CN114567933A - 基于改进遗传算法的异构云雾协同网络中的资源分配方法 - Google Patents

Abstract

本发明公开基于改进遗传算法的异构云雾协同网络中的资源分配方法，包括：收集终端设备所需完成的计算任务的数量；基于构建的异构网络计算迁移问题模型，获得最优的终端设备所分配到的用于完成计算任务的计算资源、最优的终端设备将计算任务迁移所需的上行链路的传输功率和最优的终端设备的任务卸载策略。本发明在雾端收集终端设备所需完成计算任务的数量，完成计算任务所需的计算量以及完成任务所能接受的最大时延这三个参数，通过改进遗传算法实现对终端设备的卸载决策、分配到的计算资源和传输功率的联合优化，得到了异构网络中基于云雾协同计算的资源分配方案，解决了异构网络中雾计算和云计算共存协同的资源分配问题，减少了计算量。

Description

基于改进遗传算法的异构云雾协同网络中的资源分配方法

技术领域

本发明涉及基于改进遗传算法的异构云雾协同网络中的资源分配方法，属于资源分配技术领域。

背景技术

物联网概念是在互联网概念的基础上，将其用户端延伸和扩展到任何物品与物品之间，进行信息交换和通信的一种网络概念。物联网是实现智能社会的关键因素，为了避免物联网设备消耗巨大的计算资源，物联网设备可以将其计算任务迁移到云端，这样可以缓解设备的计算压力。然而，云计算可能会产生不可避免的时延和传输能耗。因此，作为云计算的延伸，雾计算的提出引发了广泛的关注。

雾计算并非是性能强大的服务器，而是由性能较弱、更为分散的各种功能计算机组成，雾计算是介于云计算和个人计算之间的，是半虚拟化的服务计算架构模型，强调数量，不管单个计算节点能力多么弱都要发挥作用。与云计算相比，雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中，而不像云计算那样将它们几乎全部保存在云中，数据的存储及处理更依赖本地设备，而非服务器。雾计算是新一代分布式计算，符合互联网的“去中心化”特征。

雾计算和云计算是高度互补的，两者的资源协同利用是非常重要和必要的。只有将云计算和雾计算两者协同利用，才能有效降低系统的成本。此外，随着无线局域网的广泛部署，设备通常需要连接到网络中的多个不同的无线接入点(WAP)。在异构网络中，设备不仅需要决定任务是否卸载，还需要选择合适的无线接入点以获得较高的数据传输速率。因此，随着考虑的场景更加全面，资源优化问题也更加复杂。在异构环境中，当系统的无线接入网点数量较多时，得到最优卸载策略的计算复杂度会很大，会造成很大的计算时延。因此，降低计算量成为异构环境下云雾协同计算能否实用的关键点。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供基于改进遗传算法的异构云雾协同网络中的资源分配方法，本发明在雾端收集终端设备所需完成计算任务的数量，完成计算任务所需的计算量以及完成任务所能接受的最大时延这三个参数，通过改进遗传算法实现对终端设备的卸载决策、分配到的计算资源和传输功率的联合优化，得到了异构网络中基于云雾协同计算的资源分配方案，解决了异构网络中雾计算和云计算共存协同的资源分配问题，减少了计算量，本发明在雾端收集终端设备所需完成计算任务的数量，完成计算任务所需的计算量以及完成任务所能接受的最大时延这三个参数，通过改进遗传算法实现对终端设备的卸载决策、分配到的计算资源和传输功率的联合优化，得到了异构网络中基于云雾协同计算的资源分配方案，解决了异构网络中雾计算和云计算共存协同的资源分配问题，减少了计算量。

为达到上述目的，本发明提供基于改进遗传算法的异构云雾协同网络中的资源分配方法，包括：收集终端设备所需完成的计算任务的数量；

基于构建的异构网络计算迁移问题模型，获得最优的终端设备所分配到的用于完成计算任务的计算资源f、最优的终端设备将计算任务迁移所需的上行链路的传输功率P和最优的终端设备的任务卸载策略a_n。

优先地，异构网络计算迁移问题模型为：

s.t.C1：

C2：

C3：

C4：

C5：

C6：

最小目标函数中，基站BSs包含一个宏基站MBS和M个小基站SBSs，M＝{1,2,...,M,M+1}表示基站的集合，M₁＝{1,2,...,M}表示SBSs的集合，M+1表示MBS，m∈[-M-1,M+1],S＝{-M-1,-M,...-1,0,1,...,M,M+1}表示卸载决策；

n∈N，N＝{1,2,…,N}表示终端设备的集合，终端设备的任务卸载策略表示为A＝{a_n＝i|i∈S,n∈N},a_n＝0表示终端设备n选择在本地处理计算任务；a_n＝m,m∈M₁表示终端设备n选择通过第m个SBSs将计算任务卸载至雾端；a_n＝-m,m∈M₁表示终端设备n选择通过第m个SBSs将计算任务卸载至云端；a_n＝M+1表示终端设备n选择通过MBS将计算任务卸载至雾端；a_n＝-M-1表示终端设备n选择通过MBS将计算任务卸载至云端；I(x)是一个指示函数，当a_n＝m为真时等于1，否则等于0；

f表示终端设备所分配到的用于完成计算任务的计算资源，p表示终端设备将计算任务迁移所需的上行链路的传输功率；

C1中，

表示终端设备n的计算能力；

C2中，

表示终端设备n的总传输功率，

为上行链路的传输功率的最大值；

C3中，

表示终端设备n通过SBSs将计算任务中继至MBS处后再迁移至云端所获得的计算资源；

C4中，

表示终端设备n通过SBSs将计算任务中继至MBS处再迁移至雾端所获得的计算资源，F表示雾端的最大计算能力；

C6中，每个终端设备含有一个计算任务

D_n表示该计算任务的大小，C_n表示完成终端设备的所有计算任务所需的最小计算资源，

表示终端设备完成所有计算任务所能接受的最大时延；

表示终端设备n将计算任务迁移至雾端处理所能接受的最大时延，

表示终端设备n在本地完成计算任务所能接受的最大时延，

表示终端设备n将计算任务迁移至云端处理所能接受的最大时延，

表示终端设备n完成计算任务所能接受的最大时延。

优先地，

式中，

表示终端设备n在空闲状态下的维护功率，

表示云端计算的能耗，β_n表示能源消耗的影响因子，α_n表示货币成本的影响因子，

表示云端计算的货币成本；

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，τ表示单位数据从MBS到云端的传输时间延迟，

表示终端设备n直接通过MBS将计算任务迁移至云端产生的能耗；

表示云端的计算资源的单位成本，ρ表示第m个基站传输速率的单价；

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，

表示扫描可用基站时消耗的能量，

表示终端设备n的上行链路传输速率，

表示终端设备n的总传输功率；

表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，

表示终端设备n向MBS传输计算任务时的总功率，

表示终端设备n直接通过MBS将计算任务迁移至雾端时的上行链路传输速率；

n_m是由第m个基站分配给终端设备n的正交子信道数，频谱被分割为K＝{1,2,...,K}个子信道，每个子信道最多只能分配给一个终端设备使用；ω_m表示第m个基站的信道带宽；

表示终端设备n通过子信道k向第m个基站传输计算任务的功率，

表示终端设备n与第m个基站之间的信道增益，N₀表示噪声功率，

表示相同子信道上其他基站对使用第m个基站的终端设备n的干扰，n’表示终端设备n之外的其他设备，m’表示第m个基站之外的其他基站，

表示设备n’在子信道k上将任务传送到第m’个基站的功率，

表示终端设备n’与第m’个基站之间的信道增益；

式中，P_n ⁰表示终端设备n本地完成计算任务W_n的能耗，ξ表示每个终端设备的中央处理器周期消耗的能量的系数；

式中，

表示雾端计算的总成本；

表示雾端计算的能耗；

为卸载计算任务至雾端的货币成本，

表示雾端的计算资源的单位成本；

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的能耗，t_b表示单个计算任务的回程传输时延；

表示终端设备n直接通过MBS将计算任务迁移至雾端产生的能耗，

表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，

表示终端设备n向MBS传输计算任务时的总功率，

表示终端设备n直接通过MBS将计算任务迁移至雾端时的上行链路传输速率。

优先地，

式中，

表示云端完成计算任务产生的时延，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的时延，

表示终端设备n直接通过MBS将计算任务迁移至云端产生的时延；

式中，

为终端设备n完成本地计算任务的时延；

式中，

表示雾端计算完成计算任务的时延，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的时延，

表示终端设备n直接通过MBS将计算任务迁移至雾端产生的时延。

优先地，基于改进遗传算法，获得最小目标函数中最优的a_n，p以及f，包括：

染色体OS(n)表示a_n，染色体RA(n)表示p，染色体FA(n)表示f；

第一步，初始化种群g(t)，设置最大迭代次数T、种群大小s、自适应交叉概率Pc、自适应变异概率Pm、标准差阈值φ和参数V；

第二步，计算群体g(t)中每个个体的适应度函数值，根据每个个体的适应度函数值，选择优良个体遗传到下一代群体；

第三步，将交叉算子作用于群体g(t)，基于自适应交叉概率Pc交换被选择的成对个体之间的部分染色体，产生新的个体；

第四步，将变异算子作用于群体g(t)，基于自适应变异概率Pm改变被选择的个体的部分基因值，得到新的个体，得到下一代群体g(t+1)；

第五步，依据适应度标准差公式计算当前种群g(t+1)的个体适应度标准差σ，对当前迭代次数和标准差进行判定，决定是否进行高斯扰动和增大变异概率操作；

第六步，若当前进化代数t达到了最大迭代次数T，则输出最优的染色体，从而获得a_n、p和f，获得异构网络计算迁移问题模型的最优解，结束运行，否则转至第二步，将群体g(t+1)赋值给群体g(t)。

优先地，适应度函数为：

式中，ε_ob表示异构网络计算迁移问题模型的目标函数，γ表示预先设定的惩罚程度的惩罚因子，penaly(n,g)为罚函数，P_n表示设备n完成任务的成本。

优先地，第三步，选择优良个体遗传到下一代群体，包括：

从存活染色体中选择优异个体来产生新的后代，每个染色体的被选择概率p_n为：

F_n＝1/Fit_n(g)，

F_m＝1/Fit_m(g)，

式中，F_n为第n条染色体的适应度函数值的倒数，s是种群大小，m∈[1,s]。

优先地，第三步，包括：

以基因为最小交叉单位，随机获取被选择的染色体对的基因交叉位置点；

根据下式在基因交叉位置点进行交叉操作：

式中，序列σ_n,n∈{1,2,...,N}表示染色体上的基因交叉位置点，遵循伯努利分布；

表示当前父辈染色体a的染色体OS(n)，

表示当前父辈染色体a的染色体RA(n)，

表示当前父辈染色体a的染色体FA(n)；

表示当前父辈染色体b的染色体OS(n),

表示当前父辈染色体b的染色体RA(n)，

表示当前父辈染色体b的染色体FA(n)；

表示交叉后新生成的子代染色体a的染色体OS(n)，

表示交叉后新生成的子代染色体a的染色体RA(n)，

表示交叉后新生成的子代染色体a的染色体FA(n)；

表示交叉后新生成的子代染色体b的染色体OS(n),

表示交叉后新生成的子代染色体b的染色体RA(n)，

表示交叉后新生成的子代染色体b的染色体FA(n)。

优先地，第四步，包括：

OS部分采用整数变异；

RA和FA部分采用非均匀变异，随机扰动被选择的个体的基因值，获得具有新基因值的被选择的个体；

非均匀变异，包括：

随机生成一个2元变异掩模序列θ_n,n∈{1,2,...,N}，确定被选择的个体的需要产生变异的基因点；

若OS(n)的基因点发生变异，则该基因点的基因值将会变成其相反数；

若RA(n)或FA(n)的基因点发生变异，则基于变异公式更新该基因点的基因值；

变异公式为:

x^g(n)表示发生变异的基因点的基因值，Δ(t,y)表示[0,y]范围内符合非均匀分布的一个随机数，y代表

或

y取值范围为

表示变异点x^g(n)取值范围的最大值，

表示变异点x^g(n)取值范围的最小值；random(0,1)表示随机产生0或1；

Δ(t,y)定义如下：

式中，r为[0,1]范围内符合均匀概率分布的一个随机数；b是设定的系统参数，决定了随机扰动对进化代数t的依赖程度。

优先地，第五步，依据适应度标准差公式计算当前种群的个体适应度标准差σ，对当前迭代次数和标准差进行判定，决定是否进行高斯扰动和增大变异概率操作，包括：

将自适应交叉概率Pc和自适应变异概率Pm均与当前种群的适应度函数值关联：

式中，P_max表示交叉概率或变异概率的最大值，P_min表示交叉或变异概率的最小值；

f_i(g)表示染色体i的适应度函数值，f_average(g)表示当前种群的染色体的平均适应度函数值，f_min(g)表示当前种群中的染色体适应度函数值中的最小值；

依据适应度标准差公式计算当前种群的个体适应度标准差σ，适应度标准差公式为：

式中，s为种群个体数；

继续进行有效搜索，若σ≤φ则count的数值增加1，若σ＞φ则count＝0；

在当前迭代次数达到[T/2]次之前，若count＝V，则判定陷入局部最优解，对当前种群进行高斯扰动并增大变异概率Pm使当前变异概率Pm变为2Pm，迫使搜索跳出局部最优解，[T/2]为向下取整。

本发明所达到的有益效果：

本发明提出了一种基于改进遗传算法的资源分配方法，该方法针对由云计算、雾计算和物联网组建的三层体系结构场景模型，建立了基于云雾协同计算的异构网络计算迁移问题模型。通过在雾端收集终端设备所需完成计算任务的数量，完成计算任务所需的计算量以及完成任务所能接受的最大时延这三个参数，通过改进遗传算法(IGA)实现对终端设备的卸载决策，分配到的计算资源和传输功率的联合优化，得到了异构网络中基于云雾协同计算的资源分配方案，解决了异构网络中雾计算和云计算共存协同的资源分配问题，并在保持性能的基础上减少了计算量；

本发明改进了一般系统中简单的分层计算模型，加入了异构场景。在异构网络中，终端设备不仅需要决定任务是否卸载，还需要选择合适的无线接入点以获得较高的数据传输速率。虽然考虑的场景更加复杂，资源优化问题也更加复杂，但更符合现实中的应用场景；

本发明用遗传算法求解该系统资源分配问题，针对传统遗传算法无法解决复杂约束函数的问题，引入了罚函数来反映解对于约束条件的偏离程度，从而淘汰不可行解；

本发明提出了一种遗传算法的参数自适应改进方法，提升遗传算法的收敛性能，提出一种依据种群适应度标准差的变异概率扰动方法，使得算法能跳出局部最优的情况继续搜索。

附图说明

图1为本发明的异构网络模型图；

图2为本发明中遗传算法的流程示意图；

图3为本发明中染色体的结构图；

图4为本发明中交叉过程结构图；

图5为本发明中变异过程的结构图。

具体实施方式

以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1为本发明建立的一个由云计算、雾计算和物联网组建的三层体系异构网络模型图，物联网设备通过异构网络将计算任务迁移到雾端或云端，具体地包括：

第一方面，根据物联网特性，考虑了一个由云计算、雾计算和物联网组建的三层体系结构。物联网设备通过异构网络将计算任务迁移到雾或云端。在此结构下，建立了基于云雾协同计算的异构网络计算迁移问题模型。在异构网络中，终端设备不仅需要决定任务是否卸载，还需要选择合适的无线接入点以获得较高的数据传输速率。

第二方面，用遗传算法来求解异构环境下的云雾协同资源分配问题，针对传统遗传算法无法解决复杂约束函数的问题，引入了罚函数来反映解对于约束条件的偏离程度，从而淘汰不可行解。

第三方面，针对提高遗传算法收敛速度和遗传算法容易早熟的缺点，对遗传算法陷入局部最优的缺陷，做出改进。

设系统中一共有N个终端设备，表示为终端设备集N＝{1,2,…,N}。系统中的每个终端设备n都含有一个计算任务

D_n表示该计算任务的大小(单位为KB)，C_n表示完成终端设备n完成计算任务所需的计算资源，

表示终端设备n完成计算任务所能接受的最大时延。

本发明中，异构网络中的基站(BaseStations,BSs)包含一个宏基站MBS和M个小基站SBSs，宏基站MBS作为雾端。其中，SBSs的服务区域被宏基站的服务区域覆盖。用M＝{1,2,...,M,M+1}表示基站的集合，M₁＝{1,2,...,M}表示SBSs的集合，M+1表示MBS。

每个任务都可以选择在本地处理，或卸载到雾端/云端完成。SBSs和MBS通信连接，将SBSs的计算任务传输中继到MBS，终端设备要么直接将计算任务卸载至MBS，或者将计算任务卸载至SBSs，再通过SBSs中继至MBS。MBS和SBSs工作在不同的频段。

此外，频谱被分割为K个子信道，表示为K＝{1,2,...,K}，每个子信道最多只能分配给一个终端设备使用，第m个基站的信道带宽为ω_m。

将卸载决策表示为S＝{-M-1,-M,...-1,0,1,...,M,M+1}，终端设备的任务卸载策略表示为A＝{a_n＝i|i∈S,n∈N}；a_n＝0表示终端设备n选择在本地处理计算任务，a_n＝m,m∈M₁表示终端设备n选择通过第m个SBSs将计算任务卸载至雾端，a_n＝-m,m∈M₁表示终端设备n选择通过第m个SBSs将计算任务卸载至云端，a_n＝M+1表示终端设备n选择通过MBS将计算任务卸载至雾端，a_n＝-M-1表示终端设备n选择通过MBS将计算任务卸载至云端。

计算本地计算、将计算任务卸载到雾端或云端的系统成本：

对于本地计算，因为不存在计算迁移问题，因此终端设备n本地完成计算任务W_n的时延

和能耗P_n ⁰仅由终端设备自身计算任务时产生：

其中，

表示终端设备n的计算能力，C_n表示表示完成终端用户的所有计算任务所需的最小计算资源，ξ表示每个终端设备的中央处理器周期消耗的能量的系数。

对于雾计算和云计算，除了需要考虑完成计算任务时的时延和能耗，还需要考虑终端设备将计算任务迁移时产生的时延和能耗。当终端设备n将自身的计算任务卸载到雾端或云端时，计算任务需要通过第m个基站传输到雾端或云端，m∈M,M＝{1,2,...,M,M+1}。

终端设备n的上行链路传输速率为

其中，ω_m表示第m个基站的信道带宽；N₀指噪声功率，

表示终端设备n与第m个基站之间的信道增益，

表示终端设备n通过子信道k向第m个基站传输计算任务的功率，

表示相同子信道上其他基站对使用第m个基站的终端设备n的干扰，n’表示终端设备n之外的其他设备，m’表示第m个基站之外的其他基站，

表示设备n’在子信道k上将任务传送到第m’个基站的功率，

表示终端设备n’与第m’个基站之间的信道增益；I(x)是一个指示函数，当x为真时等于1，否则等于0；n_m是由第m个基站分配给终端设备n的正交子信道数。另外，由于计算结果的数据量较少，所以忽略接收计算任务结果的时间。

在此基础上，给出雾端计算的时延和能耗：

其中：

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的时延，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的能耗，

表示扫描可用基站时消耗的能量，

表示终端设备n在空闲状态下的维护功率。

表示终端设备n的总传输功率，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端获得的计算资源，t_b表示单个计算任务的回程传输时延。

表示终端设备n直接通过MBS将计算任务迁移至雾端产生的时延，

表示终端设备n直接通过MBS将计算任务迁移至雾端产生的能耗；

表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，

表示终端设备n直接通过MBS将计算任务迁移至雾端时的上行链路传输速率；

表示终端设备n向MBS传输计算任务时的总功率；

计算卸载计算任务至雾端的货币成本：

其中，

表示雾计算资源的单位成本；ρ表示第m个基站传输速率的单价。

根据式三、四和五，雾端计算的总成本为：

其中，β_n为能源消耗的影响因子，α_n为货币成本的影响因子。

对于云计算，终端设备需要将其计算任务卸载到云端。假设，云端总是拥有足够的计算资源，从而可以很好地满足云处理终端设备的计算要求。此时，云端计算的时延和能耗分别如下：

其中，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的时延，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，其中τ表示单位数据从MBS到云端的传输时间延迟，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端获得的计算资源；

表示终端设备n直接通过MBS将计算任务迁移至云端产生的时延，

表示终端设备n直接通过MBS将计算任务迁移至云端产生的能耗。

同样地，卸载计算中需要考虑云计算的货币成本如式九所示，

式中，

表示云计算资源的单位成本，ρ表示第m个基站传输速率的单价。

类似地，云计算的总成本为：

异构网络计算迁移问题模型为：

s.t.C1：

C2：

C3：

C4：

C5：

C6：

其中，f表示终端设备所分配到的用于完成计算任务的计算资源，p表示终端设备将计算任务迁移所需的上行链路的传输功率；

基于改进遗传算法，获得最小目标函数中最优的a_n，p以及f，包括：

每个染色体包含OS(n)，RA(n)和FA(n)三个部分，每个部分分别由N个等位基因组成，分别对应N个用户；

染色体的适应度值根据适应度函数计算，以式十一中的最小目标函数作为适应度函数；

染色体OS(n)表示a_n，RA(n)表示p，FA(n)表示f；

第一步，初始化种群g(t)，设置最大迭代次数T、种群大小s、自适应交叉概率Pc、自适应变异概率Pm、标准差阈值φ和参数V；

第二步，计算群体g(t)中每个个体的适应度函数值，根据每个个体的适应度函数值，选择优良个体遗传到下一代群体；

第三步，将交叉算子作用于群体g(t)，基于自适应交叉概率Pc交换被选择的成对个体之间的部分染色体，产生新的个体；

第四步，将变异算子作用于群体g(t)，基于自适应变异概率Pm改变被选择的个体的部分基因值，得到新的个体；群体g(t)经过选择、交叉和变异运算之后得到下一代群体g(t+1)。计算其适应度值，并根据适应度值进行排序，准备进行下一次遗传操作。

第五步，依据适应度标准差公式计算当前种群g(t+1)的个体适应度标准差σ，对当前迭代次数和标准差进行判定，决定是否进行高斯扰动和增大变异概率操作；

第六步：若当前进化代数t达到了最大迭代次数T，输出最优解，否则转至第二步。

图2为基本遗传算法流程示意图，遗传算法(GA)利用生物遗传学的观点，结合适者生存和随机信息交换的思想，通过选择、交叉和变异等机制，实现种群的进化。在寻优过程中，遗传算法在解空间内随机产生多个起始点并同时开始搜索，由适应度函数来指导搜索方向，通过对当前群体施加选择、交叉和变异等一系列遗传操作，从而产生出新一代的群体，能够在复杂搜索空间快速寻求全局优化解。

如图3所示，一条染色体由多个等位基因组成，每个基因都对应一个变量。本发明中染色体分OS(n)，RA(n)和FA(n)三个部分，每个部分分别由N个等位基因组成，分别对应N个终端设备。这三个部分分别用来表示式十一中的变量a_n，p以及f。

第一部分表示终端设备的任务卸载策略，如当a_n值为0表示终端设备n选择在本地计算该任务，值为m,m∈M₁时表示终端设备n选择通过第m个SBSs将计算任务卸载到雾端，值为-m,m∈M₁表示终端设备n选择通过选择通过第m个SBSs将计算任务卸载到云端，值为M+1表示终端设备n选择通过MBS将计算任务卸载到雾端，值为-M-1表示终端设备n选择通过MBS将计算任务卸载到云端。

第二部分的等位基因值表示每个终端设备的上行链路传输功率；

第三部分的等位基因值表示终端设备所分配到的用于完成计算任务的计算资源。

与遗传学的优胜劣汰法则一样，遗传算法在每次迭代中都会选择部分染色体而淘汰另一部分染色体。而决定染色体被选择还是被淘汰的标准则是每个染色体的适应度值。染色体的适应度值根据适应度函数计算，本发明以式十一中的最小目标函数作为适应度函数，因为该优化问题是最小优化问题，所以对于本发明的染色体来说，其适应度值越小越好，表示该组解越接近最优解。

为了产生新的解，扩大解空间，遗传算法每次迭代都要采取选择、交叉和变异操作。交叉指两条染色体之间交换部分基因从而形成两条新的染色体，变异是指染色体的部分基因发生改变。本发明引入现有技术中的罚函数，对不可行解进行惩罚，以满足式十一中的约束条件。以优化问题中的约束函数作为罚函数，对不可行解的适应度值放大，这样可保证该不可行解一定会在迭代过程中被淘汰。

基于改进遗传算法，获得最小目标函数中最优的a_n，p以及f，包括：

染色体OS(n)表示a_n，染色体RA(n)表示p，染色体FA(n)表示f；

第一步初始化种群g(t)，设置最大迭代次数T、种群大小s、自适应交叉概率Pc、自适应变异概率Pm、标准差阈值φ和参数V；

第二步适应度评估，基于适应度函数计算群体g(t)中每个个体的适应度函数值，根据每个个体的适应度函数值选择优良个体遗传到下一代群体；

初始化后，当前种群中每条染色体的适应度值都根据适应度函数求出。其目的是选择更好的染色体来繁殖下一代作为父母。判断一个染色体的好坏取决于它自身的适应度值。因为公式十一是最小优化问题，所以对于染色体来说，其适合度值越低越好。为了满足公式十一的约束条件，采用现有技术中的罚函数的思想来解决约束优化问题，并引入罚函数penal(yn,g)来衡量约束并表示公式十一中的不等式约束。其基本思想是对不可行例如，为了满足约束C4，罚函数penaly(n,g)中应该包括

这一项，其他约束条件按照同样方法参与到罚函数中。染色体g的适应度函数如下：解进行惩罚，以提供一个指向可行域的搜索方向。

第三步，基于自适应交叉概率Pc交换被选择的成对个体之间的部分染色体，产生新的个体；

第四步，将变异算子作用于群体g(t)，基于自适应变异概率Pm改变被选择的个体的部分基因值，得到新的个体；群体g(t)经过选择、交叉和变异运算之后得到下一代群体g(t+1)。计算其适应度值，准备进行下一次遗传操作。

第五步，依据适应度标准差公式计算当前种群g(t+1)的个体适应度标准差σ，对当前迭代次数和标准差进行判定，决定是否进行高斯扰动和增大变异概率操作；

第六步，若当前进化代数t达到了最大迭代次数T，则输出最优的染色体，从而获得a_n、p和f，获得异构网络计算迁移问题模型的最优解，结束运行，否则转至第二步。

适应度函数为：

式中，ε_ob表示异构网络计算迁移问题模型的目标函数，γ表示预先设定的惩罚程度的惩罚因子，penaly(n,g)为罚函数，P_n表示设备n完成计算任务的总成本。也就是说对于不满足某一项或多项的约束条件的不可行解来说，其适应度函数值会很大。遗传算法通过使适应性较好的个体繁殖后代，在可行域和不可行域都进行搜索，从而更容易获得全局次优解。

引入现有技术中的罚函数penaly(n,g)来衡量约束并表示公式十一中的不等式约束，罚函数如下：例如，为了满足约束C4，罚函数penaly(n,g)中应该包括

这一项，其他约束条件按照同样方法参与到罚函数中。

第三步，选择优良个体遗传到下一代群体，包括：

采用经典的轮盘赌的方法从存活染色体中选择优异个体来产生新的后代，每个染色体的被选择概率p_n为：

F_n＝1/Fit_n(g)，

F_m＝1/Fit_m(g)，

式中，F_n为第n条染色体的适应度函数值的倒数，s表示种群大小，m∈[1,s]。

第三步，包括：

以基因为最小交叉单位，随机获取被选择的染色体对的基因交叉位置点；

根据下式在基因交叉位置点进行交叉操作：

式中，序列σ_n,n∈{1,2,...,N}表示染色体上的基因交叉位置点，遵循伯努利分布；

表示当前父辈染色体a的染色体OS(n)，

表示当前父辈染色体a的染色体RA(n)，

表示当前父辈染色体a的染色体FA(n)；

表示当前父辈染色体b的染色体OS(n),

表示当前父辈染色体b的染色体RA(n)，

表示当前父辈染色体b的染色体FA(n)；

表示交叉后新生成的子代染色体a的染色体OS(n)，

表示交叉后新生成的子代染色体a的染色体RA(n)，

表示交叉后新生成的子代染色体a的染色体FA(n)；

表示交叉后新生成的子代染色体b的染色体OS(n),

表示交叉后新生成的子代染色体b的染色体RA(n)，

表示交叉后新生成的子代染色体b的染色体FA(n)。

例如，当σ₃＝1，如图4所示，父辈的交叉将会发生在OS(3)，RA(3)和FA(3)之间。而若σ₃＝0，则父辈之间的交叉不会在上述基因位置发生。

第四步，包括：

OS部分采用整数变异；

RA和FA部分采用非均匀变异，随机扰动被选择的个体的基因值，获得具有新基因值的被选择的个体；

非均匀变异，包括：

随机生成一个2元变异掩模序列θ_n,n∈{1,2,...,N}，确定被选择的个体的需要产生变异的基因点；如果突变掩码的元素为1，则该掩码对应位置上的基因会发生突变。而如果突变掩码的元素为0，则该基因不会发生突变。

若OS(n)的基因点发生变异，则该基因点的基因值将会变成其相反数；

若RA(n)或FA(n)的基因点发生变异，则该基因点的基因值在后代中按照变异公式十六被替换；

变异公式为:

x^g(n)表示发生变异的基因点的基因值，Δ(t,y)表示[0,y]范围内符合非均匀分布的一个随机数，y代表

或

变异点x^g(n)的取值范围为

表示变异点x^g(n)取值范围的最大值，

表示变异点x^g(n)取值范围的最小值；random(0,1)表示随机产生0或1；

Δ(t,y)定义如下：

式中，r为[0,1]范围内符合均匀概率分布的一个随机数；T是最大进化代数，t是当前进化代数，b是设定的系统参数，决定了随机扰动对进化代数t的依赖程度。在进化前期，t较小，Δ(t,y)的可变范围较大，非均匀变异能够在原最优个体附近较大区域进行随机搜索；在进化的后期，t的值逐渐接近T的取值，Δ(t,y)的可变范围随着t的增大而缩小，最后集中在原最优个体附近区域进行微小搜索。故随着遗传算法的运行，非均匀变异就使得最优解搜索过程更加集中在某一最有希望的重点区域。与传统变异操作相比，非均匀变异能够更精准快速达到全局最优解。

例如，当θ₂＝1，父辈的变异将会发生在OS(2)，RA(2)和FA(2)上，如图5所示。而若θ₂＝0，则父辈不会在OS(2)，RA(2)和FA(2)上发生基因变异。

本发明提出了一种遗传算法的参数自适应改进方法，能够协调种群的多样性和算法的收敛性之间的矛盾，从而达到一个良好的算法求解效果。

GA算法的主要控制参数有：种群规模大小s，交叉概率Pc以及变异概率Pm。s对算法的搜索结果有一定的影响，s越大，全局搜索的最优解越好，但种群规模增加，算法的计算时间和工作量必然大大提升，导致算法搜索低效。Pc和Pm则能在不影响算法搜索效率的情况下，对算法搜索进行调节。然而，标准GA算法针对Pc和Pm，都是依据经验取固定值不变，对于不同的函数优化问题，显然固定取值这种做法不能够使算法的性能达到最佳。

交叉概率Pc控制着交叉操作被使用的频度。较大的交叉概率可以增强遗传算法开辟新的搜索区域的能力，但高性能的模式遭到破坏的可能性增大；若交叉概率太低，遗传算法搜索可能陷入迟钝状态。变异在遗传算法中属于辅助性的搜索操作，它的主要目的是保持群体的多样性。一般低频度的变异可防止群体中重要基因的可能丢失，高频度的变异将使遗传算法趋于纯粹的随机搜索。自适应就是针对遗传算法中参数配置能力不足而提出来的。通过对交叉概率和变异概率动态自适应，能够协调种群的多样性和算法的收敛性之间的矛盾，从而达到一个良好的算法求解效果。

第五步，包括：对自适应交叉概率Pc和自适应变异概率Pm动态自适应改进：

在Pc和自适应变异概率Pm各自的取值范围内，将自适应交叉概率Pc和自适应变异概率Pm均与当前种群g(t)的适应度函数值关联：

式中，P_max表示交叉概率或变异概率的最大值，P_min表示交叉或变异概率的最小值；

f_i(g)表示染色体i的适应度函数值，f_average(g)表示当前种群的染色体的平均适应度函数值，f_min(g)表示当前种群中的染色体适应度函数值中的最小值；

针对算法可能陷入局部最优的情况，提出了一种依据种群适应度标准差的高斯扰动和增大变异概率的操作。GA算法之所以会陷入局部最优，其本质是随着迭代次数的增加，种群个体间的差异性逐渐缩小，出现了聚焦现象。在此引入种群个体适应度函数值标准差的概念，依据适应度标准差公式计算当前种群g(t)的个体适应度标准差σ，适应度标准差公式为：

式中，s为种群个体数；

适应度标准差σ是用来描述当前种群的聚集状态，σ越大说明种群个体间差异性越大，σ越小则说明种群聚焦程度严重，若σ＝0，那么此时算法就很可能陷入了局部最优。为了使算法能够跳出局部最优解，继续进行有效搜索，若σ≤φ则count的数值增加1，若σ＞φ则count＝0；

在当前迭代次数达到[T/2]次之前，若count＝V，则判定陷入局部最优解，对当前种群进行高斯扰动并增大变异概率Pm使当前变异概率Pm变为2Pm，迫使搜索跳出局部最优解，[T/2]为向下取整。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，包括：

收集终端设备所需完成的计算任务的数量；

基于构建的异构网络计算迁移问题模型，获得最优的终端设备所分配到的用于完成计算任务的计算资源f、最优的终端设备将计算任务迁移所需的上行链路的传输功率P和最优的终端设备的任务卸载策略a_n。

2.根据权利要求1所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，异构网络计算迁移问题模型为：

最小目标函数中，基站BSs包含一个宏基站MBS和M个小基站SBSs，M＝{1,2,...,M,M+1}表示基站的集合，M₁＝{1,2,...,M}表示SBSs的集合，M+1表示MBS，m∈[-M-1,M+1],S＝{-M-1,-M,...-1,0,1,...,M,M+1}表示卸载决策；

n∈N，N＝{1,2,…,N}表示终端设备的集合，终端设备的任务卸载策略表示为A＝{a_n＝i|i∈S,n∈N},a_n＝0表示终端设备n选择在本地处理计算任务；a_n＝m,m∈M₁表示终端设备n选择通过第m个SBSs将计算任务卸载至雾端；a_n＝-m,m∈M₁表示终端设备n选择通过第m个SBSs将计算任务卸载至云端；a_n＝M+1表示终端设备n选择通过MBS将计算任务卸载至雾端；a_n＝-M-1表示终端设备n选择通过MBS将计算任务卸载至云端；I(x)是一个指示函数，当a_n＝m为真时等于1，否则等于0；

f表示终端设备所分配到的用于完成计算任务的计算资源，p表示终端设备将计算任务迁移所需的上行链路的传输功率；

C1中，

表示终端设备n的计算能力；

C2中，

表示终端设备n的总传输功率，

为上行链路的传输功率的最大值；

C3中，

表示终端设备n通过SBSs将计算任务中继至MBS处后再迁移至云端所获得的计算资源；

C4中，

表示终端设备n通过SBSs将计算任务中继至MBS处再迁移至雾端所获得的计算资源，F表示雾端的最大计算能力；

C6中，每个终端设备含有一个计算任务

D_n表示该计算任务的大小，C_n表示完成终端设备的所有计算任务所需的最小计算资源，

表示终端设备完成所有计算任务所能接受的最大时延；

表示终端设备n将计算任务迁移至雾端处理所能接受的最大时延，

表示终端设备n在本地完成计算任务所能接受的最大时延，

表示终端设备n将计算任务迁移至云端处理所能接受的最大时延，

表示终端设备n完成计算任务所能接受的最大时延。

3.根据权利要求2所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，

式中，

表示终端设备n在空闲状态下的维护功率，

表示云端计算的能耗，β_n表示能源消耗的影响因子，α_n表示货币成本的影响因子，

表示云端计算的货币成本；

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，τ表示单位数据从MBS到云端的传输时间延迟，

表示终端设备n直接通过MBS将计算任务迁移至云端产生的能耗；

表示云端的计算资源的单位成本，ρ表示第m个基站传输速率的单价；

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，

表示扫描可用基站时消耗的能量，

表示终端设备n的上行链路传输速率，

表示终端设备n的总传输功率；

表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，

表示终端设备n向MBS传输计算任务时的总功率，

表示终端设备n直接通过MBS将计算任务迁移至雾端时的上行链路传输速率；

n_m是由第m个基站分配给终端设备n的正交子信道数，频谱被分割为K＝{1,2,...,K}个子信道，每个子信道最多只能分配给一个终端设备使用；ω_m表示第m个基站的信道带宽；

表示终端设备n通过子信道k向第m个基站传输计算任务的功率，

表示终端设备n与第m个基站之间的信道增益，N₀表示噪声功率，

表示相同子信道上其他基站对使用第m个基站的终端设备n的干扰，n’表示设备n之外的其他设备，m’表示基站m之外的其他基站，

表示设备n’在子信道k上将任务传送到第m’个基站的功率，

表示终端设备n’与第m’个基站之间的信道增益；

式中，P_n ⁰表示终端设备n本地完成计算任务的能耗，ξ表示每个终端设备的中央处理器周期消耗的能量的系数；

式中，

表示雾端计算的总成本；

表示雾端计算的能耗；

为卸载计算任务至雾端的货币成本，

表示雾端的计算资源的单位成本；

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的能耗，t_b表示单个计算任务的回程传输时延；

表示终端设备n直接通过MBS将计算任务迁移至雾端产生的能耗，

表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，

表示终端设备n向MBS传输计算任务时的总功率，

表示终端设备n直接通过MBS将计算任务迁移至雾端时的上行链路传输速率。

4.根据权利要求3所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，

式中，

表示云端完成计算任务产生的时延，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的时延，

表示终端设备n直接通过MBS将计算任务迁移至云端产生的时延；

式中，

为终端设备n完成本地计算任务的时延；

式中，

表示雾端计算完成计算任务的时延，

表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的时延，

表示终端设备n直接通过MBS将计算任务迁移至雾端产生的时延。

5.根据权利要求4所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，基于改进遗传算法，获得最小目标函数中最优的a_n，p以及f，包括：

染色体OS(n)表示a_n，染色体RA(n)表示p，染色体FA(n)表示f；

第一步，初始化种群g(t)，设置最大迭代次数T、种群大小s、自适应交叉概率Pc、自适应变异概率Pm、标准差阈值φ和参数V；

第二步，计算群体g(t)中每个个体的适应度函数值，根据每个个体的适应度函数值，选择优良个体遗传到下一代群体；

第三步，将交叉算子作用于群体g(t)，基于自适应交叉概率Pc交换被选择的成对个体之间的部分染色体，产生新的个体；

第四步，将变异算子作用于群体g(t)，基于自适应变异概率Pm改变被选择的个体的部分基因值，得到新的个体，得到下一代群体g(t+1)；

第五步，依据适应度标准差公式计算当前种群g(t+1)的个体适应度标准差σ，对当前迭代次数和标准差进行判定，决定是否进行高斯扰动和增大变异概率操作；

第六步，若当前进化代数t达到了最大迭代次数T，则输出最优的染色体，从而获得a_n、p和f，获得异构网络计算迁移问题模型的最优解，结束运行，否则转至第二步，将群体g(t+1)赋值给群体g(t)。

6.根据权利要求5所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，适应度函数为：

式中，ε_ob表示异构网络计算迁移问题模型的目标函数，γ表示预先设定的惩罚程度的惩罚因子，penaly(n,g)为罚函数，P_n表示终端设备n完成计算任务的成本。

7.根据权利要求6所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，第三步，选择优良个体遗传到下一代群体，包括：

从存活染色体中选择优异个体来产生新的后代，每个染色体的被选择概率p_n为：

F_n＝1/Fit_n(g)，

F_m＝1/Fit_m(g)，

式中，F_n为第n条染色体的适应度函数值的倒数，s是种群大小，m∈[1,s]。

8.根据权利要求7所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，第三步，包括：

以基因为最小交叉单位，随机获取被选择的染色体对的基因交叉位置点；

根据下式在基因交叉位置点进行交叉操作：

式中，序列σ_n,n∈{1,2,...,N}表示染色体上的基因交叉位置点，遵循伯努利分布；

表示当前父辈染色体a的染色体OS(n)，

表示当前父辈染色体a的染色体RA(n)，

表示当前父辈染色体a的染色体FA(n)；

表示当前父辈染色体b的染色体OS(n),

表示当前父辈染色体b的染色体RA(n)，

表示当前父辈染色体b的染色体FA(n)；

表示交叉后新生成的子代染色体a的染色体OS(n)，

表示交叉后新生成的子代染色体a的染色体RA(n)，

表示交叉后新生成的子代染色体a的染色体FA(n)；

表示交叉后新生成的子代染色体b的染色体OS(n),

表示交叉后新生成的子代染色体b的染色体RA(n)，

表示交叉后新生成的子代染色体b的染色体FA(n)。

9.根据权利要求8所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，第四步，包括：

OS部分采用整数变异；

RA和FA部分采用非均匀变异，随机扰动被选择的个体的基因值，获得具有新基因值的被选择的个体；

非均匀变异，包括：

随机生成一个2元变异掩模序列θ_n,n∈{1,2,...,N}，确定被选择的个体的需要产生变异的基因点；

若OS(n)的基因点发生变异，则该基因点的基因值将会变成其相反数；

若RA(n)或FA(n)的基因点发生变异，则基于变异公式更新该基因点的基因值；

变异公式为:

x^g(n)表示发生变异的基因点的基因值，Δ(t,y)表示[0,y]范围内符合非均匀分布的一个随机数，y代表

或

y取值范围为

表示变异点x^g(n)取值范围的最大值，

表示变异点x^g(n)取值范围的最小值；random(0,1)表示随机产生0或1；

式中，r为[0,1]范围内符合均匀概率分布的一个随机数；b是设定的系统参数，决定了随机扰动对进化代数t的依赖程度。

10.根据权利要求9所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，其特征在于，第五步，包括：

将自适应交叉概率Pc和自适应变异概率Pm均分别与当前种群的适应度函数值关联：

式中，P_max表示交叉概率或变异概率的最大值，P_min表示交叉或变异概率的最小值；

f_i(g)表示染色体i的适应度函数值，f_average(g)表示当前种群的染色体的平均适应度函数值，f_min(g)表示当前种群中的染色体适应度函数值中的最小值；

依据适应度标准差公式计算当前种群的个体适应度标准差σ，适应度标准差公式为：

式中，s为种群个体数；

继续进行有效搜索，若σ≤φ则count的数值增加1，若σ＞φ则count＝0；

在当前迭代次数达到[T/2]次之前，若count＝V，则判定陷入局部最优解，对当前种群进行高斯扰动并增大变异概率Pm使当前变异概率Pm变为2Pm，迫使搜索跳出局部最优解，[T/2]为向下取整。

Images