CN113783959B - 一种车联网联合优化计算任务卸载比率和资源分配方法 - Google Patents

Abstract

本发明公开了一种车联网联合优化计算任务卸载比率和资源分配方法，应用于车联网系统，方法包括步骤：确定优化平均开销的目标函数及约束条件；平均开销根据所有计算任务的卸载比率和计算资源分配信息确定，卸载比率为车辆将计算任务卸载至服务器的比率，计算资源分配信息为服务器对卸载的计算任务分配计算资源的信息；在约束条件下，基于凸优化法对目标函数进行优化，得到优化的计算资源分配信息；并基于蝴蝶优化法分别对目标函数进行优化，得到优化的卸载比率。基于凸优化法，优化得到优化的计算资源分配信息，并基于蝴蝶优化法，优化得到优化的卸载比率，充分利用车辆和服务器的资源，提高计算任务的计算效率，使得卸载比率、资源分配更合理。

Description

一种车联网联合优化计算任务卸载比率和资源分配方法

技术领域

本发明涉及车联网移动边缘计算领域，尤其涉及的是一种车联网联合优化计算任务卸载比率和资源分配方法。

背景技术

随着5G技术的兴起，车联网作为其代表性场景之一，开发了各类新颖的车载服务，例如交互式游戏、增强现实、行驶安全这类实时性要求高的应用。由于车辆自身资源有限，传统的车联网将计算卸载到云端，但远距离地传输会造成额外的时延。移动边缘计算应用而生。MEC服务器将计算下沉至路边单元，可以更好的为车辆用户提供低时延、高带宽、实时的网络服务。

现有技术中，大多数都是完全卸载，并且只考虑了以时延为优化目标，在卸载决策、资源分配方面出现不合理的问题。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种车联网联合优化计算任务卸载比率和资源分配方法，旨在解决现有技术中车联网的卸载决策、资源分配方面出现不合理的问题。

本发明解决技术问题所采用的技术方案如下：

一种车联网联合优化计算任务卸载比率和资源分配方法，其中，应用于车联网系统，所述车联网系统包括：

若干个车辆，所述车辆为行驶在道路上并携带有计算任务的车；

若干个服务器，依次设置于所述道路上；

其中，所述车辆与若干个服务器中的一个服务器通信连接；

所述方法包括步骤：

确定优化平均开销的目标函数及约束条件；其中，所述平均开销根据所有所述计算任务的卸载比率和计算资源分配信息确定，所述卸载比率为所述车辆将所述计算任务卸载至所述服务器的比率，所述计算资源分配信息为所述服务器对卸载的计算任务分配计算资源的信息；

在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息；

在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率。

所述的方法，其中，每个计算任务的开销根据该计算任务的总时延和该计算任务的总能耗确定；

所述总时延为车辆计算时延、服务器计算时延中的最大值，所述服务器计算时延为传输时延和处理时延之和；

所述总能耗为车辆计算能耗和卸载能耗之和。

所述的方法，其中，所述目标函数为：

其中，θ_i表示第i个计算任务的卸载比率，f_mi表示第i个计算任务的计算资源分配信息，argmin(·)表示使函数取最小值时的自变量，N表示计算任务的数量，∑表示求和操作，λ_i表示第i个计算任务的权重因子，C_i表示完成第i个计算任务所需的CPU周期数，f_v表示车辆的计算能力值，D_i表示第i个计算任务的输入数据的大小，R_ij表示第i个计算任务卸载到第j个服务器的数据传输速率，κ表示依赖于芯片结构的有效开电容，P_i表示车辆的发射功率。

所述的方法，其中，所述约束条件为：

0≤θ_i≤1

其中，x_i表示第i个计算任务所卸载到的服务器的编号，f_mmax表示服务器的总的计算资源，T_i表示第i个计算任务的总时延，

表示最大可容忍时延。

所述的方法，其中，所述车辆到与该车辆对应的服务器的通信链路为频率平坦型快衰落的瑞利信道；

所述数据传输速率为：

G_i＝10^-u/10

u＝127+30logd_i(t)

当所述车辆进入对应的服务器的覆盖范围时，

当所述车辆离开对应的服务器的覆盖范围时，

其中，B_V2I表示车辆与对应的服务器之间的带宽大小，G_i表示携带第i个计算任务的车辆与对应的服务器之间的信道增益，σ²表示信道内的高斯白噪声，u表示车辆的信道衰减值，d_i(t)表示携带第i个计算任务的车辆与对应的服务器的覆盖范围中心之间的距离，e表示车辆的行驶路线与对应的服务器的覆盖范围中心之间的距离，s表示车辆的行驶路线在服务器的覆盖范围的总弦长，t_stay表示车辆从初始位置到离开对应的服务器的覆盖范围的时间，t表示时间，v_i表示携带第i个计算任务的车辆的速度。

所述的方法，其中，所述服务器为移动边缘计算服务器，所述车辆与对应的服务器基于5G通信连接。

所述的方法，其中，所述在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息，包括：

对优化问题进行初始化，以使车辆计算频率在0.9-1.1GHz均匀随机分布，卸载计算频率在0.9-1.1GHz均匀随机分布，卸载比率在0-1之间均匀随机分布；

通过凸优化算法对所述目标函数进行优化，得到优化的计算资源分配信息

所述的方法，其中，所述在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率，包括：

初始化蝴蝶种群个数M，最大迭代次数N；

计算每只蝴蝶的刺激强度和个体适应度值，找到最优解；

产生0-1之间的随机数；

若所述随机数小于预设阈值，则采用全局搜索，低浓度香味的蝴蝶个体将飞向浓度最佳的蝴蝶，全局搜索的公式如下:

其中，

分别表示第i只蝴蝶在第t次、t+1次迭代中的解向量；r是[0，1]的随机数；g^*为当前迭代中的最优解；

为第i只蝴蝶的个体适应度值；

若所述随机数大于预设阈值，则采用局部搜索，局部搜索的公式如下：

其中，

分别表示在t次迭代中，从种群内部随机选择的第j、k个个体的解向量；

判断迭代次数是否达到最大迭代次数，若是则输出当前最优解作为优化的卸载比率，若否则继续执行计算每只蝴蝶的刺激强度和个体适应度值，找到最优解的步骤，直至迭代次数达到最大迭代次数。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

有益效果：基于凸优化法，优化得到优化的计算资源分配信息，并基于蝴蝶优化法，优化得到优化的卸载比率，充分利用车辆和服务器的资源，提高计算任务的计算效率，从而使得卸载比例、资源分配更合理。

附图说明

图1是本发明实施例中车联网联合优化计算任务卸载比率和资源分配方法的流程图。

图2是本发明实施例中车联网系统示意图。

图3是本发明实施例中不同算法下，系统时延与任务所需计算量大小的曲线图。

图4是本发明实施例中不同算法下，系统能耗与任务所需计算量大小的曲线图。

图5是本发明实施例中不同算法下，系统代价与任务所需计算量大小的曲线图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请同时参阅图1-图5，本发明提供了一种车联网联合优化计算任务卸载比率和资源分配方法的一些实施例。

如图2所示，本发明提供了一种车联网系统，包括：

若干个车辆，所述车辆为行驶在道路上并携带有计算任务的车；

若干个服务器，依次设置于所述道路上；

其中，所述车辆与若干个服务器中的一个服务器通信连接。

值得说明的是，车辆可以是至少一辆，服务器可以是至少一个，当车辆行驶在道路上时，会进入到服务器的覆盖范围内，则车辆可以与服务器建立通信连接，从而实现车联网。车辆携带有计算任务，通常一辆车携带一个计算任务，因此，有多少车辆，就有多少计算任务。计算任务的编号为i，i＝{1,2,...,N}，N表示计算任务的数量，当然也可以将作为车辆的编号，车辆的的数量为N。服务器的编号为j，j＝{1,2,...,J}，所述服务器为移动边缘计算(MEC)服务器，则第j个MEC服务器可以表示为mec_j。

服务器可以部署在路边单元RSU上，路边单元是指车联网中部署在路边进行辅助通信的设施，路边单元RSU还可以包括其它器件，如DSRC模组，4G模组，LTE-V模组以及GPS/北斗模组等。

在本发明实施例的一个较佳实现方式中，如图2所示，所述车辆与对应的服务器基于5G通信连接。具体地，车辆与对应的服务器采用5G通信连接。

本发明公开了一种联合凸优化和蝴蝶算法的优化方案(CON-BOA)，用来解决基于移动边缘计算的车联网卸载比率和资源分配，具体步骤包括：(1)建立包括车辆、路边单元RSU、MEC服务器的车联网通信场景。(2)考虑任务的数据量大小、最大容忍时延，将车辆的任务采取部分卸载策略，让车辆与MEC并行处理任务。(3)分别计算出本地、MEC服务器处理的时延、能耗和代价。(4)利用蝴蝶算法以优化代价为目标得到较优的卸载比率。(5)获得卸载比率后，利用凸优化解决资源分配问题。(6)实验结果表明本发明提出的CON-BOA方案对任务的时延、能耗代价方面的有效性和优越性。

如图1所示，本发明实施例所述一种车联网联合优化计算任务卸载比率和资源分配方法，应用于上述车联网系统，方法包括以下步骤：

步骤S100、确定优化平均开销的目标函数及约束条件；其中，所述平均开销根据所有所述计算任务的卸载比率和计算资源分配信息确定，所述卸载比率为所述车辆将所述计算任务卸载至所述服务器的比率，所述计算资源分配信息为所述服务器对卸载的计算任务分配计算资源的信息。

具体地，确定优化平均开销的目标函数及约束条件，实际上是要建立优化模型，具体分为系统模型、通信模型、计算模型、问题模型。

系统模型

J个配置MEC服务器的RSU均匀地分布在道路上，一个路边单元RSU配置一个MEC服务器。假定有N台车辆随机分布在单向直线道路上，且各自携带一个计算任务，设共携带N个计算任务，每个任务表示为

(i＝{1,2,...,N})，其中D_i表示第i个计算任务的输入数据的大小，单位是比特。C_i表示完成第i个计算任务所需的CPU周期数，

表示第i个计算任务的最大容忍时延。此外，由于计算任务是计算密集型任务，且可以分割成两部分，分别在MEC服务器和车辆(具体为车载设备)并行执行，从而提高处理效率，充分利用车辆、服务器的资源。设θ_i表示第i个计算任务的卸载比率，即第i个计算任务中边缘执行与总任务的比值，也就是说，将第i个计算任务分成两部分，第一部分卸载至服务器执行，第二部分在车辆上执行，第一部分占第i个计算任务的比值为θ_i，则1-θ_i是车辆(本地)执行所占的比值，其中0≤θ_i≤1，当θ_i＝1时表示第i个计算任务全部在MEC服务器执行，当θ_i＝0时表示第i个计算任务全部在车辆(本地)执行。

通信模型

车辆与路边单元RSU之间的通信是通过直连的无线链路进行的，车辆到RSU的上传链路设定为频率平坦型快衰落的瑞利信道，则车辆到与该车辆对应的服务器的通信链路为频率平坦型快衰落的瑞利信道。根据香农公式可以计算出上传链路的传输速率为：

G_i＝10^-u/10

u＝127+30logd_i(t)

当所述车辆进入对应的服务器的覆盖范围时，

当所述车辆离开对应的服务器的覆盖范围时，

其中，R_ij表示第i个计算任务卸载到第j个服务器的数据传输速率，B_V2I表示车辆与对应的服务器之间的带宽大小，G_i表示携带第i个计算任务的车辆与对应的服务器之间的信道增益，P_i表示车辆的发射功率，σ²表示信道内的高斯白噪声，u表示车辆的信道衰减值，d_i(t)表示携带第i个计算任务的车辆与对应的服务器的覆盖范围中心之间的距离，e表示车辆的行驶路线与对应的服务器的覆盖范围中心之间的距离，s表示车辆的行驶路线在服务器的覆盖范围的总弦长，t_stay表示车辆从初始位置到离开对应的服务器的覆盖范围的时间，t表示时间，v_i表示携带第i个计算任务的车辆的速度。

为了简化模型，车辆以恒定速度v_i行驶，由于车辆的移动性，使得车辆与服务器的覆盖范围中心的距离d_i(t)会随时间t发生变化，具体通过勾股定理计算d_i(t)，服务器的覆盖范围为圆，车辆的行驶路线经过该圆，并形成圆的弦，总弦长为s，经过圆心并垂直于弦的线段为高，高的长度，即圆的弦与圆心之间的距离为e，车辆到高(即经过圆心并垂直于弦的线段)的距离为

则可以计算得到

为了进一步简化，采用平均上传速率

表示车辆将计算任务卸载到服务器的传输速率R_ij，由于弦均分成两部分，各部分的长度均为

车辆进入对应的服务器的覆盖范围是指车辆处于弦的第一部分上，则车辆除了行驶完弦的第一部分，还需要继续行驶弦的第二部分，才能驶出这一服务器的覆盖范围。车辆离开对应的服务器的覆盖范围是指车辆处于弦的第二部分，只需要行驶完弦的第二部分，就驶出这一服务器的覆盖范围。

计算模型

计算任务的处理分为数据传输和数据计算两部分，车辆直接通过无线链路进行通信的服务器为该车辆对应的服务器，车辆卸载计算任务至当前覆盖范围的服务器，服务器计算出结果后立刻返回给车辆，由于计算任务的输入数据量远大于输出结果的数据量，比如虚拟现实和增强现实应用，因此可以忽略返回任务结果的时间。

平均开销为所有计算任务的开销之和与计算任务的数量的商值。平均开销为：

其中，

表示平均开销，N表示计算任务的数量，∑表示求和操作，

表示第i个计算任务的开销。

每个计算任务的开销根据该计算任务的总时延和该计算任务的总能耗确定，具体地，第i个计算任务的开销为：

λ_i∈[0,1]

其中，λ_i表示第i个计算任务的权重因子，T_i表示第i个计算任务的总时延，E_i表示第i个计算任务的总能耗。

所述总时延为车辆计算时延、服务器计算时延中的最大值，具体地，第i个计算任务的总时延为：

其中，

表示第i个计算任务的车辆计算时延，

表示第i个计算任务的服务器计算时延。

车辆计算时延根据计算任务的卸载比率、完成计算任务所需的CPU周期数以及车辆的计算能力值确定，不需要考虑传输时延，具体地，第i个计算任务的车辆计算时延为：

其中，θ_i表示第i个计算任务的卸载比率，C_i表示完成第i个计算任务所需的CPU周期数，f_v表示车辆的计算能力值。

所述服务器计算时延为传输时延和处理时延之和，具体地，第i个计算任务的服务器计算时延为：

其中，

表示第i个计算任务在第j个服务器上的传输时延，

表示第i个计算任务在第j个服务器上的的处理时延。

传输时延根据计算任务的卸载比率、计算任务的输入数据的大小以及数据传输速率确定，具体地，第i个计算任务在第j个服务器上的的传输时延为：

其中，θ_i表示第i个计算任务的卸载比率，D_i表示第i个计算任务的输入数据的大小，R_ij表示第i个计算任务卸载到第j个服务器的数据传输速率。

处理时延根据计算任务的卸载比率、完成计算任务所需的CPU周期数以及第i个计算任务的计算资源分配信息确定，具体地，第i个计算任务在第j个服务器上的处理时延为：

其中，θ_i表示第i个计算任务的卸载比率，C_i表示完成第i个计算任务所需的CPU周期数，f_mi表示第i个计算任务的计算资源分配信息。

所述总能耗为车辆计算能耗和卸载能耗之和。具体地，第i个计算任务的总能耗为：

其中，

表示第i个计算任务的车辆计算能耗，

表示第i个计算任务的卸载能耗。

车辆计算能耗根据依赖于芯片结构的有效开电容、车辆的计算能力值、卸载比率以及完成计算任务所需的CPU周期数确定，具体地，第i个计算任务的车辆计算能耗为：

其中，κ表示依赖于芯片结构的有效开电容，f_v表示车辆的计算能力值(具体为CPU频率，即CPU一秒中执行的计算周期数)，θ_i表示第i个计算任务的卸载比率，C_i表示完成第i个计算任务所需的CPU周期数。

表示执行一个CPU周期的能量消耗。

卸载能耗根据车辆的发射功率、卸载比率、输入数据的大小以及数据传输速率确定，具体地，第i个计算任务的卸载能耗为：

其中，P_i表示车辆的发射功率，θ_i表示第i个计算任务的卸载比率，D_i表示第i个计算任务的输入数据的大小，R_ij表示第i个计算任务卸载到第j个服务器的数据传输速率。

问题模型

由于计算任务在车辆和对应的服务器上是并行处理的，对时延和能耗的联合优化问题转化为对平均开销的优化问题，对开销的优化问题中，需要在约束条件下，最小化平均开销，具体地，在约束条件下，通过优化计算资源分配信息和卸载比率以最小化平均开销，在平均开销取最小值时，得到优化的计算资源分配信息和优化的卸载比率。

所述目标函数为：

其中，(θ_i,f_mi)表示优化的计算资源分配信息和优化的卸载比率，θ_i表示第i个计算任务的卸载比率，f_mi表示第i个计算任务的计算资源分配信息，argmin(·)表示使函数取最小值时的自变量，N表示计算任务的数量，∑表示求和操作，λ_i表示第i个计算任务的权重因子，C_i表示完成第i个计算任务所需的CPU周期数，f_v表示车辆的计算能力值，D_i表示第i个计算任务的输入数据的大小，R_ij表示第i个计算任务卸载到第j个服务器的数据传输速率，κ表示依赖于芯片结构的有效开电容，P_i表示车辆的发射功率。

所述约束条件为：

C2:0≤θ_i≤1

其中，x_i表示第i个计算任务所卸载到的服务器的编号，f_mmax表示服务器的总的计算资源，T_i表示第i个计算任务的总时延，

表示最大可容忍时延。在约束条件中，C1表示每个任务只能卸载至一个服务器，不能同时卸载至两个服务器。需要说明的是，多个计算任务可以卸载到一个服务器上。C2表示卸载比率在0-1之间。C3表示申请某一个MEC的计算资源不能超过总的计算资源。C4表示每个任务的完成时延不能超过最大可容忍时延。

具体地，联合优化卸载比率和资源分配问题属于典型的NP难。我们将问题拆成两个子问题分别求解。利用蝴蝶优化算法求解卸载比例，利用凸优化求解资源分配。

优化问题中对时延和能耗的优化问题，是一个多目标优化问题。本发明将二者联合优化，将对时延和能耗的优化问题转换为对开销的优化。该优化问题可以分解为计算资源分配问题和任务卸载比例优化问题经过数学证明，计算资源分配问题是一个凸优化问题，通过凸优化算法对其进行求解。采用蝴蝶算法对任务卸载比例优化问题进行进行求解。蝴蝶算法中的蝴蝶个体代表计算任务的卸载比例，适应度函数表示当前任务卸载比例下，系统的平均开销。通过凸优化-蝴蝶算法，能够求解计算资源分配方案和计算任务卸载比例，使得系统的平均开销最小，进而平均时延和平均能耗最小。

步骤S200、在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息。

具体地，步骤S200包括：

步骤S210、对优化问题进行初始化，以使车辆计算频率在0.9-1.1GHz均匀随机分布，卸载计算频率在0.9-1.1GHz均匀随机分布，卸载比率在0-1之间均匀随机分布；

步骤S220、通过凸优化算法对所述目标函数进行优化，得到优化的计算资源分配信息

具体地，先进行初始化，将车辆计算频率、卸载计算频率以及卸载比率均匀随机分布，并采用凸优化算法对目标函数进行优化，得到优化的计算资源分配信息

步骤S300、在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率。

具体地，步骤S300具体包括：

步骤S310、初始化蝴蝶种群个数，最大迭代次数；

步骤S320、计算每只蝴蝶的刺激强度和个体适应度值，找到最优解；

步骤S330、产生0-1之间的随机数；

步骤S340、若所述随机数小于预设阈值，则采用全局搜索，低浓度香味的蝴蝶个体将飞向浓度最佳的蝴蝶，全局搜索的公式如下:

其中，

分别表示第i只蝴蝶在第t次、t+1次迭代中的解向量；r是[0，1]的随机数；g^*为当前迭代中的最优解；

为第i只蝴蝶的个体适应度值；

步骤S350、若所述随机数大于预设阈值，则采用局部搜索，局部搜索的公式如下：

其中，

分别表示在t次迭代中，从种群内部随机选择的第j、k个个体的解向量；

步骤S360、判断迭代次数是否达到最大迭代次数，若是则输出当前最优解作为优化的卸载比率，若否则继续执行计算每只蝴蝶的刺激强度和个体适应度值，找到最优解的步骤，直至迭代次数达到最大迭代次数。

具体地，初始化蝴蝶种群个数为30，迭代次数为500，预设阈值为0.8。采用随机数与预设阈值进行比较可减少外界环境因素的影响。每只蝴蝶代表一个服务器，利用蝴蝶优化法进行优化，得到优化的卸载比率。

本发明相对于现有的研究具有以下优点：

(1)面对MEC有限的计算资源，公开了一种联合优化计算任务卸载比率和资源分配的方案。

(2)寻找一个较优的卸载比率，在5G通信下，使车辆和MEC服务器并行处理，既可以充分利用车辆的计算资源，也可以节省有限的MEC计算资源

(3)提出的蝴蝶-凸优化方案，在时延、能耗、代价取得较好的优越性。

为了消除随机性，经过10次实验，取得平均结果，从图3可以看出，在时延优化方面，任务的规模越大，任务复杂度越高，产生的时延也越大。两种卸载方案的时延都要小于本地计算，且随着任务所需计算量越大，本发明所提出的卸载算法比随机卸载算法，在时延优化方面表现优秀。

从图4可以看出，在能耗优化方面，随着任务计算量的增加，系统产生的能耗增加。本发明提出的方法，相比于两种对比方法，能耗低，且随着任务计算量的增加，本发明提出的算法优势愈加明显。

从图5可以看出，随着任务所需计算量的增大，系统的开销也在增大。而二种移动边缘计算卸载方案的开销要明显小于本地计算。这说明引入移动边缘计算对车联网发展的必要性。同时，本发明提出的凸优化-蝴蝶方案在开销方面具有明显的优越性。

基于上述任意实施例所述的车联网联合优化计算任务卸载比率和资源分配方法，本发明还提供了一种计算机设备的较佳实施例：

计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

确定优化平均开销的目标函数及约束条件；其中，所述平均开销根据所有所述计算任务的卸载比率和计算资源分配信息确定，所述卸载比率为所述车辆将所述计算任务卸载至所述服务器的比率，所述计算资源分配信息为所述服务器对卸载的计算任务分配计算资源的信息；

在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息；

在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率。

基于上述任意实施例所述的车联网联合优化计算任务卸载比率和资源分配方法，本发明还提供了一种计算机可读存储介质的较佳实施例：

计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

确定优化平均开销的目标函数及约束条件；其中，所述平均开销根据所有所述计算任务的卸载比率和计算资源分配信息确定，所述卸载比率为所述车辆将所述计算任务卸载至所述服务器的比率，所述计算资源分配信息为所述服务器对卸载的计算任务分配计算资源的信息；

在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息；

在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种车联网联合优化计算任务卸载比率和资源分配方法，其特征在于，应用于车联网系统，所述车联网系统包括：

若干个车辆，所述车辆为行驶在道路上并携带有计算任务的车；

若干个服务器，依次设置于所述道路上；

其中，所述车辆与若干个服务器中的一个服务器通信连接；

所述方法包括步骤：

确定优化平均开销的目标函数及约束条件；其中，所述平均开销根据所有所述计算任务的卸载比率和计算资源分配信息确定，所述卸载比率为所述车辆将所述计算任务卸载至所述服务器的比率，所述计算资源分配信息为所述服务器对卸载的计算任务分配计算资源的信息；

在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息；

在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率；

所述目标函数为：

其中，θ_i表示第i个计算任务的卸载比率，f_mi表示第i个计算任务的计算资源分配信息，argmin(·)表示使函数取最小值时的自变量，N表示计算任务的数量，∑表示求和操作，λ_i表示第i个计算任务的权重因子，C_i表示完成第i个计算任务所需的CPU周期数，f_v表示车辆的计算能力值，D_i表示第i个计算任务的输入数据的大小，R_ij表示第i个计算任务卸载到第j个服务器的数据传输速率，κ表示依赖于芯片结构的有效开电容，P_i表示车辆的发射功率；

所述约束条件为：

x_i∈{0,1,…,J},

0≤θ_i≤1

T_i≤T_i ^max

其中，x_i表示第i个计算任务所卸载到的服务器的编号，f_{m max}表示服务器的总的计算资源，T_i表示第i个计算任务的总时延，T_i ^max表示最大可容忍时延。

2.根据权利要求1所述的方法，其特征在于，每个计算任务的开销根据该计算任务的总时延和该计算任务的总能耗确定；

所述总时延为车辆计算时延、服务器计算时延中的最大值，所述服务器计算时延为传输时延和处理时延之和；

所述总能耗为车辆计算能耗和卸载能耗之和。

3.根据权利要求2所述的方法，其特征在于，所述车辆到与该车辆对应的服务器的通信链路为频率平坦型快衰落的瑞利信道；

所述数据传输速率为：

G_i＝10^-u/10

u＝127+30log d_i(t)

当所述车辆进入对应的服务器的覆盖范围时，

当所述车辆离开对应的服务器的覆盖范围时，

其中，B_V2I表示车辆与对应的服务器之间的带宽大小，G_i表示携带第i个计算任务的车辆与对应的服务器之间的信道增益，σ²表示信道内的高斯白噪声，u表示车辆的信道衰减值，d_i(t)表示携带第i个计算任务的车辆与对应的服务器的覆盖范围中心之间的距离，e表示车辆的行驶路线与对应的服务器的覆盖范围中心之间的距离，s表示车辆的行驶路线在服务器的覆盖范围的总弦长，t_stay表示车辆从初始位置到离开对应的服务器的覆盖范围的时间，t表示时间，v_i表示携带第i个计算任务的车辆的速度。

4.根据权利要求1所述的方法，其特征在于，所述服务器为移动边缘计算服务器，所述车辆与对应的服务器基于5G通信连接。

5.根据权利要求1所述的方法，其特征在于，所述在所述约束条件下，基于凸优化法对所述目标函数进行优化，得到优化的计算资源分配信息，包括：

对优化问题进行初始化，以使车辆计算频率在0.9-1.1GHz均匀随机分布，卸载计算频率在0.9-1.1GHz均匀随机分布，卸载比率在0-1之间均匀随机分布；

通过凸优化算法对所述目标函数进行优化，得到优化的计算资源分配信息

6.根据权利要求5所述的方法，其特征在于，所述在所述约束条件下，基于蝴蝶优化法分别对所述目标函数进行优化，得到优化的卸载比率，包括：

初始化蝴蝶种群个数，最大迭代次数；

计算每只蝴蝶的刺激强度和个体适应度值，找到最优解；

产生0-1之间的随机数；

若所述随机数小于预设阈值，则采用全局搜索，低浓度香味的蝴蝶个体将飞向浓度最佳的蝴蝶，全局搜索的公式如下:

其中，x_i ^t、x_i ^t+1分别表示第i只蝴蝶在第t次、t+1次迭代中的解向量；r是[0，1]的随机数；g^*为当前迭代中的最优解；

为第i只蝴蝶的个体适应度值；

若所述随机数大于预设阈值，则采用局部搜索，局部搜索的公式如下：

其中，x_j ^t、x_k ^t分别表示在t次迭代中，从种群内部随机选择的第j、k个个体的解向量；

判断迭代次数是否达到最大迭代次数，若是则输出当前最优解作为优化的卸载比率，若否则继续执行计算每只蝴蝶的刺激强度和个体适应度值，找到最优解的步骤，直至迭代次数达到最大迭代次数。

7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images