CN114172962B - 面向工业agv的双向选择边缘计算服务分配方法 - Google Patents

Abstract

本发明提供一种面向工业AGV的双向选择边缘计算服务分配方法，包括：基于服务热度和齐夫定律确定网络内每个RU的服务类型；基于RU间的服务热度相似性对网络所有RU进行区域划分得到工作区域集合；AGV侧首先基于工作任务要求向RU侧发出正向的服务请求；RU侧随即从全网资源最优分配角度反向选择AGV；若AGV接收到RU候选队列中所有RU的反馈信息均为服务失败，将该服务请求发送至云端。本发明统筹服务内容匹配、用户延迟极限、计算与通信资源等要素，能够解决智能工厂、港口等场景下边缘计算网络中有限资源以最优匹配方式动态分配给AGV服务请求的问题，同时本发明采用AGV‑RU正反双向选择的策略，可解决用户和运营商在服务体验与经济效益最大化方面博弈的折中问题。

Description

面向工业AGV的双向选择边缘计算服务分配方法

技术领域

本发明涉及通信及智能制造和智能物流领域，具体而言，尤其涉及一种面向工业AGV的双向选择边缘计算服务分配方法。

背景技术

传统云计算中，用户所需服务的各类数据全部存储在远端云的大型服务器阵列中，若用户产生一个服务请求，该服务请求通过接入网经核心网传输至云端，在大型服务器阵列中执行集中式处理。这种方式在以往用户侧请求并不十分迫切的情况下，的确可以经济地处理用户的计算请求，但近些年随着移动用户数据量的暴增，迫切需要将服务内容拉向用户侧，同时，核心网通信压力的增大也间接导致服务延迟增加，降低了用户的服务体验(Quality of Experience，QoE)。移动边缘计算(Mobile Edge Computing，MEC)在保障用户QoE方面取得了重大突破，已成为实现制造、物流行业智能化愿景的关键技术。大多数智能港口、工厂为提高效率均有明确的依据流程作业的工作区域，每个工作区域负责不同类型的任务，例如货物卸载、货物运输、零件装配等。工作区域中的自动导航车辆(AutomatedGuided Vehicle，AGV)均有各自的任务分工、移动范围和路径，不同的AGV负责生产链上不同的生产环节。因此大多数AGV的活动范围是依据任务而受限的。AGV和远程单元(RemoteUnit，RU)是两个独立的个体，在实际生产中AGV和RU的硬件特性、服务的工作特性均存在差异，二者的匹配程度很难达到100％。此外，采用AGV对RU逐个遍历的方式确定最优的RU，选择过程会耗费大量的网络资源和时间。

发明内容

根据现有技术的不足，本发明提供一种面向工业AGV的双向选择边缘计算服务分配方法，解决了智能港口、工厂场景下无源光网络(Passive Optical Network，PON)中各项有限资源以最优匹配的方式分配给AGV服务请求的问题，同时亦解决用户侧与服务提供商间对资源分配决策产生博弈的折中问题。

本发明采用的技术手段如下：

一种面向工业AGV的双向选择边缘计算服务分配方法，应用于工业类、物流类边缘计算网络，所述边缘计算网络包括由多个智能RU构成蜂窝网和接入网、由典型城域网构成的核心网以及具有云数据中心的云端，所述接入网与核心网通过无源光网络技术进行交互，任意所述RU包括基站和MEC服务器，所述基站通过无线电通信方式与AGV搭载的控制器通信；

所述方法包括以下步骤：

基于服务热度和齐夫定律确定网络内每个RU的服务类型；

基于RU之间的服务热度相似性对网络内的所有RU进行面向服务内容的区域划分得到工作区域集合；

AGV侧发出请求，AGV基于选择倾向度建立RU备选队列，并向队列队首RU发送请求，所述选择倾向度根据RU的服务延迟、RU剩余资源以及AGV的服务请求与RU的匹配程度确定；

RU侧反向选择，RU基于AGV对RU的选择倾向度、AGV的备选基站数量、AGV占用资源的大小以及AGV到达RU的先后顺序建立待服务AGV的等候队列，当剩余资源充足时处理AGV等候队列中最优的AGV服务请求，否则反馈服务失败信息；

如果AGV接收到RU候补队列中所有RU的反馈信息均为服务失败，将该服务请求发送到云端。

进一步地，基于服务热度和齐夫定律确定网络内每个RU的服务类型，包括：

统计边缘计算网络内各个RU的MEC服务器中所部署的各项服务的被访问频次，以计算服务热度值；

基于服务热度值的大小对RU中所有服务进行排序得到服务热度排序表；

将服务热度排序表中前20％的服务设置为高热度服务，所述高热度服务类型即为该RU的服务类型。

进一步地，基于RU之间的服务热度相似性对网络内的所有RU进行面向服务内容的区域划分得到工作区域集合，包括：

为边缘网络中每个处于工作状态的RU依据地理位置邻近的原则依次赋予初始编号，根据编号值对所有RU升序排列得到队列R；

获取队列R的队首元素R(p₁)，基于服务热度排序表中服务的排列次序和两个RU间的位次差，计算p₁和队列R中其余RU的服务热度相似性SPS值；

基于SPS值判断是否将队列R中其余RU与p₁划分为一个工作区域中。

进一步地，基于SPS值判断是否将队列R中其余RU与p₁划分为一个工作区域中，包括：

若SPS>＝50％，则将两个RU划分到一个工作区域，并从R队列中删除已经划分的RU，直到遍历完R中的所有RU，得到工作区域集合；

若SPS<50％，则保留R队列中的RU，返回继续执行工作区域划分流程。

进一步地，AGV基于选择倾向度建立RU备选队列，包括执行对RU的正向选择子算法，所述对RU的正向选择子算法包括：

AGV采集所在工作区域内所有RU的服务内容部署信息以及剩余资源情况；

判断请求服务的AGV所在工作区域内的RU中是否部署自身所需的服务类型，若不是，则将服务请求经AGV所在RU发送至云端处理，否则对工作区域中部署所需服务的RU计算选择倾向度；

基于选择倾向度构建RU候选队列；

AGV向RU候选队列队首RU发起服务请求。

进一步地，RU面向运营商资源最优分配目标并基于自身资源状况编排待服务AGV的等候队列，包括执行RU反向选择子算法，所述RU反向选择子算法包括：

依据RU所收到服务请求发起方AGV的选择倾向度、候选基站数量、占用资源大小和请求到达RU的时序通过加权算法来编排AGV等候队列中的元素顺序；

若RU的资源充足，则RU将依次提取AGV等候队列中的队首元素，并为之分配计算和通信资源；

若RU的剩余资源不足，则向AGV反馈服务失败信息。

较现有技术相比，本发明具有以下优点：

本发明通过边-云融合计算在保证AGV服务质量的前提下，通过AGV对RU的双向选择MEC服务分配算法(Dual-way MEC Service-allocation Algorithm，DMSA)改善了原有服务提供商和用户之间在分配资源时的倾向性冲突，折中了服务内容的分发速度和反馈延迟与边缘网络的整体资源利用率间的博弈。算法中不但通过工作区域的划分缩小了AGV候选RU的范围和计算复杂度，同时也适当增加正向AGV与反向RU相互选择过程中的迭代次数，使得二者的匹配更加精准、稳定，为生产和物流效率的提升提供了理论基础。

基于上述理由本发明可在通信技术领域广泛推广。

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做以简单地介绍。显而易见地，下面描述中的附图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为本发明中服务分配网络架构图。

图2为本发明面向工业AGV的双向选择边缘计算服务分配方法流程图。

图3为本发明中RAAA算法流程图。

图4为本发明AGV服务请求与RU的双向选择过程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明提供了一种面向工业AGV的双向选择边缘计算服务分配方法，应用于边缘计算网络。如图1所示，边缘计算网络包括AGV、RU、基站、MEC服务器、PON、光核心网以及云端。具体来说：

AGV是具备一定计算和数据收集能力的智能终端，它的控制程度高于民用的自动驾驶车辆。AGV在RU的信号覆盖范围内自由移动，它搭载的控制器和基站之间使用无线电进行通信，目前常用的无线通信技术有大规模MIMO、正交频分复用、极化码等。

RU是蜂窝网中一个六边形的信号覆盖区域，每一个RU内可布置一座标准5G基站和MEC服务器。每个RU可以检测来自RU内的用户以及相邻RU中用户的服务请求。RU中的计算资源和通信资源都是有限的。不同RU内的MEC服务器之间通过光纤连接或基站间无线链路互联。

基站位于RU内，是终端设备接入互联网的接口，是进行信息传递的无线电收发信电台。基站接收来自用户设备的服务请求并将服务请求发送给服务器，还能将服务器的处理结果返回给用户设备。

MEC服务器是一组具有计算、存储和网关功能的数据前端处理设备。MEC服务器能为来自本RU和其他RU的用户设备提供服务并将计算结果反馈至基站。由于MEC服务器的计算资源和存储资源是有限的，单个MEC服务器中只能部署用户所需的部分常用内容并提供轻量级的计算、存储能力。

PON是一种典型的无源光网络，一个无源光网络由一个安装于中心控制站的光线路终端(Optical Line Terminal，OLT)，以及一批配套的安装于用户场所的光网络单元(Optical Network Unit，ONU)组成。单个PON内可支撑若干个RU，且PON内的无线通信、光纤链路和计算等众多类型的资源都是有限的。

云端由数据中心组成，拥有非常丰富的计算和存储资源，能够弥补边缘网络层计算能力相对不足的缺陷，处理一些时延不敏感、计算量繁重的任务。通过边缘层与云层的协同，能够为用户带来更好的服务体验。

本发明方法主要包括以下步骤：

S1、确定RU装载服务的类型。服务热度指RU中的一个服务请求被AGV访问的次数。基于服务热度对RU中各项服务被访问的频率进行量化。基于服务热度值大小对RU中所有服务进行排序得到服务热度排序表。将齐夫定律拓展到RU服务类型的划分过程中，服务热度排序表中前20％的服务设为高热度服务，这些高热度服务即为该RU的服务类型。AGV基于RU的服务类型判断服务请求和RU的服务内容是否有较高的匹配度。具体来说，包括：

S101、计算PON中RU_i内MEC服务器部署服务k_j的“服务热度根据/>值降序排列得到RU_i的服务排序队列。

某一服务k_j在RU_i内的服务热度表达式为：

式中R_i(j)表示服务k_j在RU_i被AGV请求的次数。表示t时刻的R_i(j)。η表示更新权重，0≤η≤1，η越大说明服务热度受本时间段内AGV请求次数的影响越大。/>表示上一个时隙中服务k_j在RU_i内的服务热度。

S102、齐夫定律表明一个单词出现的频率越高则它在频率表里排名越低。在MEC服务器中服务的分布近似服从这一定律，可知MEC服务器中部署的服务被访问频次越高，它所占总体服务的比重就越小。因此高热度的服务其实仅占一小部分，而大多数的服务则是一些低热度的服务，MEC服务器中高热度的服务可确定RU主要的工作内容和物理性能特征。将RU内MEC服务器中前20％的服务内容设为高热度服务，以便分配更多资源，并以此来判断AGV服务请求和RU服务内容的匹配程度。

S103、基于服务热度和齐夫定律，对PON内每个RU的服务内容进行热度排序和组合得到服务热度排序表L，见表1。基于表L确定每个RU装载服务的主要类型。

表1服务热度排序

S2、对PON内的所有RU进行服务内容的区域划分组成工作区域集合。基于服务热度排序表L中服务的排列次序和某对RU间的位次差计算两RU间的服务热度相似性SPS值。SPS值越高表明两个RU的服务内容越类似。将服务内容类似的RU划分为一个工作区域。同一工作区域中的RU在地理位置上也更靠近，不仅缩小了AGV匹配RU的范围，还将缩短服务分发的路径长度，便于AGV快速准确地匹配到最佳RU，同时将服务内容更加靠近用户降低传输时延。具体来说，包括：

S201、在图1所示场景下，为一个PON中每个处于工作状态的RU赋予初始编号，编号规则为自PON中核心RU起始以地理位置临近原则，由近及远，由小至大。根据编号值对该PON中的所有RU升序排列得到队列R。

S202、获取R的队首元素R(p₁)，基于“服务热度排序表L”中服务的“排列次序”和两RU间的“位次差”，计算p₁和R中其余RU的服务热度相似性SPS值，其中z表示服务k_i的热度位次，例如在表1的RU₁中，服务k₁的热度位次为1，服务k₄的热度位次为4。μ_z为相似系数，它会随服务热度自大到小的排序而递减。ξ_z为相似值，服务位次差越小，相似值ξ_z越大。

设置具体的数值举例说明如何计算两个RU的SPS：假设每个MEC服务器中部署的服务有20种，按照高热度服务占全部服务的20％，则高热度服务为热度排序的前4位。相似系数μ_z的取值按照热度位次定为μ₁＝50％、μ₂＝30％、μ₃＝15％、μ₄＝5％。相似值ξ_z的取值规则为：位次差为0，ξ_z＝100；位次差为1，ξ_z＝50；不存在与之对应的服务k_i，ξ_z＝0。

由表1可见，RU₁前4位高热度服务依次为{k₁,k₂,k₃,k₄}。RU₃的前4位高热度服务依次为{k₁,k₃,k₂,k₅}。所以有RU₁相对于RU₃的SPS值，即SPS_(RU1→RU3)＝50％×100+30％×50+15％×50+5％×0＝72.5％。计算SPS值时，由于RU₃的高热度服务中没有服务k₄，而RU₁的高热度服务中没有服务k₅，所以这对RU间排名第四的服务的相似值为0。

S203、基于SPS的值判断是否将队列R中其余RU和p₁放置在同一工作区域D_px中。

S204、若SPS>50％，将两个RU划分到一个工作区域中，并从R队列中删除已划分到D_px的RU。直到遍历完PON中的所有RU，得到工作区域集合D。

S205、若SPS<50％，保留R队列中的RU，返回继续执行工作区域划分流程(S203)。

S3、AGV选择RU，AGV基于“选择倾向度”建立RU候选队列，执行ASRA算法。在AGV-RU双向选择的整体算法DMSA中，AGV优先正向选择RU(AGV Selecting RU Algorithm，ASRA)，ASRA是DMSA的子算法。AGV对RU的选择倾向度主要考虑三方面：一是RU的服务延迟，二是RU剩余资源(包括计算资源、无线电资源和光纤链路频谱资源)，三是AGV的服务请求与RU的匹配程度。基于这三方面本发明设计了选择倾向度，值越大，RU_i在候选队列中的排序越靠前，则AGV对RU_i的选择意向就越强，AGV选择到最佳RU的概率也越大。对DMSA算法中涉及到的符号进行定义。a_x为第x个AGV发出的服务请求。RU_i表示第i个RU。T_j为一个时隙，且可以视T_j(j＝0,1,2,...,t)内的AGV与RU相对位置关系为静态。

具体来说，AGV选择RU，a_x基于选择倾向度建立RU候选队列χ_RU，执行ASRA算法。在T₀内AGV采集所在工作区域D_px内所有RU的服务内容部署信息{K₁,K₂,…K_i}∈K以及剩余资源情况。通常AGV搭载的控制器通过无线通信方式和它邻近的所有RU进行实时的数据交换，而不同RU间则通过光纤链路或基站间的无线链路完成数据交换。包括：

S301、基于收集到的工作区域D_px中RU服务内容部署信息以及剩余资源情况，a_x判断它所在D_px的RU中是否部署所需类型的服务且资源是否充裕。若是，执行步骤S302，对工作区域中部署所需服务的RU计算选择倾向度。若否，将a_x从AGV侧的待处理服务请求集合中删除，并将服务请求经AGV所在RU发送到云端处理。

S302、AGV对RU的选择主要有三方面：MEC服务延迟、RU的剩余资源(包括计算资源、无线电资源和光纤链路频谱资源)、AGV与RU的匹配程度(具体指MEC服务器中服务类型以及AGV与RU间的地理距离)。基于这三方面，计算已部署a_x所需服务RU_i的选择倾向度。变量λ_x,i表示a_x对RU_i的选择倾向度，

λ_x,i＝π_x,i·σ(γ_c+γ_n+γ_s)，

其中，π_x,i表示a_x的服务请求与RU_i所装载内容的匹配程度，0≤π_x,i＜1。此处采用成反比例相关的匹配程度来体现MEC服务延迟，匹配程度越高就体现为MEC服务延迟越小，也表明a_x和RU_i地理位置相邻的概率越大。σ为调节系数，可控制剩余资源对选择倾向度λ_x,i的影响。C_i'为正整数，RU_i中剩余计算资源。N_i'为正整数，RU_i中剩余无线电资源。S_i'为正整数，RU_i中剩余光纤链路频谱资源。

:为正整数，为a_x在RU_i中占用的计算资源。/>:为正整数，为a_x在RU_i中占用的无线电资源。/>:为正整数，为a_x在RU_i中占用的光纤链路频谱资源。γ_c为正实数，RU_i中剩余计算资源与全部计算资源的比值。γ_n为正实数，RU_i中剩余无线电资源与全部无线电资源的比值。γ_s为正实数，RU_i中剩余光纤链路频谱资源与全部光纤链路频谱资源的比值。

S303、基于选择倾向度构造a_x的候选队列χ_RU。

S304、a_x向候选队列χ_RU的队首RU发起服务请求。

S4、RU反向选择AGV，构造AGV等候队列，执行RAAA算法。AGV和RU是两组独立的对象集合，每进行一次AGV-RU的双向选择它们各自的状态都会发生变化。不仅AGV对RU的选择倾向影响匹配结果，RU对AGV的选择标准也会改变最终的匹配结果。本发明在RU对AGV的反向选择过程中设定了多维的选择标准，即优先级从高到低依次为AGV对RU的选择倾向度、AGV的备选基站数、AGV的占用资源量、AGV抵达RU的时间顺序。基于此套选择标准，在每次AGV和RU的双向选择中，确保RU服务于AGV请求的决策以最少网络资源消耗满足AGV的服务请求和QoE。具体地，RU反向选择AGV算法(RU Adverse AGV-selection Algorithm，RAAA)包括：

S401、RU_i检测到AGV发出的服务请求之后，基于a_x的选择倾向度、候选基站数量、服务请求所需资源量、以及每个服务请求到达RU的时间顺序等信息，构建待服务AGV的等候队列χ_AGV。工作区域集D中各RU_i的候选队列χ_AGV组合构成RU侧的AGV选择倾向表。

1)RU_i检测并记录向自身发出服务请求连接的所有a_x，并根据a_x对RU_i的选择倾向度对待服务AGV的等候队列χ_AGV＝{a₁、a₂...a_m}中a_x的重新排序。a_x对RU的选择倾向度越高，在χ_AGV中位置越靠前。

2)当有多个a_x对RU_i的选择倾向度大小相同时，RU_i根据每个a_x的备选RU数量来更新a_x在等候队列χ_AGV中的前后位置，备选RU数越少越靠前。

3)当有多个a_x的备选RU数相同时，RU_i根据a_x占用计算资源、无线电资源和光链路频谱资源的多少来更新a_x在等候队列χ_AGV中的先后顺序，占用资源越少越靠前。

4)当有多个a_x请求占用的网络资源相同时，RU_i优先选择最先到达的a_x请求作为等候队列χ_AGV的队首元素。

S402、RU_i与它的等候队列χ_AGV的队首元素建立连接，此时检查RU_i连接的所有设备请求占用的网络资源是否超过当前RU_i的可用网络资源量。若超过，返回给AGV请求处理失败的信息，返回继续执行步骤S4。若未超过，RU_i处理该服务请求，并将请求处理成功的信息返回给AGV。AGV服务请求处理完毕，删除该服务请求的所有信息并释放AGV所占用的网络资源。同时，RU_i向工作区域D_px中的RU广播剩余资源情况。

S5、如果AGV接收到候选队列中所有RU的反馈信息均为服务失败，将该服务请求发送到云端。

具体来说，AGV对候选队列χ_RU中的RU执行DMSA算法，直到a_x的服务请求被处理。如果a_x遍历候选队列χ_RU中所有的RU，但其服务请求仍未被处理，将该服务请求经MEC服务器发送到云端。

下面通过具体的应用实例，对本发明的方案做进一步说明。

如图1所示在工作区域D_p1中有8个AGV服务请求，分别为A1、A2、A3、A4、A5、A6、A7、A8。候选的RU远程单元共5个，分别为RU₁、RU₂、RU₃、RU₄、RU₅。

基于AGV所采集到的RU侧的信息，从AGV的候选RU集合中删除工作区域中服务内容不满足AGV请求的RU，保留内容满足的RU元素，如表2所示。

表2服务请求与工作区域D_p1中内容匹配的候选RU集合

注1)“-”表示RU中装载服务内容不能满足服务请求。

建立AGV的RU候选队列，其元素的选择倾向度从高到低排列，如表3所示。

表3 AGV侧基于选择倾向度建立的RU候选列表

RU接收到服务请求后建立待服务AGV的等候队列。

表4 RU侧AGV等候列表1

注2)表4中位于同一单元格中的AGV选择倾向度相同。

例如RU₅等候队列{(A3,A4,A6),(A1,A7),(A2,A8)}，其中A3、A4、A6根据各自候选RU队列χ_RU中元素数量升序排列，依次为A4、A3、A6。此外，A3、A6的候选RU数量是相同的，但由于A3比A6占用的网络资源少，故得到排列顺序为A4、A3、A6。如果出现极端情况AGV占用资源也相同，则选择较早向RU发起服务请求的AGV。

经过上述判断，更新后的AGV等候列表如表5所示：

表5 RU侧AGV等候列表2

经过以上计算过程，a_x向候选队列χ_RU中的队首元素发起服务连接请求。

表6 AGV向队首RU发起服务请求

RU检测到服务请求并判断剩余资源是否充足。RU每次只对一个AGV服务请求进行判断，如果RU资源充足，则向AGV输出请求建立成功的反馈，并在RU中进行任务处理。RU更新剩余资源信息，并广播给所有能检测到该RU的AGV和D_p1中其他RU。同时，删除已完成的服务请求。若RU资源不足，则向AGV输出请求建立失败的信息。

表7 RU侧每个AGV等候队列中的队首元素

当RU剩余资源均充足时。A1、A2、A4、A7、A8被全部处理。此时，尚有部分AGV请求还未配对。返回继续执行DMSA算法。经过多次迭代后会出现两种情况。服务请求被处理或是服务请求未被处理。继续判断AGV是否接收过候选队列中所有RU反馈的请求处理失败的信息。若是，将该服务请求发送到云端处理。若否，继续执行DMSA算法直到所有请求被处理。

算法结束。

本发明在研发过程中得到了如下科研项目的支持：国家自然科学基金(61801074，61971083，51939001)，中国博士后科学面上基金(2019M661074)，辽宁省自然科学基金(2019-BS-021)，国家重点研发计划(2019YFE0111600)，辽宁省兴辽英才计划项目(XLYC2002078)，大连市科技创新基金重点学科重大课题(2019J11CY015)。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (4)

1.一种面向工业AGV的双向选择边缘计算服务分配方法，应用于工业类、物流类边缘计算网络，其特征在于，所述边缘计算网络包括由多个智能RU构成蜂窝网和接入网、由典型城域网构成的核心网以及具有云数据中心的云端，所述接入网与核心网通过无源光网络技术进行交互，任意所述RU包括基站和MEC服务器，所述基站通过无线电通信方式与AGV搭载的控制器通信；

所述方法包括以下步骤：

基于服务热度和齐夫定律确定网络内每个RU的服务类型，所述服务热度根据边缘计算网络内各个RU的MEC服务器中所部署的各项服务的被访问频次排序结果获取，被访问频次排序在前20％的服务内容设为高热度服务，所述每个RU的服务类型为当前RU的高热度服务类型；

基于RU之间的服务热度相似性对网络内的所有RU进行面向服务内容的区域划分得到工作区域集合，所述服务热度相似性根据以下方式获取：

为边缘网络中每个处于工作状态的RU依据地理位置邻近的原则依次赋予初始编号，根据编号值对所有RU升序排列得到队列R，

获取队列R的队首元素R(p₁)，基于服务热度排序表中服务的排列次序和两个RU间的位次差，计算p₁和队列R中其余RU的服务热度相似性SPS值：

其中z表示服务k_i的热度位次，μ_z为相似系数，随服务热度自大到小的排序而递减，ξ_z为相似值，服务位次差越小，相似值ξ_z越大；

AGV侧发出请求，AGV基于选择倾向度建立RU备选队列，并向队列队首RU发送请求，所述选择倾向度根据RU的服务延迟、RU剩余资源以及AGV的服务请求与RU的匹配程度确定，其中AGV基于选择倾向度建立RU备选队列，包括执行对RU的正向选择子算法，所述对RU的正向选择子算法包括：

AGV采集所在工作区域内所有RU的服务内容部署信息以及剩余资源情况，

判断请求服务的AGV所在工作区域内的RU中是否部署自身所需的服务类型，若不是，则将服务请求经AGV所在RU发送至云端处理，否则对工作区域中部署所需服务的RU计算选择倾向度，

基于选择倾向度构建RU候选队列，

AGV向RU候选队列队首RU发起服务请求；

RU侧反向选择，RU基于AGV对RU的选择倾向度、AGV的备选基站数量、AGV占用资源的大小以及AGV到达RU的先后顺序建立待服务AGV的等候队列，当剩余资源充足时处理AGV等候队列中最优的AGV服务请求，否则反馈服务失败信息；

如果AGV接收到RU候补队列中所有RU的反馈信息均为服务失败，将该服务请求发送到云端。

2.根据权利要求1所述的一种面向工业AGV的双向选择边缘计算服务分配方法，其特征在于，基于RU之间的服务热度相似性对网络内的所有RU进行面向服务内容的区域划分得到工作区域集合，包括：

基于SPS值判断是否将队列R中其余RU与p₁划分为一个工作区域中。

3.根据权利要求2所述的一种面向工业AGV的双向选择边缘计算服务分配方法，其特征在于，基于SPS值判断是否将队列R中其余RU与p₁划分为一个工作区域中，包括：

若SPS>＝50％，则将两个RU划分到一个工作区域，并从R队列中删除已经划分的RU，直到遍历完R中的所有RU，得到工作区域集合

若SPS<50％，则保留R队列中的RU，返回继续执行工作区域划分流程。

4.根据权利要求1所述的一种面向工业AGV的双向选择边缘计算服务分配方法，其特征在于，RU面向运营商资源最优分配目标并基于自身资源状况编排待服务AGV的等候队列，包括执行RU反向选择子算法，所述RU反向选择子算法包括：

依据RU所收到服务请求发起方AGV的选择倾向度、候选基站数量、占用资源大小和请求到达RU的时序通过加权算法来编排AGV等候队列中的元素顺序；

若RU的资源充足，则RU将依次提取AGV等候队列中的队首元素，并为之分配计算和通信资源；

若RU的剩余资源不足，则向AGV反馈服务失败信息。