CN114296814B - 一种边云计算任务卸载方法、系统、终端以及存储介质 - Google Patents
一种边云计算任务卸载方法、系统、终端以及存储介质 Download PDFInfo
- Publication number
- CN114296814B CN114296814B CN202111513744.XA CN202111513744A CN114296814B CN 114296814 B CN114296814 B CN 114296814B CN 202111513744 A CN202111513744 A CN 202111513744A CN 114296814 B CN114296814 B CN 114296814B
- Authority
- CN
- China
- Prior art keywords
- wolves
- wolf
- gray
- computing task
- objective function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 241000282421 Canidae Species 0.000 claims abstract description 194
- 241000282461 Canis lupus Species 0.000 claims abstract description 181
- 238000004891 communication Methods 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 101
- 230000006870 function Effects 0.000 claims description 70
- 230000008030 elimination Effects 0.000 claims description 48
- 238000003379 elimination reaction Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 16
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种边云计算任务卸载方法、系统、终端以及存储介质。所述方法包括：基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；根据所述计算任务卸载方案对所述计算任务进行卸载。本申请可以避免算法陷入局部最优解，并可以得到更优的边云计算任务卸载方案。
Description
技术领域
本申请属于云计算技术领域，特别涉及一种边云计算任务卸载方法、系统、终端以及存储介质。
背景技术
随着云计算技术的日益改进，越来越多的应用被部署到云端执行。但是，随着应用所需的数据量逐步变大，在远离数据的云端执行应用会造成高时延、高带宽占用等问题，从而影响应用响应的效率。因此，将计算任务进行边云之间的计算任务卸载成为了一种很好的解决方案。通过将需要大数据量的计算任务从云端卸载到更靠近数据源的边端，可以有效的降低满足应用所需要的时间，同时可以避免在有限的带宽上传输大量数据所导致的带宽瓶颈问题。
随着技术的发展，一些现有的方法对边云计算任务卸载进行了探索。例如在文献[Wu H,Knottenbelt W,Wolter K,Sun Y.An optimal offloading partitioningalgorithm in mobile cloud computing.In:Springer.；2016:311–328.]中，Wu等人将边云计算任务卸载问题构建成为一个图最小割分割问题，计算任务会被分割在云端或边端上执行，其所提出的MCOP算法的优化目标为执行时间与能源消耗。Li等人在文献[HR,Martin OC,Stützle T.Iterated local search.In:Springer.2003(pp.320–353).]中则着眼于手持移动设备的计算任务卸载，该方法的优化目标为减少计算所产生的能源消耗。Juttner等人在文献[Juttner A,Szviatovski B,Mécs I,RajkóZ.Lagrangerelaxation based method for the QoS routing problem.In:.2.IEEE.；2001:859–868.]中提出了LARAC算法，该方法着眼于寻找通讯代价较少的卸载路径，以减少通讯代价。Wang等在人在[Wang W,Zhou W.Computational offloading with delay and capacityconstraints in mobile edge.In:IEEE.；2017:1–6.]与Dong等人在[Dong L,Wang F,ShanJ.Computation offloading for mobile-edge computing with maximum flow minimumcut.In:；2018:1–5.]中计算任务卸载时采用了同构的通讯代价，其假设云云通讯与边边通讯没有代价，且边云通讯与云边通讯具有相同的代价。但是，这种具有多重假设的同构的通讯代价模型在现实中并不具有实用性。上述方法均没有考虑具有异构性的计算代价，即不同的计算任务可以具备不同的计算代价，因此影响了这些方法的一般性。此外，这些方法在计算任务卸载过程中，均未考虑计算任务卸载后的负载均衡，从而影响计算效率。最后，这些方法都只是面向代价的减小，而完全没有考虑在优化代价的同时优化满足计算任务所产生的具有异构性的利润。
为此，Du等人在[Du M,Wang Y,Ye K,Xu C.Algorithmics of cost-drivencomputation offloading in the edge-cloud environment.IEEE Transactions onComputers 2020；69(10):1519–1532.]中的边云计算任务卸载中采用了异构的通讯模型，从而使得所提出的METO算法更具有实用性。METO算法假设所有通讯方向的节点之间的通讯代价均相等，无论两节点之间的距离远近，这种假设并不现实，其所考虑的异构通讯代价并不具有一般性。
发明内容
本申请提供了一种边云计算任务卸载方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种边云计算任务卸载方法，包括：
基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；所述改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；
根据所述计算任务卸载方案对所述计算任务进行卸载。
本申请实施例采取的技术方案还包括：所述基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型具体为：
所述通讯代价为：
式中，为边E<Vs,Vt>的长度，Vs为起始位置节点，Vt为迁移位置节点；VC表示云端的计算设备，VE表示边端的计算设备；/>表示起始位置节点和迁移位置节点都在云端时的通讯代价，/>表示起始位置节点和迁移位置节点都在边端时的通讯代价，/>表示节点从云端迁移到边端的通讯代价，/>表示节点从云边端迁移到云端的通讯代价；
所述计算代价为：
式中，G为图模型，T为等待被卸载执行的计算任务集合，为计算任务卸载方案，/>为计算任务Tk在云端执行的计算代价，/>为计算任务Tk在边端执行的计算代价；为指示函数。
本申请实施例采取的技术方案还包括：所述采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置具体包括：
采用密度感知算法对灰狼种群进行初始化；
在算法训练过程中，判断灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果灰狼的淘汰决定值e不高于设定的淘汰阈值，采用贪心阶级灰狼引导算法，根据目标函数值最优的前N个灰狼计算出所有可计算的阶级灰狼，根据阶级灰狼中目标函数值最优的阶级灰狼更新未被淘汰的灰狼位置；否则，采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰，并重新初始化被淘汰灰狼的位置；
根据当前灰狼位置生成计算任务卸载方案，根据生成的计算任务卸载方案进行任务卸载。
本申请实施例采取的技术方案还包括：所述采用密度感知算法对灰狼种群进行初始化具体为：
设置初始化灰狼向量的生成数量；所述初始化灰狼向量的生成数量大于灰狼所需数量；
生成初始化灰狼向量，并判断初始化灰狼向量集群中的初始化灰狼向量是否达到设定数量，如果没有达到设定数量，在生成每一个灰狼向量时，对于每一个任务，将其分配到产生较优目标函数值的一侧执行，并随机分配执行顺序；如果达到设定数量，
基于密度感知机制，从所述初始化灰狼向量集群中选择欧氏距离最相近的两个初始化灰狼向量，计算所述两个初始化灰狼向量的均值向量，将所述均值向量作为新的灰狼向量加入到初始化灰狼向量集群中，并将所述两个初始化灰狼向量从初始化灰狼向量集群中删除，直到所述初始化灰狼向量集群中的灰狼向量数量达到灰狼所需数量，得到最终的初始化灰狼向量集群。
本申请实施例采取的技术方案还包括：所述贪心阶级灰狼引导算法具体为：
Xj←Xj-Aj×Dj
A＝2r1×a[i]-a[i]
C＝2r2
上述公式中，CI代表当前迭代次数，MI代表最大迭代次数，r1和r2分别为在0-1之间的随机数，C为一个介于[0,2]之间的参数向量，Cj为参数向量C中的第j个分量，A为一个介于[-2a,2a]之间的参数向量，其中a为一个随着训练进行从2线性递减为0的参数，Aj是参数向量A中的第j个分量；X为灰狼的位置向量，Xj表示目标函数值较优的灰狼的位置向量；bl用于记录灰狼的寿命起始迭代，X1、X2、X3、X4、X5、X6、X7分别为目标函数值最优的前7个灰狼，7个灰狼中，X1的目标函数值最优，X2、X3、X4、X5、X6、X7依次次之；X[i](t+1)A、X[i](t+1)B、X[i](t+1)C、X[i](t+1)D分别为生成的阶级灰狼；δw[i]为一个随着训练的进行从1线性递减为0的权重参数；
在X[i](t+1)A中，将目标函数值最优的灰狼X1作为头狼α，将目标函数值排名第2和第3的灰狼X2、X3作为β狼，将目标函数值排名4-6位的灰狼X4、X5、X6作为δ狼；
在X[i](t+1)B到X[i](t+1)D中，将目标函数值最优的前两个灰狼X1、X2作为α狼，将目标函数值排名第3和第4的灰狼X3、X4作为β狼，将目标函数值排名第5-7位的灰狼X5、X6、X7作为δ狼，在X[i](t+1)B中，α狼X1对其他灰狼起到影响作用，在X[i](t+1)C中，α狼X2对其他灰狼产生影响作用，在X[i](t+1)D中，两只α狼X1、X2对其他灰狼产生平等的影响作用。
本申请实施例采取的技术方案还包括：所述采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰具体为：
在迭代训练过程中，判断每只灰狼是否是目标函数值最差的灰狼，如果不是，采用贪心阶级灰狼引导算法更新所述灰狼的位置；否则，
生成所述灰狼的淘汰决定值e，并判断所述灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果不高于设定的淘汰阈值，则采用贪心阶级灰狼引导算法更新所述灰狼的位置；否则，
生成所述灰狼的重启寿命决定值，并判断所述灰狼的重启寿命决定值是否大于设定概率值，如果重启寿命决定值大于设定概率值，重新初始化所述灰狼；否则，
淘汰所述灰狼，并随机选取一个存活的灰狼，计算所述存活灰狼的反向向量，将所述存活灰狼的反向向量作为被淘汰灰狼的新位置。
本申请实施例采取的技术方案还包括：所述根据所述计算任务卸载方案对所述计算任务进行卸载具体为：
接收当前灰狼优化算法所产生的任务卸载方案；所述任务卸载方案是一个向量，其长度与计算任务的数量一致，所述向量中的所有元素介于0与ub之间，ub为常数；
根据所述任务卸载方案将计算任务分发到对应的一端，按照任务卸载方案中的元素排列顺序执行计算任务；所述任务分发策略具体为：如果元素小于ub/2，则将所述计算任务分配在云端执行；反之，则将所述计算任务分配在边端执行；
对于每一个计算任务，在其被分配的一端中选取与所述计算任务的原位置通讯代价最小且接收所述计算任务不会造成过载的节点执行所述计算任务。
本申请实施例采取的另一技术方案为：一种边云计算任务卸载系统，包括：
模型构建模块：用于基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
模型优化模块：用于采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；所述改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；
任务卸载模块：用于根据所述计算任务卸载方案对所述计算任务进行卸载。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述边云计算任务卸载方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制边云计算任务卸载。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述边云计算任务卸载方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的边云计算任务卸载方法、系统、终端以及存储介质至少具有以下有益效果：
一、构建的边云计算任务卸载模型考虑了一般性的异构通讯代价、任务所具有的异构计算代价，可以同时优化计算任务卸载的代价与满足计算任务所产生的利润，使得所产生的计算任务卸载方案更加实用，更具一般性。
二、采用改进版灰狼优化算法对边云计算任务卸载模型进行优化，通过引入基于贪心算法的阶级灰狼，从而更好的避免算法陷入局部最优解，同时，有效的平衡了探索与发掘，从而可以得到更优的边云计算任务卸载方案。
三、采用灰狼寿命淘汰算法对表现欠佳的灰狼进行一定概率的淘汰，避免表现欠佳的灰狼全程参与训练，从而增强算法的探索能力。
四、在计算任务卸载的过程中，模型考虑了对于节点过载的避免，从而使得计算任务卸载不会造成计算节点的过载。
附图说明
图1是本申请实施例的边云计算任务卸载方法的流程图；
图2为本申请实施例的改进版灰狼优化算法的实施过程示意图；
图3为本申请实施例的初始化算法示意图；
图4是本申请实施例的灰狼寿命淘汰算法的流程图；
图5为本申请实施例的边云计算任务卸载系统结构示意图；
图6为本申请实施例的终端结构示意图；
图7为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
针对现有技术的不足，本申请实施例的边云计算任务卸载方法构建了一种更具一般性的边云计算任务卸载模型，在模型中采用更具一般性的异构通讯代价，并同时考虑了计算任务所具有的异构计算代价。并采用改进版灰狼优化算法对边云计算任务卸载模型进行优化，以提升算法对模型的优化能力。模型同时考虑了对于计算任务卸载的代价与满足计算任务所产生的收益优化，使得所产生的计算任务卸载方案更加实用，更具一般性。在计算任务卸载过程中考虑了对于节点过载的避免，使得计算任务卸载不会造成计算节点的过载。
具体地，请参阅图1，是本申请实施例的边云计算任务卸载方法的流程图。本申请实施例的边云计算任务卸载方法包括以下步骤：
S10：基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
本步骤中，构建的边云计算任务卸载模型采用更具一般性的异构通讯代价，并同时考虑了计算任务所具有的异构的计算代价。
具体的，边云计算任务卸载模型构建在图模型的基础之上，将边云环境中的计算设备视作节点V，将节点之间的网络通讯连接视为边E，构成图模型G＝<V,E>。假设用VC表示云端的计算设备，用VE表示边端的计算设备，构建的边云计算任务卸载模型具有以下性质：
N＝I+J
V＝7C∪VE
式(1)中，N表示节点总数，I和J分别表示VC和VE的总数。
其中，对于边云计算任务卸载模型中的每一个计算节点Vn，其能承受的最大计算任务负载为而在不执行任何任务时所具有的负载为/>在边云计算任务卸载模型中，总共有K个待卸载的计算任务，每个计算任务Tk具有一定的计算负载，记为为了反映每个计算任务所具有的异构的计算代价与利润，对于计算任务Tk，将其在云端执行的计算代价记为/>在边端执行的计算代价记为/>将其在云端执行的利润记为在边端执行的利润记为/>因此，本申请实施例的边云计算任务卸载模型可以对计算任务卸载所产生的代价与利润进行同时优化。
具体的，通讯代价优化的目标是给定边云之间的图模型G、等待被卸载执行的计算任务集合T以及计算任务的初始位置找出最佳的计算任务卸载方案/>从而减小通讯的成本，具体如下：
为了反映考虑距离等因素的异构的通讯代价，对于每一条网络通讯连接，都具有异构的通讯代价，记为：
其中，Vs为起始位置节点，Vt为迁移位置节点；表示节点Vs和Vt都在云端时的通讯代价，/>表示节点Vs和Vt都在边端时的通讯代价，/>表示节点Vs从云端迁移到边端的通讯代价，/>表示节点Vs从边端迁移到云端的通讯代价。
指示函数在计算任务Tk被分配至云端执行时返回1，否则返回0。/>记为边E<Vs,Vt>的长度。因此，边E<Vs,Vt>所具有的通讯代价定义为：
该通讯代价既考虑了不同通讯方向所具有的异构的通讯代价，又在考虑通讯成本的同时考虑了节点之间的距离因素，使得所使用的通讯代价更具一般性。
将从节点Vs到节点Vt的最小权重路径记为则从节点Vs到节点Vt的最小通讯成本路径的总通讯成本为：
综上所述，本申请实施例构建的边云计算任务卸载模型所考虑的通讯代价没有忽视云云与边边之间的通讯代价，其次，云边与边云之间双向的通讯代价不再具有对称性。在计算通讯代价时，考虑了节点之间的距离因素对于通讯代价的影响，以及不同节点对之间具有的通讯代价。
本申请实施例中，边云计算任务卸载模型还采用了计算任务的异构的计算代价。异构的计算代价定义如下：
S20：采用改进版灰狼优化算法对边云计算任务卸载模型进行优化，得到目标函数值最优的计算任务卸载方案；
本步骤中，在改进版的灰狼优化算法中，模拟了灰狼种群捕食猎物的原理，将灰狼种群中的每一只灰狼分别视作为一个在搜索空间中的搜索个体，而将猎物视为想要寻找的最优解。改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出所有可计算的阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据阶级灰狼更新未被淘汰的灰狼位置，并采用灰狼寿命淘汰算法将高于设定淘汰阈值的灰狼进行淘汰，并重新初始化被淘汰灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成最优的计算任务卸载方案；
具体如图2所示，为本申请实施例的改进版灰狼优化算法的实施过程示意图，其具体包括：
S21：采用密度感知算法对灰狼种群进行初始化；
其中，如图3所示，为本申请实施例的初始化算法示意图，其具体包括以下步骤：
S21a：设置初始化灰狼向量的生成数量；
其中，初始化灰狼向量的生成数量大于所需数量，本申请实施例设定初始化灰狼向量的生成数量为所需数量的1.5倍，具体可根据实际应用进行设定。
S21b：生成初始化灰狼向量，并判断初始化灰狼向量集群中的初始化灰狼向量是否达到设定数量，如果没有达到，执行S21c；如果达到，执行S21d；
S21c：在生成每一个灰狼向量时，对于每一个任务，将其分配到产生较优目标函数值的一侧执行，并随机分配执行顺序，并重新执行S21b；
其中，这种初始化方法可以对模型的先验知识加以充分利用，从而得到更优化的任务卸载方案。
S21d：基于密度感知机制，从初始化灰狼向量集群中选择欧氏距离最相近的两个初始化灰狼向量，计算两个初始化灰狼向量的均值向量，将均值向量作为新的灰狼向量加入到初始化灰狼向量集群中，并将两个初始化灰狼向量从初始化灰狼向量集群中删除；
S21e：判断初始化灰狼向量集群中的灰狼向量数量是否达到所需数量，如果达到所需数量，执行S21f；否则，重新执行S21d；
S21f：输出最终的初始化灰狼向量集群；
上述中，本申请实施例通过采用密度感知的初始化方法，将较为相似的两个初始化灰狼向量进行合并，并删除合并前的初始化灰狼向量，从而避免生成的初始化灰狼向量过于密集导致初始化灰狼向量集群的多样性较低，从而削弱基于群体的优化算法所具备的优势。
S22：在算法训练过程中，判断灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果灰狼的淘汰决定值e不高于设定的淘汰阈值，执行S23；否则，执行S24；
S23：采用贪心阶级灰狼引导算法，根据目标函数值最优的前N个灰狼计算出所有可计算的阶级灰狼，根据阶级灰狼中目标函数值最优的阶级灰狼更新未被淘汰的灰狼位置，并执行S25；
本步骤中，贪心阶级灰狼引导算法的实施过程包括以下步骤：
S23a：选取目标函数值最优的前N个灰狼；其中，N的数量为至少两个，作为优选，本申请实施例设定N＝7；
S23b：根据选取的灰狼，按照贪心阶级计算公式计算出所有可计算的阶级灰狼；贪心阶级计算公式为：
Xj←Xj-Aj×Dj (8)
A＝2r1×a[i]-a[i]
C＝2r2 (10)
上述公式中，CI代表当前迭代次数，MI代表最大迭代次数，r1和r2分别为介于范围[0，1]之间的随机数向量，向量C为一个介于[0，2]之间的参数向量，当C>1时会强调较优的狼对其他狼位置更新的影响程度，反之则削弱影响程度。Cj为参数向量C中的第j个分量。向量A为一个介于[-2a,2a]之间的参数向量，其中a为一个随着训练进行从2线性递减为0的参数。A<1时狼群会向较优的狼靠近，反之则远离。Aj是参数向量A中的第j个分量。X为灰狼当前的位置向量，Xj表示目标函数值较优的灰狼的位置向量，例如X1为目标函数值最优的灰狼的位置向量。Dj表示计算结果。bl用于记录灰狼的寿命起始迭代，若灰狼尚未被淘汰过，则bl为0，否则，bl为该灰狼被淘汰时的迭代轮次。通过使用bl，系数A会因为灰狼重启寿命而重置递减。X1、X2、X3、X4、X5、X6、X7分别为目标函数值最优的前7个灰狼，7个灰狼中，X1的目标函数值最优，X2、X3、X4、X5、X6、X7依次次之。X[i](t+1)A、X[i](t+1)B、X[i](t+1)C、X[i](t+1)D分别为生成的四种阶级灰狼，在X[i](t+1)A中，目标函数值最优的灰狼X1被视作头狼α，之后，目标函数值排名第2和第3的灰狼X2、X3被视作β狼，而目标函数值排名4-6位的灰狼X4、X5、X6被视作δ狼。而在X[i](t+1)B到X[i](t+1)D中，将目标函数值最优的前两个灰狼X1、X2视作α狼，将目标函数值排名第3和第4的灰狼X3、X4作为β狼，将目标函数值排名第5-7位的灰狼X5、X6、X7作为δ狼，在X[i](t+1)B中，第一只α狼会对其他灰狼起到影响作用，在X[i](t+1)C中，第二只α狼会对其他灰狼产生影响作用，而在X[i](t+1)D中，两只α狼会对其他灰狼产生平等的影响作用。δw[i]为一个随着训练的进行从1线性递减为0的权重参数，用于调控较优的狼对其他狼的影响程度。本申请实施例通过引入更多的头狼，每只头狼起到不同的影响作用，从而尽可能的避免因为使用较少头狼所导致的狼群被个别头狼引入局部最优解的困境中。其中，计算出的阶级灰狼数量为至少两个，作为优选，本申请实施例计算出的阶级灰狼数量为4个。
为了平衡探索与发掘，在计算阶级灰狼的过程中，δ狼的权重δw[i]是动态变化的，其权重为一个从1线性递减到0的系数，且其权重也会随着灰狼重启寿命重新开始而减小。在训练初期，δ狼的权重较大，可以鼓励算法进行更大程度的探索。随着训练的进行，其他灰狼的表现逐步稳定，这时，算法会逐步调小δ狼的权重，从而提升算法的挖掘能力。
S23c：采取贪心策略从四种灰狼阶级中选取能产生最优目标函数值的灰狼阶级。
S24：采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰，并重新初始化被淘汰灰狼的位置；
本步骤中，在传统的灰狼优化算法中，所有的灰狼都会持续整个迭代过程，不存在对于灰狼的淘汰。因此，即使一个灰狼的目标函数值表现极差，其也会被不停迭代。为了更好的反映自然中的淘汰规律，在本申请实施例的改进版灰狼优化算法中，引入了灰狼寿命淘汰算法对目标函数值表现不佳的灰狼以一定的概率进行淘汰，从而增强算法的探索能力。请一并参阅图4，是本申请实施例的灰狼寿命淘汰算法的流程图，其具体包括以下步骤：
S24a：在迭代训练过程中，判断每只灰狼是否是目标函数值最差的灰狼，如果不是，执行S24b，否则，执行S24c；
S24b：采用贪心阶级灰狼引导算法更新未被淘汰的灰狼位置；
本步骤中，灰狼的位置更新过程与S23相同，此处将不再赘述。
S24c：生成灰狼的淘汰决定值e，并判断该灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果高于设定的淘汰阈值，则执行S24d；否则，执行S24b；
S24d：生成重启寿命决定值；
S24e：判断重启寿命决定值是否大于设定概率值，如果重启寿命决定值大于设定概率值，执行S24f；否则，执行S24g；其中，本申请实施例设定概率值为0.5，具体可根据实际应用进行设定。
S24f：重新初始化该灰狼；
S24g：淘汰该灰狼，随机选取一个存活的灰狼G[i]，并计算灰狼G[i]的反向向量lb+ub–G[i]，将灰狼G[i]的反向向量作为被淘汰灰狼的新位置；其中l b与ub分别为向量元素的下限与上限。
通过上述淘汰方式，将目标函数值表现不佳的灰狼以一定的概率进行淘汰，被淘汰后，其会有一半的概率重新开始探索，以另一半的概率去探索一个存活灰狼在搜索空间中远离该灰狼的反向向量，从而增强算法的探索能力，克服传统灰狼优化算法中表现不好的灰狼全程参与迭代的弊端。
S25：根据当前灰狼位置生成计算任务卸载方案，根据生成的计算任务卸载方案进行任务卸载，并计算满足计算任务所产生的利润、代价与目标函数值；
本步骤中，任务卸载过程具体包括：接收当前灰狼优化算法所产生的任务卸载方案；其中，任务卸载方案是一个向量，其长度与计算任务的数量一致，向量中的所有元素介于0与ub之间，ub为常数；根据任务卸载方案将计算任务分发到对应的一端，按照任务卸载方案中的元素排列顺序执行计算任务；其中，任务分发策略具体为：若元素小于ub/2，则将该任务分配在云端执行，反之将该任务分配在边端执行；对于每一个计算任务，选取在其被分配的一端中与之原位置通讯代价最小且接收此任务不会造成过载的节点执行任务；为了避免过载，首先选取在任务被分配的一侧与之原位置通讯代价最小的节点，如果选取的节点接收此任务会造成过载，则重新选取通讯代价次小的节点，并以此类推，直到选取的节点接收此任务不会造成过载。如果在任务被分配的一侧不存在任何一个节点可以在不过载的情况下接收该任务，则该任务直接失服。
本申请实施例中，为了在优化通讯代价的同时优化满足计算任务所产生的利润，满足计算任务所产生的总利润记为：
为了可以同时优化计算任务卸载所产生的代价与利润，边云计算任务卸载模型的最终优化目标函数值定义为：
其中，λ为具有负值的常数，使得算法可以在最小化通讯代价的同时最小化利润的相反数。
S26：判断迭代次数是否达到最大迭代次数，如果是，执行S27；否则，重新执行S22；
S27：将目标函数值最优的计算任务卸载方案作为最终的计算任务卸载方案。
S30：根据改进版灰狼优化算法得到的计算任务卸载方案进行计算任务卸载。
本申请实施例中，在计算任务卸载的过程中，模型考虑了对于节点过载的避免，从而使得计算任务卸载不会造成计算节点的过载。最后，模型同时考虑了对于计算任务卸载的代价与满足计算任务所产生的收益的优化，使得所产生的计算任务卸载方案更加实用，更具一般性。
基于上述，相对于现有技术，本申请实施例的边云计算任务卸载方法至少具有以下有益效果：
一、构建的边云计算任务卸载模型考虑了一般性的异构通讯代价、任务所具有的异构计算代价，可以同时优化计算任务卸载的代价与满足计算任务所产生的利润，使得所产生的计算任务卸载方案更加实用，更具一般性。
二、采用改进版灰狼优化算法对边云计算任务卸载模型进行优化，通过引入基于贪心算法的阶级灰狼，从而更好的避免算法陷入局部最优解，同时，有效的平衡了探索与发掘，从而可以得到更优的边云计算任务卸载方案。
三、采用灰狼寿命淘汰算法对表现欠佳的灰狼进行一定概率的淘汰，避免表现欠佳的灰狼全程参与训练，从而增强算法的探索能力。
四、在计算任务卸载的过程中，模型考虑了对于节点过载的避免，从而使得计算任务卸载不会造成计算节点的过载。
请参阅图5，为本申请实施例的边云计算任务卸载系统结构示意图。本申请实施例的边云计算任务卸载系统40包括：
模型构建模块41：用于基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
模型优化模块42：用于采用改进版灰狼优化算法对边云计算任务卸载模型进行优化，得到计算任务卸载方案；改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据阶级灰狼更新灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；
任务卸载模块43：用于根据计算任务卸载方案对计算任务进行卸载。
请参阅图6，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述边云计算任务卸载方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制边云计算任务卸载。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图7，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种边云计算任务卸载方法，其特征在于，包括：
基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；所述改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；
根据所述计算任务卸载方案对所述计算任务进行卸载；
所述采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置具体包括：
采用密度感知算法对灰狼种群进行初始化；
在算法训练过程中，判断灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果灰狼的淘汰决定值e不高于设定的淘汰阈值，采用贪心阶级灰狼引导算法，根据目标函数值最优的前N个灰狼计算出所有可计算的阶级灰狼，根据阶级灰狼中目标函数值最优的阶级灰狼更新未被淘汰的灰狼位置；否则，采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰，并重新初始化被淘汰灰狼的位置；
根据当前灰狼位置生成计算任务卸载方案，根据生成的计算任务卸载方案进行任务卸载；
所述采用密度感知算法对灰狼种群进行初始化具体为：
设置初始化灰狼向量的生成数量；所述初始化灰狼向量的生成数量大于灰狼所需数量；
生成初始化灰狼向量，并判断初始化灰狼向量集群中的初始化灰狼向量是否达到设定数量，如果没有达到设定数量，在生成每一个灰狼向量时，对于每一个任务，将其分配到产生较优目标函数值的一侧执行，并随机分配执行顺序；如果达到设定数量，
基于密度感知机制，从所述初始化灰狼向量集群中选择欧氏距离最相近的两个初始化灰狼向量，计算所述两个初始化灰狼向量的均值向量，将所述均值向量作为新的灰狼向量加入到初始化灰狼向量集群中，并将所述两个初始化灰狼向量从初始化灰狼向量集群中删除，直到所述初始化灰狼向量集群中的灰狼向量数量达到灰狼所需数量，得到最终的初始化灰狼向量集群。
2.根据权利要求1所述的边云计算任务卸载方法，其特征在于，所述基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型具体为：
所述通讯代价为：
式中，为边E<V s , V t>的长度，V s为起始位置节点，V t为迁移位置节点；V C表示云端的计算设备，V E表示边端的计算设备；/>表示起始位置节点和迁移位置节点都在云端时的通讯代价， />表示起始位置节点和迁移位置节点都在边端时的通讯代价， />表示节点从云端迁移到边端的通讯代价，/>表示节点从边端迁移到云端的通讯代价；
所述计算代价为：
式中，G为图模型，T为等待被卸载执行的计算任务集合，为计算任务卸载方案，/>为计算任务T k在云端执行的计算代价，/>为计算任务T k在边端执行的计算代价；/>为指示函数。
3.根据权利要求1所述的边云计算任务卸载方法，其特征在于，所述贪心阶级灰狼引导算法具体为：
其中，CI代表当前迭代次数，MI代表最大迭代次数，r 1和r 2分别为在0-1之间的随机数，C为一个介于[0, 2]之间的参数向量，C j为参数向量C中的第j个分量，A为一个介于[-2a,2a]之间的参数向量，其中a为一个随着训练进行从2线性递减为0的参数，A j是参数向量A中的第j个分量；X为灰狼的位置向量，X j表示目标函数值较优的灰狼的位置向量；bl用于记录灰狼的寿命起始迭代，X 1、X 2、X 3、X 4、X 5、X 6、X 7分别为目标函数值最优的前7个灰狼，7个灰狼中，X 1的目标函数值最优，X 2、X 3、X 4、X 5、X 6、X 7依次次之；X [i] (t+1)A、X [i] (t+1)B、X [i] (t+1)C、X [i] (t+1)D分别为生成的阶级灰狼；δw[i]为一个随着训练的进行从1线性递减为0的权重参数；
在X [i] (t+1)A中，将目标函数值最优的灰狼X 1作为头狼α，将目标函数值排名第2和第3的灰狼X 2、X 3作为β狼，将目标函数值排名第4-6位的灰狼X 4、X 5、X 6作为δ狼；
在X [i] (t+1)B到X [i] (t+1)D中，将目标函数值最优的前两个灰狼X 1、X 2作为α狼，将目标函数值排名第3和第4的灰狼X 3 、X 4作为β狼，将目标函数值排名第5-7位的灰狼X 5 、X 6 、X 7作为δ狼，在X [i] (t+1)B中，α狼X 1对其他灰狼起到影响作用，在X [i] (t+1)C中，α狼X 2对其他灰狼产生影响作用，在X [i] (t+1)D中，两只α狼X 1、X 2对其他灰狼产生平等的影响作用。
4.根据权利要求3所述的边云计算任务卸载方法，其特征在于，所述采用灰狼寿命淘汰算法将淘汰决定值e高于设定淘汰阈值的灰狼进行淘汰具体为：
在迭代训练过程中，判断每只灰狼是否是目标函数值最差的灰狼，如果不是，采用贪心阶级灰狼引导算法更新所述灰狼的位置；否则，
生成所述灰狼的淘汰决定值e，并判断所述灰狼的淘汰决定值e是否高于设定的淘汰阈值，如果不高于设定的淘汰阈值，则采用贪心阶级灰狼引导算法更新所述灰狼的位置；否则，
生成所述灰狼的重启寿命决定值，并判断所述灰狼的重启寿命决定值是否大于设定概率值，如果重启寿命决定值大于设定概率值，重新初始化所述灰狼；否则，
淘汰所述灰狼，并随机选取一个存活的灰狼，计算所述存活灰狼的反向向量，将所述存活灰狼的反向向量作为被淘汰灰狼的新位置。
5.根据权利要求1至4任一项所述的边云计算任务卸载方法，其特征在于，所述根据所述计算任务卸载方案对所述计算任务进行卸载具体为：
接收当前灰狼优化算法所产生的任务卸载方案；所述任务卸载方案是一个向量，其长度与计算任务的数量一致，所述向量中的所有元素介于0与ub之间，ub为常数；
根据所述任务卸载方案将计算任务分发到对应的一端，按照任务卸载方案中的元素排列顺序执行计算任务；任务分发策略具体为：如果元素小于ub/2，则将所述计算任务分配在云端执行；反之，则将所述计算任务分配在边端执行；
对于每一个计算任务，在其被分配的一端中选取与所述计算任务的原位置通讯代价最小且接收所述计算任务不会造成过载的节点执行所述计算任务。
6.一种边云计算任务卸载系统，用于实现权利要求1-5任一项所述的边云计算任务卸载方法，其特征在于，包括：
模型构建模块：用于基于计算任务的异构通讯代价和计算代价构建边云计算任务卸载模型；
模型优化模块：用于采用改进版灰狼优化算法对所述边云计算任务卸载模型进行优化，得到计算任务卸载方案；所述改进版灰狼优化算法具体为：在迭代过程中，采用贪心阶级灰狼引导算法根据目标函数值最优的前N个灰狼计算出至少两个阶级灰狼，从所有阶级灰狼中选择目标函数值最优的阶级灰狼，根据所述阶级灰狼更新所述灰狼的位置；当达到最大迭代次数后，根据最终的灰狼位置生成计算任务卸载方案；
任务卸载模块：用于根据所述计算任务卸载方案对所述计算任务进行卸载。
7.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-5任一项所述的边云计算任务卸载方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制边云计算任务卸载。
8.一种计算机存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至5任一项所述边云计算任务卸载方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111513744.XA CN114296814B (zh) | 2021-12-10 | 2021-12-10 | 一种边云计算任务卸载方法、系统、终端以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111513744.XA CN114296814B (zh) | 2021-12-10 | 2021-12-10 | 一种边云计算任务卸载方法、系统、终端以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114296814A CN114296814A (zh) | 2022-04-08 |
| CN114296814B true CN114296814B (zh) | 2024-06-21 |
Family
ID=80968407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111513744.XA Active CN114296814B (zh) | 2021-12-10 | 2021-12-10 | 一种边云计算任务卸载方法、系统、终端以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114296814B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145694A (zh) * | 2022-08-02 | 2022-10-04 | 集美大学 | 基于一维灰狼算法云计算任务调度方法、装置及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109698861A (zh) * | 2018-12-14 | 2019-04-30 | 深圳先进技术研究院 | 一种基于代价优化的计算任务卸载算法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7941805B2 (en) * | 2006-08-15 | 2011-05-10 | International Business Machines Corporation | Affinity dispatching load balancer with precise CPU consumption data |
| US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
| US20200249998A1 (en) * | 2019-02-01 | 2020-08-06 | Alibaba Group Holding Limited | Scheduling computation graph heterogeneous computer system |
| CN112600921B (zh) * | 2020-12-15 | 2022-05-10 | 重庆邮电大学 | 一种面向异构移动边缘网络的动态任务卸载方法 |
| CN112995289B (zh) * | 2021-02-04 | 2022-05-17 | 天津理工大学 | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 |
| CN113420421B (zh) * | 2021-05-28 | 2023-07-25 | 西安邮电大学 | 移动边缘计算中基于时序正则化张量分解的QoS预测方法 |
| CN113364859B (zh) * | 2021-06-03 | 2022-04-29 | 吉林大学 | 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 |
-
2021
- 2021-12-10 CN CN202111513744.XA patent/CN114296814B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109698861A (zh) * | 2018-12-14 | 2019-04-30 | 深圳先进技术研究院 | 一种基于代价优化的计算任务卸载算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114296814A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
| WO2021143883A1 (zh) | 神经网络的自适应搜索方法及装置 | |
| US20220414432A1 (en) | Method and system for splitting and bit-width assignment of deep learning models for inference on distributed systems | |
| CN110531996B (zh) | 一种多微云环境下基于粒子群优化的计算任务卸载方法 | |
| CN113485826B (zh) | 一种边缘服务器负载均衡方法、系统 | |
| CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
| CN111970154B (zh) | 基于深度增强学习和凸优化的卸载决策及资源分配方法 | |
| Long et al. | Q-pim: A genetic algorithm based flexible dnn quantization method and application to processing-in-memory platform | |
| CN112513886A (zh) | 信息处理方法、信息处理装置和信息处理程序 | |
| CN114296814B (zh) | 一种边云计算任务卸载方法、系统、终端以及存储介质 | |
| CN111694664A (zh) | 一种边缘服务器的计算卸载分配方法 | |
| Sessa et al. | Contextual games: Multi-agent learning with side information | |
| Pham | Reduction of function evaluation in differential evolution using nearest neighbor comparison | |
| CN115562756A (zh) | 一种多接入边缘计算的车辆任务卸载方法及系统 | |
| CN114936708A (zh) | 基于边云协同任务卸载的故障诊断优化方法及电子设备 | |
| CN115408072A (zh) | 基于深度强化学习的快速适应模型构建方法及相关装置 | |
| CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
| Hu et al. | Content-Aware Adaptive Device–Cloud Collaborative Inference for Object Detection | |
| CN110768827B (zh) | 一种基于群智能算法的任务卸载方法 | |
| CN111488208A (zh) | 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法 | |
| CN116305747A (zh) | 一种基于改进鲸鱼优化算法的工作流多目标调度方法 | |
| CN117707795B (zh) | 基于图的模型划分的边端协同推理方法及系统 | |
| CN116974774B (zh) | 一种星载计算资源分配优化方法、服务器及存储介质 | |
| US20240020550A1 (en) | System and method for inference generation via optimization of inference model portions | |
| CN115827239A (zh) | 一种基于深度强化学习的动态频率和深度学习模型卸载联合调节方法及系统 |
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 |