送和更新本地的CPU占用状态信息和工业设备的任务卸载请求信息,所述代理MEC服务器执行系统卸载决策的计算;其特征在于,所述节能计算卸载方法具体包括如下步骤:
步骤1,为系统计算工业设备本地执行计算任务时的时延与能耗,以及工业设备执行计算卸载时的时延与能耗;
步骤2,根据步骤1得到的工业设备本地执行计算任务时与计算卸载时的时延与能耗,为最小化系统的处理能耗,构建系统卸载决策的优化目标以及约束条件;
步骤3,利用Sarsa算法和粒子群算法求解系统卸载决策的优化目标,具体为利用Sarsa算法分析系统的环境信息、工业设备的任务卸载请求信息和MEC服务器的计算资源占用信息,通过状态值函数得到该系统能耗最小化时工业设备的计算卸载决策,并利用粒子群算法确定MEC服务器的计算资源分配结果。
4.根据权利要求1所述的一种基于工业物联网的节能计算卸载方法,其特征在于,所述
步骤1中,当工业设备执行计算卸载时,首先第j个工业设备将计算任务通过基站的子信道
发送至与该工业设备位置最近的MEC服务器,然后MEC服务器通过有线方式发送至由系统卸
载决策决定的卸载目标MEC服务器;执行计算卸载的时延包括传输时延与计算时延,所述传
输时延表示为: ;所述计算时延表示为:;得到工业设备执行计算卸
载时的时延为:;其中,表示第j个工业设备执行计算卸载时的时延,表示第j个工业设备的计算任务数据量大小,表示第j个工业设备完成计算任务所需
的CPU周期总数,表示第i个MEC服务器的计算资源分配,具体为分配给第j个工业设备
的计算能力,表示第j个工业设备通过基站的子信道发送至与该工业设备位置最近的
MEC服务器的上行传输速率,且
6.根据权利要求1所述的一种基于工业物联网的节能计算卸载方法,其特征在于,所述步骤2中,系统卸载决策的优化目标表示如下:
约束条件表示如下:
式中,表示系统的计算卸载决策,表示第j个工业设
备本地执行计算任务时的能耗,表示第j个工业设备执行计算卸载时的能耗,表示
第i个MEC服务器的计算资源分配,具体为分配给第j个工业设备的计算能力,表示第j个
工业设备计算每比特所需的CPU转数,表示第i个MEC服务器自身的计算资源,表
示第j个工业设备本地执行计算任务时的计算时延,表示第j个工业设备执行计算卸载
时的时延,表示完成第j个工业设备的计算任务的截止时间,表示第j个工业设备的
权重,和 表示卸载决策,且满足:
7.根据权利要求1所述的一种基于工业物联网的节能计算卸载方法,其特征在于,所述步骤3的方法如下:
将系统的计算卸载决策设置为智能体Agent的学习状
态,将智能体Agent可执行的行为空间设置为,
其中,,表示第j个工业设备的计算卸载决策,表示第j个工业设备的计算
卸载决策行为,若 ,表示第j个工业设备将计算任务卸载到第i个MEC
服务器进行处理;若 ,表示第j个工业设备在本地执行计算任务;智能体Agent的学
习状态和可执行的行为空间构成状态值表,所述状态值表 通过奖励值
和当前状态下的行为进行更新,具体如下:
其中,表示第j个工业设备计算每比特所需的CPU转数,表示第j个工业设备的传
输功率,表示第j个工业设备和与该工业设备位置最近的MEC服务器之间的信道增益,
表示第j个工业设备的计算任务数据量大小,表示第j个工业设备完成计算任务所需的
CPU周期总数,表示完成第j个工业设备的计算任务的截止时间;
步骤3.4,利用基于粒子群算法的资源分配算法确定MEC服务器的计算资源分配结果;
步骤3.5,通过奖励函数计算奖励值,并利用贝尔曼方程更新当前状态值表;其中,奖励函数为:
贝尔曼方程如下:
步骤3.6,判断是否达到最大第一迭代次数;若达到,则输出计算卸载决策以及MEC服务器的计算资源分配结果;否则,第一迭代次数I= I +1,返回步骤3.2。
8.根据权利要求7所述的一种基于工业物联网的节能计算卸载方法,其特征在于,所述步骤3.4的方法如下:
步骤3.42,初始化每个粒子的位置 和速度 ,更新局部最优解 ,并
更新粒子群全局最优解 ;其中 表示第i个粒子的局部最优
解;表示粒子群的全局最优解;表示第i个粒子的位置; 表示第i个粒子的速
度;
步骤3.43,利用下列公式更新惯性因子:
步骤3.45,利用下列公式更新粒子群全局最优解:
步骤3.46,利用下列公式更新各个粒子的速度和位置:
步骤3.47,对于每一个粒子,判断若 ,则使 ;若 ,则使 ;由此对每一个粒子的局部最
优解以及粒子群的全局最优解进行更新;其中,表示采用值作为卸载决策所产生
的能耗;表示采用 值作为卸载决策所产生的能耗; 表
示采用值作为卸载决策所产生的能耗;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132240.3A CN113573342B (zh) | 2021-09-27 | 2021-09-27 | 一种基于工业物联网的节能计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111132240.3A CN113573342B (zh) | 2021-09-27 | 2021-09-27 | 一种基于工业物联网的节能计算卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113573342A true CN113573342A (zh) | 2021-10-29 |
CN113573342B CN113573342B (zh) | 2021-12-07 |
Family
ID=78174663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111132240.3A Active CN113573342B (zh) | 2021-09-27 | 2021-09-27 | 一种基于工业物联网的节能计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113573342B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116647880A (zh) * | 2023-07-26 | 2023-08-25 | 国网冀北电力有限公司 | 面向差异化电力业务的基站协作边缘计算卸载方法和装置 |
CN116938835A (zh) * | 2023-09-18 | 2023-10-24 | 北京交通大学 | 工业物联网场景下的带宽资源分配方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109413724A (zh) * | 2018-10-11 | 2019-03-01 | 重庆邮电大学 | 一种基于mec的任务卸载和资源分配方案 |
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 |
CN109951897A (zh) * | 2019-03-08 | 2019-06-28 | 东华大学 | 一种能耗与延迟约束下的mec卸载方法 |
CN111586720A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 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 |
-
2021
- 2021-09-27 CN CN202111132240.3A patent/CN113573342B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109413724A (zh) * | 2018-10-11 | 2019-03-01 | 重庆邮电大学 | 一种基于mec的任务卸载和资源分配方案 |
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 |
CN109951897A (zh) * | 2019-03-08 | 2019-06-28 | 东华大学 | 一种能耗与延迟约束下的mec卸载方法 |
CN111586720A (zh) * | 2020-05-11 | 2020-08-25 | 重庆邮电大学 | 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 |
Non-Patent Citations (1)
Title |
---|
王登辉: "面向物联网的移动边缘计算任务卸载方法研究", 《内江师范学院学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116647880A (zh) * | 2023-07-26 | 2023-08-25 | 国网冀北电力有限公司 | 面向差异化电力业务的基站协作边缘计算卸载方法和装置 |
CN116647880B (zh) * | 2023-07-26 | 2023-10-13 | 国网冀北电力有限公司 | 面向差异化电力业务的基站协作边缘计算卸载方法和装置 |
CN116938835A (zh) * | 2023-09-18 | 2023-10-24 | 北京交通大学 | 工业物联网场景下的带宽资源分配方法及电子设备 |
CN116938835B (zh) * | 2023-09-18 | 2023-11-17 | 北京交通大学 | 工业物联网场景下的带宽资源分配方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113573342B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434212B (zh) | 基于元强化学习的缓存辅助任务协作卸载与资源分配方法 | |
CN113873022A (zh) | 一种可划分任务的移动边缘网络智能资源分配方法 | |
Wu et al. | Deep reinforcement learning-based computation offloading for 5G vehicle-aware multi-access edge computing network | |
CN113573342B (zh) | 一种基于工业物联网的节能计算卸载方法 | |
Yao et al. | Caching in dynamic IoT networks by deep reinforcement learning | |
Wu et al. | Mobility-aware deep reinforcement learning with glimpse mobility prediction in edge computing | |
CN114340016B (zh) | 一种电网边缘计算卸载分配方法及系统 | |
Chen et al. | Cache-assisted collaborative task offloading and resource allocation strategy: A metareinforcement learning approach | |
CN115037751B (zh) | 一种无人机辅助的异构车联网任务迁移与资源分配方法 | |
CN116390161A (zh) | 一种移动边缘计算中基于负载均衡的任务迁移方法 | |
CN114564312A (zh) | 一种基于自适应深度神经网络的云边端协同计算方法 | |
CN114385272B (zh) | 面向海洋任务的在线自适应计算卸载方法及系统 | |
Sellami et al. | Deep reinforcement learning for energy-efficient task scheduling in SDN-based IoT network | |
US20230189075A1 (en) | Wireless communication network resource allocation method with dynamic adjustment on demand | |
CN117580105B (zh) | 一种面向电网巡检的无人机任务卸载优化方法 | |
Yan et al. | Optimizing mobile edge computing multi-level task offloading via deep reinforcement learning | |
Li | Optimization of task offloading problem based on simulated annealing algorithm in MEC | |
Li et al. | DQN-based computation-intensive graph task offloading for internet of vehicles | |
CN113821346A (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
CN117560724A (zh) | 联邦学习的参与者选择与资源分配联合优化方法及系统 | |
CN117369964A (zh) | 边缘计算系统的任务处理方法及相关装置 | |
CN111611069A (zh) | 多数据中心间多类型任务迁移方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN113342529B (zh) | 基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法 | |
Sang et al. | A Hybrid Heuristic Service Caching and Task Offloading Method for Mobile Edge Computing. |
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 |