CN114625506A - 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法 - Google Patents

一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法 Download PDF

Info

Publication number
CN114625506A
CN114625506A CN202210241749.XA CN202210241749A CN114625506A CN 114625506 A CN114625506 A CN 114625506A CN 202210241749 A CN202210241749 A CN 202210241749A CN 114625506 A CN114625506 A CN 114625506A
Authority
CN
China
Prior art keywords
task
computing
calculation
energy consumption
time delay
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.)
Pending
Application number
CN202210241749.XA
Other languages
English (en)
Inventor
张德干
孙桂祥
张捷
张婷
杨鹏
赵洪祥
高星江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN202210241749.XA priority Critical patent/CN114625506A/zh
Publication of CN114625506A publication Critical patent/CN114625506A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4812—Task transfer initiation or dispatching by interrupt, e.g. masked
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，属于物联网领域，针对社区智能终端的MEC计算卸载场景，本发明将计算卸载模型建模为一个端‑MEC‑云架构的三层计算卸载模型。解决了现有技术中仅靠边缘服务器的计算能力难以满足所有终端设备对于高效计算、低时延的需求问题。为了尽量满足所有用户的计算需求，本发明在边缘服务器与云服务器中使用短作业优先的任务计算方法，并同时针对卸载任务的时延与能耗进行联合优化。实验结果表明，与其他启发式算法相比，本发明提出的算法在三层移动边缘计算架构的计算卸载中拥有更好的性能表现。

Description

一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载 方法
技术领域
本发明属于物联网领域，具体涉及一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法。
背景技术
在移动边缘计算中，计算卸载是影响系统性能的关键。MEC(Mobile EdgeComputing)中的计算卸载问题是一个NP(Non-deterministic Polynomial)完全的整数非线性规划问题。而解决这类问题的方法称为优化方法。优化方法分为：精确算法，启发式算法，元启发式算法和强化学习。
精确算法完全执行可以保证获得问题的全局最优解，但其代价是需要耗费大量的计算资源与时间。比如针对NP完全问题，要获得精确解通常需要搜索整个解空间，其耗费的时间与计算资源是巨大的。因此精确算法只适合求解对时间不做要求的计算任务。
启发式算法适用于解决特定的问题，针对这些特定的问题制定合适的规则和约束条件从而获得较好的解决方案。在解决NP完全的问题时其计算时间也是可预期的。但启发式算法也存在其固有的问题。启发式算法只能针对特定问题定制特定的规则与约束条件，泛化能力不强。同时启发式算法不保证获得全局最优解，通常只获得次优解，即启发式算法容易陷入局部最优解。
而边缘计算卸载问题经典的方法就是元启发式算法。元启发式算法是最优化方法中的最高级方法论或通用算法模板。元启发式算法包括遗传算法，粒子群算法，模拟退火算法，包括由遗传类算法发展而来的免疫优化算法，鱼群算法，蚁群算法，由粒子群算法发展而来的各类变种算法。元启发式算法是更高级的启发式算法，大部分都借鉴了一些自然界演化规律。相比于启发式算法，元启发式算法的不同在于其不需要根据特定问题单独制定额外的操作。即元启发式算法泛化能力强，能够成为解决NP完全问题的通用模板。
发明内容
本发明的目的是降低MEC整个系统的计算负载、时延、能耗等，提供一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法。针对社区智能终端的MEC计算卸载场景，本发明将计算卸载模型建模为一个端-MEC-云架构的三层计算卸载模型。针对边缘计算中针对复杂计算任务计算能力不足的问题，引入云服务计算中心，扩展了边缘计算的计算能力。为了联合优化计算过程中的时延与能耗，采用协方差矩阵自适应进化算法进行卸载决策。通过理论分析，在MEC服务器或云服务器中任务计算顺序对卸载模型架构整体时延具有重要的影响。为了降低卸载过程中的卸载时延，通过引入短作业优先算法进一步降低时延。
本发明的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，主要包括如下关键步骤：
第1、系统模型的构建：
第1.1、边缘云协同计算卸载模型；
第1.2、任务卸载通信模型；
第1.3、任务卸载计算模型；
第1.4、问题公式化；
第2、算法设计：
第2.1、短作业优先任务调度策略；
第2.2、基于CMAES(Covariance Matrix Adaptation Evolution Strategy)的边缘云协同计算卸载方法。
步骤第1.1中建立了边缘云协同计算卸载模型，该模型由智能设备、边缘服务器和云服务设备组成，当智能设备有复杂的计算任务需要进行卸载，同时本地设备与边缘服务器无法满足时延和能耗要求时，可以选择卸载到远程ECS(Elastic Compute Service)，同时边缘服务器和ECS远程云服务器执行计算任务时，计算任务独占整个计算资源直至计算完毕，当多个任务同时卸载于边缘服务器或ECS服务器时，SJF(Short Job First)算法会负责做出卸载调度决策。
步骤第1.2中的任务卸载通信模型如下，智能设备将自身产生的要卸载的计算密集型任务通过无线连接发送到其附近的边缘服务器，边缘服务器将接收到的任务按照到达时间放入调度队列，根据香农公式可以计算出智能设备将计算任务传输到边缘服务器的传输速率如下：
Figure BDA0003542449250000031
其中wi为给本地设备分配的无线带宽，单位hz；pi为本地设备的发射功率，单位w；Di为本地设备到边缘服务器的距离，单位m；α为路径损耗指数；N0为噪声功率谱密度，单位w/hz；
智能设备通过无线连接将任务卸载到边缘服务器的传输时间表示为：
Figure BDA0003542449250000032
传输能耗如下所示：
Et1＝Pi×Tt1 (3)
当选择将计算任务卸载到ECS时，本地设备需要将计算任务上传至边缘服务器，边缘服务器再需要将计算任务上传到ECS中进行计算；即在衡量任务的卸载时延与能耗时，需要考虑本地设备将任务上传到边缘服务器的传输时延、传输能耗；边缘设备将计算任务上传到ECS时的传输时延、传输能耗；ECS中卸载任务的计算时延与计算能耗；在卸载过程中，将计算任务上传到边缘服务器时，传输时延如公式(2)，传输能耗如公式(3)所示；
由于边缘服务器将计算任务上传到ECS中时，传输速率与边缘服务器到ECS的距离有关，根据香农定理，边缘服务器到ECS的传输速率如下所示：
Figure BDA0003542449250000041
其中vm为本地设备所在小区的边缘服务器到ECS的传输速率；wm为本地设备所在小区的边缘服务器所分配的带宽，单位hz；pm为本地设备所在小区边缘服务器的发射功率，单位w；Dm为本地设备所在小区的边缘服务器到ECS的距离，单位m，所以本地设备所在小区的边缘服务器到ECS的传输时延为：
Figure BDA0003542449250000042
边缘服务器接收到计算任务再上传到ECS时，传输能耗为：
Et2＝pm×Tt2 (6)
步骤第1.3中任务卸载计算模型如下，当计算任务卸载在本地设备时，需要考虑本地计算时延与本地计算能耗，其中时延与本地设备的CPU(Central Processing Unit)处理能力、CPU的周期频率、计算任务的数据量大小有关，能耗与CPU的计算能耗、计算任务的数据量有关，因此，本地时延与能耗的计算公式为：
Figure BDA0003542449250000043
其中Bi表示计算任务的数据量，单位bit；Cu,i表示本地设备的CPU数据处理能力，单位cycle/bit；Fu,i表示本地设备的CPU周期频率，单位GHZ；ηi表示本地设备的计算功率，单位J/Gigacycle；
当计算任务卸载到边缘服务器时，计算时延为：
Figure BDA0003542449250000051
边缘服务器计算能耗为：
Emc＝Bi×Cm×ηm (9)
当计算任务选择在边缘服务器卸载时，总时延与总能耗为：
Figure BDA0003542449250000052
其中Cm为本小区边缘服务器的CPU数据处理能力，单位cycle/bit；Fm为本小区边缘服务器的CPU的周期频率，单位GHZ；ηm本小区边缘服务器的CPU计算功率，单位J/Gigacycle；
ECS接收到计算任务后，将产生计算时延与计算能耗。计算时延为：
Figure BDA0003542449250000053
ECS计算能耗为：
Eec＝Bi×Ce×ηe (12)
当计算任务选择在ECS中卸载时，卸载过程中产生的总时延与总能耗如下所示。
Figure BDA0003542449250000054
其中Ce为云服务器的CPU数据处理能力，单位cycle/bit；Fe为云服务器的CPU的周期频率，单位GHZ；ηe为云服务器的CPU计算功率，单位J/Gigacycle。
步骤第1.4中的问题公式化为：将总时延与总能耗通过映射函数映射到[0,1]的区间范围中，以便时延与能耗对总体适应度能产生相同量级的影响，同时为整体时延与能耗设置最高时延、最高能耗，优化目标如下：
Figure BDA0003542449250000061
其中Tmax为最高时延；Emax为最大能耗；h(x)映射函数；g为权重因子，用于衡量时延与能耗的比重，yi为卸载任务的卸载位置，0表示卸载于本地设备，1表示卸载于边缘服务器，2表示卸载于ECS。
因此我们的目标为：在可行集中找一点x*，使得目标函数fitness(x)在该点取最小值，即满足上述公式(14)的过程称为最优化过程，则其中x*称为问题的最优解，fitness(x*)称为最优值，若x*∈D，对于一切x∈D，恒有f(x*)≤f(x)，则称x*是最优化问题的全局最优解，若x*∈D，存在某领域Nε(x*)，使得对于一切x∈Nε(x*)∩D，其中Nε(x*)＝{x|||x-x*||＜ε,ε＞0}，恒有f(x*)≤f(x)则称x*是最优化问题的局部最优解；
由此我们可知，卸载决策过程为最优化过程。通过优化目标适应度函数，从而间接联合优化时延与能耗。并且卸载决策为一个非凸非线性的整数规划问题。
进一步的，步骤第2.1中使用短作业优先算法(SJF)进行任务调度，在边缘云协同计算卸载过程中，当卸载任务选择在边缘服务器或ECS服务器进行计算时，计算任务完全占有整个服务器的计算资源直至计算完毕，当多个任务同时卸载于边缘服务器或ECS服务器时，除了计算任务在服务器中的计算时延外还存在排队等待时延；
在计算卸载过程中，以平均时延和平均能耗为优化目标，为了降低实际平均计算时延，采用短作业优先法将卸载在同一个服务器的任务以理论计算时延从小到大排序进行计算以此降低整个系统中的时延；
短作业优先调度算法具体流程如下：
步骤一：获取需要卸载于本服务器上的所有计算任务；
步骤二：根据获取的计算任务理论计算时延从小到大排序；
步骤三：在排完序后重新计算实际计算时延：理论计算时延+等待时延；
步骤四：更新计算任务的实际计算时延。
步骤第2.2中基于CMAES的边缘云协同计算卸载方法设计描述如下，CMAES算法是由自然演化策略发展而来的高效搜索算法，通过利用协方差矩阵的高引导性，已知均值与方差的情况下，高斯分布具有最大熵的原理，CMAES算法具有高效性、可靠性、全局性的优点，CMAES算法的种群进化公式为：
xk (g+1)～m(g)+σ(g)N(0,C(g)) k∈[1,λ] (15)
其中λ表示种群数量；xk (g+1)表示第g+1代中第k个个体；m(g)表示第g代种群的均值；σ(g)表示第g代的步长；N(0,C(g))表示均值为0，协方差矩阵为C(g)的正态分布；
其中均值m(g)的计算需要先将第g代种群按适应度大小，从小到大排序，取其前μ个个体，m(g)的计算公式为：
Figure BDA0003542449250000071
其中ωi表示第g代种群中第i个个体所占的权重，由于在计算m(g)的均值过程中参与计算的个体是将第g代所有个体按适应度从小到大排序的前μ个个体，即
Figure BDA0003542449250000072
ωi≥ω2≥...≥0从而使得种群的整体优化路径能向适应度最小的方向进化，均值m(g)的一般化更新公式为：
Figure BDA0003542449250000081
其中cm为学习率，步长σ(g)更新公式为：
Figure BDA0003542449250000082
其中I为前一代的协方差矩阵C，当g＝1时，I＝C，第g代协方差矩阵计算公式为：
Figure BDA0003542449250000083
根据以上公式，当CMAES算法优化过程中，存在最优个体满足要求或者迭代次数达到最大阈值，则终止执行，返回最优的个体作为最终结果，CMAES算法在种群进化过程中，通过挑选种群中最优的μ个个体计算均值，同时利用已知均值与协方差的情况下，正态分布具有最大熵的原理，优化了种群的搜索路径，扩大了搜索空间；
计算卸载算法具体流程如下：
步骤一：初始化静态参数λ,μ,ωi＝1,2,...,μ,cm,max_iter,σ(g),mg,C＝I,x等；
步骤二：判断种群是否达到最大迭代次数或满足卸载要求，如果满足则终止迭代，否则继续执行步骤三到步骤八；
步骤三：对种群进行采样，公式(15)；
步骤四：对采样后的种群，根据算法重新计算个体的适应度值；
步骤五：产生新种群，将采样后的种群与父代种群组成一个新种群，根据重新计算获得的个体适应度值，截取前μ个个体作为下一代新种群；
步骤六：根据新种群，更新均值m(g)，公式(17)；
步骤七：调整步长，公式(18)；
步骤八：更新协方差矩阵，公式(19)。
本发明的优点和积极效果：
本发明主要设计了一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法。CMAES算法具有强大的全局搜索能力和高效的寻优效率，适合解决NP完全的整数非线性规划问题。针对两层边缘计算卸载架构中计算能力不足的问题，引入云服务计算中心来提升边缘计算的计算能力。在计算卸载决策中对时延与能耗进行联合优化。通过理论分析，在服务器中的任务计算顺序是影响计算卸载系统中整体时延的重要因素。在CMAES中引入短作业优先调度算法(Short Job First,SJF)来降低计算卸载系统中的整体时延。最后通过仿真实验与其他经典启发式算法对比，实验结果表明相对于其他算法，本发明提出的算法在边缘计算卸载中具有良好的性能。
附图说明
图1是算法适应度对比图；
图2是算法时延对比图；
图3是算法能耗对比图；
图4是不同终端数量下的适应度对比图；
图5是不同终端数量下的时延对比图；
图6是不同终端数量下的能耗对比图；
图7是不同权重因子对适应度的影响图；
图8是不同权重因子对时延的影响图；
图9是不同权重因子对能耗的影响图；
图10是本发明方法的流程图。
具体实施方式
实施例1：
本发明使用python语言进行三组仿真实验。实验一：比较CMAES算法与其他算法在适应度、时延、能耗三方面的收敛性。实验二：对比不同用户数量对算法的影响。实验三：比较不同权重因子对算法的影响。
参见附图10，本实施例基于一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，主要包括如下关键步骤：
第1、系统模型的构建：
第1.1、边缘云协同计算卸载模型；
第1.2、任务卸载通信模型；
第1.3、任务卸载计算模型；
第1.4、问题公式化；
第2、算法设计：
第2.1、短作业优先任务调度策略；
第2.2、基于CMAES的边缘云协同计算卸载方法。
步骤第1.1中建立了边缘云协同计算卸载模型，该模型由智能设备、边缘服务器和云服务设备组成，当智能设备有复杂的计算任务需要进行卸载，同时本地设备与边缘服务器无法满足时延和能耗要求时，可以选择卸载到远程ECS。当多个任务同时卸载于边缘服务器或ECS服务器时，SJF算法会负责做出卸载调度决策。
步骤第1.2中的任务卸载通信模型如下，智能设备将自身产生的要卸载的计算密集型任务通过无线连接发送到其附近的边缘服务器，边缘服务器将接收到的任务按照到达时间放入调度队列，根据香农公式可以计算出智能设备将计算任务传输到边缘服务器的传输速率如下：
Figure BDA0003542449250000111
其中wi为给本地设备分配的无线带宽，单位hz；pi为本地设备的发射功率，单位w；Di为本地设备到边缘服务器的距离，单位m；α为路径损耗指数；N0为噪声功率谱密度，单位w/hz。
那么智能设备通过无线连接将任务卸载到边缘服务器的传输时间表示为：
Figure BDA0003542449250000112
其中，Bi表示计算任务的数据量；
传输能耗如下所示：
Et1＝Pi×Tt1 (3)
当选择将计算任务卸载到ECS时，本地设备需要将计算任务上传至边缘服务器，边缘服务器再需要将计算任务上传到ECS中进行计算。根据香农定理，边缘服务器到ECS的传输速率如下所示。
Figure BDA0003542449250000121
其中vm为本地设备所在小区的边缘服务器到ECS的传输速率；wm为本地设备所在小区的边缘服务器所分配的带宽，单位hz；pm为本地设备所在小区边缘服务器的发射功率，单位w；Dm为本地设备所在小区的边缘服务器到ECS的距离，单位m。所以本地设备所在小区的边缘服务器到ECS的传输时延为：
Figure BDA0003542449250000122
边缘服务器接收到计算任务再上传到ECS时，传输能耗为：
Et2＝pm×Tt2 (6)
步骤第1.3中任务卸载计算模型如下，当计算任务卸载在本地设备时，需要考虑本地计算时延与本地计算能耗。其中时延与本地设备的CPU处理能力、CPU的周期频率、计算任务的数据量大小有关。能耗与CPU的计算能耗、计算任务的数据量有关。因此，本地时延与能耗的计算公式为：
Figure BDA0003542449250000123
其中Bi表示计算任务的数据量，单位bit；Cu,i表示本地设备的CPU数据处理能力，单位cycle/bit；Fu,i表示本地设备的CPU周期频率，单位GHZ；ηi表示本地设备的计算功率，单位J/Gigacycle。
当计算任务卸载到边缘服务器时，计算时延为：
Figure BDA0003542449250000124
边缘服务器计算能耗为：
Emc＝Bi×Cm×ηm (9)
当计算任务选择在边缘服务器卸载时，总时延与总能耗为：
Figure BDA0003542449250000131
其中Cm为本小区边缘服务器的CPU数据处理能力，单位cycle/bit；Fm为本小区边缘服务器的CPU的周期频率，单位GHZ；ηm本小区边缘服务器的CPU计算功率，单位J/Gigacycle。
ECS接收到计算任务后，将产生计算时延与计算能耗。计算时延为：
Figure BDA0003542449250000132
ECS计算能耗为：
Eec＝Bi×Ce×ηe (12)
当计算任务选择在ECS中卸载时，卸载过程中产生的总时延与总能耗如下所示。
Figure BDA0003542449250000133
其中Ce为云服务器的CPU数据处理能力，单位cycle/bit；Fe为云服务器的CPU的周期频率，单位GHZ；ηe为云服务器的CPU计算功率，单位J/Gigacycle。
步骤第1.4中的问题公式化为：将总时延与总能耗通过映射函数映射到[0,1]的区间范围中，以便时延与能耗对总体适应度能产生相同量级的影响。同时为整体时延与能耗设置最高时延、最高能耗。优化目标如下：
Figure BDA0003542449250000134
其中Tmax为最高时延；Emax为最大能耗；h(x)映射函数；g为权重因子，用于衡量时延与能耗的比重。yi为卸载任务的卸载位置，0表示卸载于本地设备，1表示卸载于边缘服务器，2表示卸载于ECS。
进一步的，步骤第2.1中使用短作业优先算法(SJF)进行任务调度。
短作业优先调度算法具体流程如下：
步骤一：获取需要卸载于本服务器上的所有计算任务。
步骤二：根据获取的计算任务理论计算时延从小到大排序。
步骤三：在排完序后重新计算实际计算时延：理论计算时延+等待时延。
步骤四：更新计算任务的实际计算时延。
步骤第2.2中基于CMAES的边缘云协同计算卸载方法设计描述如下，CMAES算法是由自然演化策略发展而来的高效搜索算法。通过利用协方差矩阵的高引导性，已知均值与方差的情况下，高斯分布具有最大熵的原理，CMAES算法具有高效性、可靠性、全局性的优点。CMAES算法的种群进化公式为：
Figure BDA0003542449250000141
其中λ表示种群数量；
Figure BDA0003542449250000142
表示第g+1代中第k个个体；m(g)表示第g代种群的均值；σ(g)表示第g代的步长；N(0,C(g))表示均值为0，协方差矩阵为C(g)的正态分布。
其中均值m(g)的计算需要先将第g代种群按适应度大小，从小到大排序，取其前μ个个体。m(g)的计算公式为：
Figure BDA0003542449250000143
其中ωi表示第g代种群中第i个个体所占的权重，由于在计算m(g)的均值过程中参与计算的个体是将第g代所有个体按适应度从小到大排序的前μ个个体。即
Figure BDA0003542449250000151
ωi≥ω2≥...≥0从而使得种群的整体优化路径能向适应度最小的方向进化。均值m(g)的一般化更新公式为：
Figure BDA0003542449250000152
其中cm为学习率。步长σ(g)更新公式为：
Figure BDA0003542449250000153
其中I为前一代的协方差矩阵C，当g＝1时，I＝C。第g代协方差矩阵计算公式为：
Figure BDA0003542449250000154
根据以上公式，当CMAES算法优化过程中，存在最优个体满足要求或者迭代次数达到最大阈值，则终止执行，返回最优的个体作为最终结果。
计算卸载算法具体流程如下。
步骤一：初始化静态参数λ,μ,ωi＝1,2,...,μ,cm,max_iter,σ(g),mg,C＝I,x等。
步骤二：判断种群是否达到最大迭代次数或满足卸载要求，如果满足则终止迭代，否则继续执行步骤三到步骤八。
步骤三：对种群进行采样，公式(15)。
步骤四：对采样后的种群，根据算法重新计算个体的适应度值。
步骤五：产生新种群，将采样后的种群与父代种群组成一个新种群。根据重新计算获得的个体适应度值，截取前μ个个体作为下一代新种群。
步骤六：根据新种群，更新均值m(g)，公式(17)。
步骤七：调整步长，公式(18)。
步骤八：更新协方差矩阵，公式(19)。
仿真实验的各项实验参数如表1所示。
表1仿真参数
Figure BDA0003542449250000161
Figure BDA0003542449250000171
仿真实验结果如下：
1.收敛性对比
算法收敛性对比实验，边缘服务器数量设置为10，边缘服务器下的终端设备数量设置为40，适应度函数中时延与能耗的权重因子设置为0.5。将本发明提出的算法与遗传算法(Genetic Algorithm,GA)、人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)、差分进化算法(Differential Evolution,DE)进行对比。
1)算法收敛性适应度对比
从附图1可知，AFSA算法与DE算法未能将适应度值优化到负值，即AFSA算法与DE算法中存在时延或能耗超过最大阈值的情况。而GA算法与本文提出的算法最终适应度都为负值，说明两种算法的时延与能耗均能满足要求。
2)算法时延对比与能耗对比
图2与图3分别为时延对比与能耗对比，从图中可以看出，本发明提出的算法最终时延与能耗均要低于其他算法的优化结果，优化效果更明显。本文提出的算法比其他算法拥有更强的全局搜索能力，同时收敛速度更快，效率更高。
2.用户数量对算法的影响
实验设置边缘设备数量分别为50，100，150，200，250，边缘服务器数量为10，适应度计算公式中的权重因子设置为g＝0.85，分别测试本发明提出的算法与GA、AFSA、DE、IA算法对比。实验其他参数如表1所示。
从附图4到附图6分别表示在不同终端数量下的适应度、时延、能耗的对比，可以看出本发明提出的算法在不同数量终端场景下的时延与能耗均最小。随着边缘设备数量的增加，本文提出的算法在时延与能耗上与其他算法的差距更加明显。结合第一组实验，说明本文提出的算法在全局搜索能力、收敛速度、稳定性均要优与其他传统群体智能算法。
3.权重因子对算法的影响
本发明提出的卸载算法通过权重因子g来调整优化过程中时延与能耗在适应度中占的比重(公式14)。在优化的目标函数中，由于时延与能耗不在同一个数量级，因此设计了一个映射函数将时延与能耗映射到[0,1]区间中，从而消除时延与能耗不同数量级对适应度造成的影响。因此，影响计算卸载效果的除了卸载决策外，还需衡量权重因子对算法的影响。
本次实验设置边缘服务器数量为10个，每个边缘服务器下的终端设备为200个，最大能耗阈值为1000J，其他参数设置如表1所示。在其他参数全部一致的情况下，分别设置权重参数g＝0.1,g＝0.3,g＝0.5,g＝0.7,g＝0.9进行实验。
附图7表示不同权重对适应度的影响，可以看出，权重因子的大小对总体适应度并无明显影响，但在其中的时延与能耗中产生的效果却大不相同。附图8与附图9分别表示不同权重因子对时延、能耗的影响，可以看出，在权重因子g＝0.5时，对时延与能耗的优化均同时达到最好效果。当权重因子趋近于0时，优化重心更加偏向于能耗，当权重因子趋近于1时，优化重心更加偏向于时延，该现象与优化的目标函数的变化保持一致。因此，当在边缘云协同计算卸载过程中建议权重因子设置为0.5，能获得更好的效果。

Claims (7)

1.一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于该方法主要包括如下步骤：
第1、系统模型的构建：
第1.1、边缘云协同计算卸载模型；
第1.2、任务卸载通信模型；
第1.3、任务卸载计算模型；
第1.4、问题公式化；
第2、算法设计：
第2.1、短作业优先任务调度策略；
第2.2、基于CMAES的边缘云协同计算卸载方法。
2.如权利要求1所述的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于，步骤第1.1中建立了边缘云协同计算卸载模型，该模型由智能设备、边缘服务器和云服务器组成，当智能设备有复杂的计算任务需要进行卸载，同时本地设备与边缘服务器无法满足时延和能耗要求时，可以选择卸载到远程ECS，同时边缘服务器和ECS远程云服务器执行计算任务时，计算任务独占整个计算资源直至计算完毕，当多个任务同时卸载于边缘服务器或ECS服务器时，SJF算法会负责做出卸载调度决策。
3.如权利要求1所述的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于，步骤第1.2中的任务卸载通信模型如下，当智能设备将自身产生的要卸载的计算密集型任务通过无线连接发送到其附近的边缘服务器时，边缘服务器将接收到的任务按照到达时间放入调度队列，根据香农公式可以计算出智能设备将计算任务传输到边缘服务器的传输速率如下：
Figure FDA0003542449240000021
其中wi为给本地设备分配的无线带宽，单位hz；pi为本地设备的发射功率，单位w；Di为本地设备到边缘服务器的距离，单位m；α为路径损耗指数；N0为噪声功率谱密度，单位w/hz；
智能设备通过无线连接将任务卸载到边缘服务器的传输时间表示为：
Figure FDA0003542449240000022
其中，Bi表示计算任务的数据量；
传输能耗如下所示：
Et1＝Pi×Tt1 (3)
当选择将计算任务卸载到ECS时，本地设备需要将计算任务上传至边缘服务器，边缘服务器需要再将计算任务上传到ECS中进行计算；
根据香农定理，边缘服务器到ECS的传输速率如下所示：
Figure FDA0003542449240000023
其中vm为本地设备所在小区的边缘服务器到ECS的传输速率；wm为本地设备所在小区的边缘服务器所分配的带宽，单位hz；pm为本地设备所在小区边缘服务器的发射功率，单位w；Dm为本地设备所在小区的边缘服务器到ECS的距离，单位m，所以本地设备所在小区的边缘服务器到ECS的传输时延为：
Figure FDA0003542449240000024
边缘服务器接收到计算任务再上传到ECS时，传输能耗为：
Et2＝pm×Tt2 (6)。
4.如权利要求1所述的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于，步骤第1.3中任务卸载计算模型如下，当计算任务卸载在本地设备时，需要考虑本地计算时延与本地计算能耗，其中时延与本地设备的CPU处理能力、CPU的周期频率、计算任务的数据量大小有关，能耗与CPU的计算能耗、计算任务的数据量有关，因此，本地时延与能耗的计算公式为：
Figure FDA0003542449240000031
其中Bi表示计算任务的数据量，单位bit；Cu,i表示本地设备的CPU数据处理能力，单位cycle/bit；Fu,i表示本地设备的CPU周期频率，单位GHZ；ηi表示本地设备的计算功率，单位J/Gigacycle；
当计算任务卸载到边缘服务器时，计算时延为：
Figure FDA0003542449240000032
边缘服务器计算能耗为：
Emc＝Bi×Cm×ηm (9)
当计算任务选择在边缘服务器卸载时，总时延与总能耗为：
Figure FDA0003542449240000033
其中Cm为本小区边缘服务器的CPU数据处理能力，单位cycle/bit；Fm为本小区边缘服务器的CPU的周期频率，单位GHZ；ηm本小区边缘服务器的CPU计算功率，单位J/Gigacycle；
ECS接收到计算任务后，将产生计算时延与计算能耗，计算时延为：
Figure FDA0003542449240000034
ECS计算能耗为：
Eec＝Bi×Ce×ηe (12)
当计算任务选择在ECS中卸载时，卸载过程中产生的总时延与总能耗如下所示：
Figure FDA0003542449240000041
其中Ce为云服务器的CPU数据处理能力，单位cycle/bit；Fe为云服务器的CPU的周期频率，单位GHZ；ηe为云服务器的CPU计算功率，单位J/Gigacycle。
5.如权利要求1所述的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于，步骤第1.4中的问题公式化为：将总时延与总能耗通过映射函数映射到[0,1]的区间范围中，以便时延与能耗对总体适应度能产生相同量级的影响，同时为整体时延与能耗设置最高时延、最高能耗，优化目标如下：
Figure FDA0003542449240000042
其中Tmax为最高时延；Emax为最大能耗；h(x)映射函数；g为权重因子，用于衡量时延与能耗的比重，yi为卸载任务的卸载位置，0表示卸载于本地设备，1表示卸载于边缘服务器，2表示卸载于ECS。
6.如权利要求1所述的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于，步骤第2.1中使用短作业优先算法进行任务调度，在边缘云协同计算卸载过程中，当卸载任务选择在边缘服务器或ECS服务器进行计算时，计算任务完全占有整个服务器的计算资源直至计算完毕，因此当多个任务同时卸载于边缘服务器或ECS服务器时，除了计算任务在服务器中的计算时延外还存在排队等待时延；
在计算卸载过程中，以平均时延和平均能耗为优化目标，为了降低实际平均计算时延，采用短作业优先法将卸载在同一个服务器的任务以理论计算时延从小到大排序进行计算以此降低整个系统中的时延；
短作业优先调度算法具体流程如下：
步骤一：获取需要卸载于本服务器上的所有计算任务；
步骤二：根据获取的计算任务理论计算时延从小到大排序；
步骤三：在排完序后重新计算实际计算时延：理论计算时延+等待时延；
步骤四：更新计算任务的实际计算时延。
7.如权利要求1所述的基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，其特征在于，步骤第2.2中基于CMAES的边缘云协同计算卸载方法设计描述如下，CMAES算法是由自然演化策略发展而来的高效搜索算法，通过利用协方差矩阵的高引导性，已知均值与方差的情况下，高斯分布具有最大熵的原理，CMAES算法具有高效性、可靠性、全局性的优点，CMAES算法的种群进化公式为：
Figure FDA0003542449240000051
其中λ表示种群数量；
Figure FDA0003542449240000052
表示第g+1代中第k个个体；m(g)表示第g代种群的均值；σ(g)表示第g代的步长；N(0,C(g))表示均值为0，协方差矩阵为C(g)的正态分布；
其中均值m(g)的计算需要先将第g代种群按适应度大小，从小到大排序，取其前μ个个体，m(g)的计算公式为：
Figure FDA0003542449240000053
其中ωi表示第g代种群中第i个个体所占的权重，由于在计算m(g)的均值过程中参与计算的个体是将第g代所有个体按适应度从小到大排序的前μ个个体，即
Figure FDA0003542449240000061
ωi≥ω2≥...≥0从而使得种群的整体优化路径能向适应度最小的方向进化，均值m(g)的一般化更新公式为：
Figure FDA0003542449240000062
其中cm为学习率，步长σ(g)更新公式为：
Figure FDA0003542449240000063
其中I为前一代的协方差矩阵C，当g＝1时，I＝C，第g代协方差矩阵计算公式为：
Figure FDA0003542449240000064
根据以上公式，当CMAES算法优化过程中，存在最优个体满足要求或者迭代次数达到最大阈值，则终止执行，返回最优的个体作为最终结果，CMAES算法在种群进化过程中，通过挑选种群中最优的μ个个体计算均值，同时利用已知均值与协方差的情况下，正态分布具有最大熵的原理，优化了种群的搜索路径，扩大了搜索空间；
计算卸载算法具体流程如下：
步骤一：初始化静态参数λ,μ,ωi＝1,2,...,μ,cm,max_iter,σ(g),mg,C＝I,x；
步骤二：判断种群是否达到最大迭代次数或满足卸载要求，如果满足则终止迭代，否则继续执行步骤三到步骤八；
步骤三：对种群进行采样，公式(15)；
步骤四：对采样后的种群，根据算法重新计算个体的适应度值；
步骤五：产生新种群，将采样后的种群与父代种群组成一个新种群，根据重新计算获得的个体适应度值，截取前μ个个体作为下一代新种群；
步骤六：根据新种群，更新均值m(g)，公式(17)；
步骤七：调整步长，公式(18)；
步骤八：更新协方差矩阵，公式(19)。
CN202210241749.XA 2022-03-11 2022-03-11 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法 Pending CN114625506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210241749.XA CN114625506A (zh) 2022-03-11 2022-03-11 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210241749.XA CN114625506A (zh) 2022-03-11 2022-03-11 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法

Publications (1)

Publication Number Publication Date
CN114625506A true CN114625506A (zh) 2022-06-14

Family

ID=81901919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210241749.XA Pending CN114625506A (zh) 2022-03-11 2022-03-11 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法

Country Status (1)

Country Link
CN (1) CN114625506A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150405A (zh) * 2022-07-11 2022-10-04 天津理工大学 一种基于前景理论框架的边缘计算任务卸载方法
CN115225675A (zh) * 2022-07-18 2022-10-21 国网信息通信产业集团有限公司 一种基于边缘计算的充电场站智能运维的系统
CN115988075A (zh) * 2022-12-07 2023-04-18 天翼云科技有限公司 一种基于人工鱼群算法的云数据迁移方法及装置
CN117032832A (zh) * 2023-08-25 2023-11-10 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150405A (zh) * 2022-07-11 2022-10-04 天津理工大学 一种基于前景理论框架的边缘计算任务卸载方法
CN115150405B (zh) * 2022-07-11 2023-08-01 天津理工大学 一种基于前景理论框架的边缘计算任务卸载方法
CN115225675A (zh) * 2022-07-18 2022-10-21 国网信息通信产业集团有限公司 一种基于边缘计算的充电场站智能运维的系统
CN115988075A (zh) * 2022-12-07 2023-04-18 天翼云科技有限公司 一种基于人工鱼群算法的云数据迁移方法及装置
CN117032832A (zh) * 2023-08-25 2023-11-10 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法
CN117032832B (zh) * 2023-08-25 2024-03-08 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法

Similar Documents

Publication Publication Date Title
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN114625506A (zh) 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN113810233B (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN112118287A (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN108564592A (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN111628855B (zh) 基于深度强化学习的工业5g动态多优先级多接入方法
CN112559171B (zh) 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN114169234A (zh) 一种无人机辅助移动边缘计算的调度优化方法及系统
CN114169543A (zh) 一种基于模型陈旧性与用户参与度感知的联邦学习算法
CN115374853A (zh) 基于T-Step聚合算法的异步联邦学习方法及系统
CN113691594A (zh) 一种基于二阶导数解决联邦学习中数据不平衡问题的方法
CN113676357B (zh) 面向电力物联网中边缘数据处理的决策方法及其应用
CN111611069B (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
CN113132482B (zh) 一种基于强化学习的分布式消息系统参数自适应优化方法
CN114693141A (zh) 一种基于端边协同的变电站巡检方法
CN113743012A (zh) 一种多用户场景下的云-边缘协同模式任务卸载优化方法
Khan et al. A Deep Learning‐Based Algorithm for Energy and Performance Optimization of Computational Offloading in Mobile Edge Computing
CN111461282A (zh) 一种基于改进量子行为粒子群算法的模型辨识方法
CN117939572B (zh) 电力物联网终端接入方法

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