CN115022322B - 一种车联网中基于群智进化的边云协作任务卸载方法 - Google Patents

Abstract

本发明公开了一种车联网中基于群智进化的边云协作任务卸载方法，包括：搭建基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型；所述总任务时延包括所有车辆任务的任务传输时延、任务等待时延和任务执行时延，所述总任务能耗包括所有车辆任务的任务传输能耗和任务执行能耗；获取最新的车辆任务集、边缘设备集，包括每个车辆任务的信息和每个边缘设备的状态信息；基于获取到的车辆任务集和边缘设备集，根据车辆边缘计算模型，采用改进麻雀搜索算法求解得到车辆任务集的卸载决策。本发明在满足任务最大完成期限和资源约束条件下，实现边缘设备负载均衡。

Description

一种车联网中基于群智进化的边云协作任务卸载方法

技术领域

本发明属于边缘云计算技术领域，具体涉及一种车联网中基于群智进化的边云协作任务卸载方法。

背景技术

车辆边缘计算(Vehicular edge computing,VEC)将边缘计算应于车联网，在靠近车辆的区域(如路边，停车厂)部署拥有一定计算、存储、网络资源的边缘设备(如路边单元、边缘服务器、基站)，将车辆任务就近处理。就近处理任务可以缩短数据传输距离，减少任务时延，降低任务执行能耗，从而增强服务质量，提升系统能效。然而，边缘设备的计算、存储、网络资源相对有限。随着车辆增加，车载应用数据急剧增长，边缘设备接收的任务激增，容易出现负载过重，导致任务的时延增大、能耗增加。并且，车辆快速移动，任务分布随时空变化，所以容易出现边缘设备的负载失衡，使得一部分边缘设备负载过重引起资源紧缺，而另一部分边缘设备负载过轻出现资源空置，导致系统能效不高。为了解决这些问题，当前研究提出通过设备间协作完成任务。

VEC中，网络环境、车辆移动、设备资源等时刻变化，任务卸载具有复杂性、约束性、非线性、难以建模。将任务卸载到具有不同计算能力的本地或远程设备协作执行，面临巨大挑战。需要解决以下问题：1)卸载任务到边缘设备(本地或者远程)，云中心，或其它节点高效执行，需要考虑任务的传输和执行，量化其时延和能耗。2)任务卸载到计算能力强的节点可以减少任务时延，但是可能会增加能耗，需要兼顾用户车辆和服务运营商利益，综合考虑任务的时延和能耗开销。3)任务请求随时空变化，边缘设备可用的计算、存储、网络等资源亦动态变化，需要均衡边缘设备负载，以保障用户车辆服务体验，提升整体系统能效。

当前，针对VEC的协作任务卸载，一些研究将车辆任务卸载到其它车辆，但由于车辆本身资源有限，且移动变化大，容易出现任务卸载失效，导致任务执行失败。一些研究将任务卸载到边缘设备，当资源不足时，将任务卸载到云中心，不考虑拥有资源的相邻边缘设备，边缘设备的负载失衡，能效变低。一些研究基于深度强化学习在云端(和或边缘)预训练车辆任务，指导和优化任务卸载决策，需要云-边-端的数据联动，协调的网络参数过多，当任务剧增，算法的计算和训练开销大，严重影响任务处理时效。

发明内容

本发明提供一种车联网中基于群智进化的边云协作任务卸载方法，在满足任务最大完成期限和资源约束条件下，实现边缘设备负载均衡。

为实现上述技术目的，本发明采用如下技术方案：

一种车联网中基于群智进化的边云协作任务卸载方法，包括：

步骤1，搭建基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型；所述总任务时延包括所有车辆任务的任务传输时延、任务等待时延和任务执行时延，所述总任务能耗包括所有车辆任务的任务传输能耗和任务执行能耗；

步骤2，获取最新的车辆任务集、边缘设备集，包括每个车辆任务的信息和每个边缘设备的状态信息；

步骤3，基于获取到的车辆任务集和边缘设备集，根据车辆边缘计算模型，采用改进麻雀搜索算法求解得到车辆任务集的卸载决策；所述卸载决策是指所有车辆任务各自的目标卸载位置，即本地边缘设备、其他协作边缘设备或者云中心。

进一步地，基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型为：

minψ＝min(w_EE^o+w_DD^o)

式中，ψ表示总任务卸载成本，D^o表示总任务完成时延，E^o表示总任务能耗，w_D和w_E分别表示总任务完成时延和总任务能耗的权重系数。

进一步地，总任务时延的计算模型为：

式中，表示任务t的完成时延，/>分别表示任务t的传输时延、等待时延和执行时延，/>表示任务t在云中心上执行的时延；

a表示用户车辆集A中的车辆，b表示边缘设备集B中的边缘设备，c表示云中心，t表示车辆任务集T中的任务，分别表示任务t在本地边缘设备、其他协作边缘设备和云中心执行；

α_t表示任务t的数据量，v_a,b表示用户车辆与边缘设备之间的上行数据传输速率，表示任务t在两个边缘设备之间的数据传输速率，/>表示任务t在边缘设备与云中心之间的数据传输速率；/>表示任务t在本地边缘设备b执行，/>表示任务t在协作边缘设备执行，/>表示任务t在云中心执行；β_t表示任务t的计算量，/>表示边缘设备分配给任务t的计算量。

进一步地，总任务能耗的计算模型为：

式中，分别表示任务t的传输能耗和执行能耗；δ_a,b表示用户车辆与边缘设备之间的无线传输功率，δ_b表示边缘设备的有线传输功率；/>表示云中心的任务执行功率，表示边缘设备的任务执行功率系数。

进一步地，步骤3包括：

步骤3.1，各边缘设备判断任务集是否为空，若无任务，继续接收新任务，否则，进行下一步的任务卸载处理；

步骤3.2，引入时延松弛变量ζ基于任务最大完成期限d_t，考虑不同时延约束d_ζ∈((d_t-ζ),d_t)，进行任务预卸载；具体地：

步骤3.2.1，在当前总任务能耗E^o计算模型基础上，计入超时惩罚能耗修改总任务能耗为/>其中，ε为时延-能耗惩罚算子；

步骤3.2.2，基于麻雀搜索算法，以融入超时能耗惩罚的总任务能耗为适应度函数，得到不同时延约束的任务预卸载位置y(d_ζ)，将不同时延约束的任务预卸载位置集记为

步骤3.3，计算不同时延约束的任务预卸载位置集的总任务完成时延D^o和总任务能耗E^o；

步骤3.4，将总任务完成时延D^o和总任务能耗E^o进行赋权相加，得到总任务卸载成本ψ；

步骤3.5，贪心比较不同时延约束的任务预卸载位置集的ψ，得到车辆任务集的目标卸载位置集。

进一步地，步骤3.3.2具体过程为：

(1)设置麻雀种群，初始化每只麻雀的任务序列为所有车辆任务的卸载位置；

(2)更新每个发现者的任务卸载位置，计算其适应度值；

(3)更新每个跟随者的任务卸载位置，计算其适应度值；

(4)运用自适应调整更新机制，得到当前迭代的自适应调整预警者数量，再更新每个预警者的任务卸载位置，计算其适应度值；

(5)返回步骤(2)进入下一次迭代，直到达到最大迭代次数。

进一步地，发现者的任务卸载位置更新方法为：

式中，表示第i个麻雀第τ次迭代时在搜索维数t的觅食位置，对应在任务预卸载位置集i中任务t在第τ次迭代优化的卸载位置；/>为标准差为1，均值为0的高斯分布随机数；Q为在[0,1]区间呈现正态分布的随机数；L为全1的1×n(t)矩阵，n(t)为车辆任务数量；R为在[0,1]区间均匀分布的随机数；u_wv为警戒阈值，取值范围位于[0.5,1]区间。

进一步地，跟随者的任务卸载位置更新方法为：

式中，表示第i个麻雀第τ次迭代时在搜索维数t的觅食位置，对应在任务预卸载位置集i中任务t在第τ次迭代优化的卸载位置；/>表示截止第τ次迭代时适应度值最优的麻雀种群觅食位置，/>表示截止第τ次迭代时适应度值最差的麻雀种群觅食位置，n(i)为麻雀种群规模，K^*＝K^T(K·K^T)^-1，K表示每个元素值随机为{-1，1}的1×n(t)矩阵；/>为正余弦扰动量子，用于步长幅度调整；λ为任务负载度，其值与任务数和边缘设备数相关，λ＝1+0.05×n(t)/n(b)，n(t)为车辆任务数量，n(b)为边缘设备数量；θ为正余弦参量，其值为(-π,π)区间随机数，影响跟随者的行走方位；τ_max为最大迭代次数。

进一步地，预警者数量的自适应调整方法为：

式中，s_sw为第τ次迭代时自适应调整得到的预警者数量，为最大预警者数，/>为最小预警者数，τ_max为最大迭代次数，p_best和p_worst分别表示当前麻雀种群全局最优和最差觅食位置的适应度值。

进一步地，跟随者的任务卸载位置更新方法为：

式中，表示第i个麻雀第τ次迭代时在搜索维数t的觅食位置，/>表示截止第τ次迭代时适应度值最优的麻雀种群觅食位置，/>表示截止第τ次迭代时适应度值最差的麻雀种群觅食位置，p_i为当前麻雀的适应度值，p_best和p_worst分别表示当前麻雀种群全局最优和最差觅食位置的适应度值。

有益效果

本发明提供一种车联网中基于群智进化的边云协作任务卸载方法，利用边缘计算的分布式特性，在边缘设备考虑任务的时延和能耗，利用改进群体智能算法递进优化任务到多个边缘设备和云中心协作执行，并在满足任务最大完成期限和资源约束条件下，取得最低总任务卸载成本。本发明技术效果如下：

(1)为更好的优化任务的时延和能耗，本发明结合任务最大完成期限与时间松弛变量的不同时延约束，首先引入时延-能耗惩罚算子，设计考虑超时惩罚能耗的适应度函数，基于多策略改进麻雀搜索算法渐进优化不同时延约束下的任务预卸载位置集，然后，贪心比较各任务预卸载位置集的总任务完成时延和总任务能耗，综合优化任务卸载。

(2)针对边云协作的车辆任务卸载，本发明采用多策略改进麻雀搜索算法MISS：其通过飞行者动量改进发现者的任务卸载位置更新；通过非线性搜索因子和正余弦扰动量子来改进跟随者的任务卸载位置更新；通过结合位置搜索偏离熵和非线性预警系数来自适应调整预警者数，加上改进预警者的任务卸载位置更新；以保持和增强任务预卸载位置集的多样性，提高算法的全局寻优精度和局部搜索能力，并且增强算法跳出局部最优，加快算法收敛。

本发明提升了任务卸载的寻优精度、收敛速度和鲁棒性。并且，在不同任务和不同边缘设备的总任务完成时延、总任务能耗均优于现有基准任务卸载算法。能保障用户车辆服务体验，提高能效，实现边缘设备负载均衡。

附图说明

图1为本申请实施例所述的边云协作的车辆边缘计算模型。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

1、边云协作的车辆边缘计算模型

图1显示边云协作的车辆边缘计算模型，包括云层、边缘层、车辆层三层。车辆层包括在道路上行驶(包括自助、辅助驾驶)的用户车辆。每台用户车辆配备了一定的计算资源，能够计算和分析车辆基本数据，并对新型车载应用进行数据预处理。用户车辆根据需要产生若干时延敏感型计算任务(即任务)，如路径规划、路况提醒、事故预防、实时导航。需要指出，为了保证乘客安全只在车辆本地运行的关键计算服务如：系统监控、碰撞预警、车辆控制等不允许卸载，不在此任务卸载讨论范围之内。任务通过无线链路发送到关联的边缘设备。边缘层在靠近用户车辆的道路附近部署若干边缘设备，包括路边单元，基站、和边缘服务器等。边缘设备通过高带宽链路(如5G)和用户车辆相连接。为简化讨论，本文不考虑同一个边缘设备的路边单元，基站、和边缘服务器之间的通信时延。路边单元可用于收集用户车辆的任务需求、网络状况等信息。边缘服务器具备用户车辆任务的运行环境。由于边缘设备的计算、存储、网络资源受限，同时运行的任务数有限。边缘设备接收任务后根据任务卸载策略，可以将任务在本地执行或者其它边缘设备执行，也可以派遣到远程云协作执行。边缘设备通过有线链路与其它边缘设备和远程云相连。云层包括云数据中心(简称云)，拥有充足的硬件资源，可以同时运行大量任务。

A表示用户车辆集，由n(a)个用户车辆a组成，A＝{a₁,a₂,…,a_n(a)}，用户车辆之间相互独立。T表示任务集，由n(t)个任务t组成，T＝{t₁,t₂,…,t_n(t)}。用户车辆根据需要产生不同计算量的任务请求。任务t拥有3个维度信息，t＝{α_t,β_t,d_t}，α_t表示任务的数据量。β_t表示任务的计算量，量化为执行每单位任务数据需要占用的CPU时钟周期。任务类型不同，任务计算量不同。d_t表示任务的最大完成期限。B表示边缘设备集，由n(b)个边缘设备组成，B＝{b₁,b₂,…,b_n(b)}。边缘设备拥有5个维度信息，/>χ_b为边缘设备的最大计算量，量化为设备CPU的最大时钟频率。δ_b为边缘设备的有线传输功率。/>为边缘设备的任务执行功率系数，/>与设备CPU硬件架构相关。γ_b为边缘设备的最大无线链路带宽。ν_b为边缘设备的有线链路带宽。边缘设备的角色包括本地边缘设备和协作边缘设备。对于用户车辆来说，直接接收其任务的边缘设备为本地边缘设备，其余为协作边缘设备。需要指出，针对不同用户车辆，边缘设备的角色可以互换和叠加。c表示云中心。Y表示任务卸载位置集，Y＝{y₁,y₂,…,y_n(t)}。任务卸载位置分为3种情况：1)卸载到本地边缘设备执行，表示为/>2)由本地边缘设备卸载到其它协作边缘设备执行，表示为/>3)由本地边缘设备卸载到云中心执行，表示为/>本实施例设定每个任务仅可选择一种卸载位置。

表1主要符号及其含义

2、时延模型

在车辆边缘计算中，考虑任务的传输和执行，完成任务的时延包括任务传输时延和任务执行时延。

2.1任务传输时延

在车辆边缘计算中，边缘设备采用多路访问方法(如OFDMA，MIMO)关联附近的用户车辆。用户车辆与本地边缘设备之间的上行数据传输速率ν_a,b，表示为

γ_a,b为用户车辆与本地边缘设备之间的无线链路带宽。δ_a,b为用户车辆与本地边缘设备之间的无线传输功率。g_a,b为信道增益系数。σ表示背景噪声功率，∑_a'∈Aδ_a'g_a',b表示关联到相同边缘设备的其它用户车辆的无线干扰信号功率，两者合计为噪声功率。边缘设备和云中心通过有线链路接入核心网络。边缘设备的有线链路带宽为ν_b，存在ν_a,b＜＜ν_b。

完成用户车辆任务处理的传输时延包括任务请求发送时延和任务结果返回时延。任务的任务请求发送时延表示为(2)

α_t/ν_a,b表示用户车辆将任务t发送到本地边缘设备的传输时延。表示任务t由本地边缘设备派遣到其它协作边缘设备的传输时延。/>表示任务t由本地边缘设备派遣到云中心的传输时延。当任务t卸载在本地边缘设备执行时，即/>其/>当任务t由本地边缘设备卸载到其它边缘设备协作执行时，即/>其/>当任务t由本地边缘设备卸载到云中心协作执行时，即/>其/>考虑从边缘设备或云中心返回用户车辆的下行数据传输速率远大于上行数据传输速率，并且任务返回结果相比发送的任务数据量小很多，本发明不考虑任务结果返回时延。

2.2任务执行时延

用户车辆将任务就近发送至边缘设备。边缘设备接收任务，可根据任务卸载策略将任务在本地执行，或者卸载到相邻边缘设备(或云中心)协作执行。任务的任务执行时延t表示为。

表示任务在本地或相邻的边缘设备上执行的时延。/>表示边缘设备分配给任务t的计算量，存在/>即不能超过边缘设备最大计算量χ_b。/>表示任务在云中心上执行的时延。由于云中心拥有较强计算能力，/>要小于任务在边缘设备上执行的时延。

3、能耗模型

在车辆边缘计算中，考虑任务的传输和执行，完成任务的能耗包括任务传输能耗和任务执行能耗。

3.1任务传输能耗

任务传输能耗与任务传输时延以及设备的无线传输功率和有线传输功率相关。任务传输能耗可以表示为(4)。

当任务t在本地边缘设备执行时，即 取决于无线传输功率和任务从用户车辆发送到边缘设备的任务传输时延，表示为δ_a,bα_t/ν_a,b。当任务t由本地边缘设备卸载到远端协作执行时，即/>需要在考虑δ_a,bα_t/ν_a,b基础上，还加上本地边缘设备将任务发送至协作边缘设备或云中心的任务传输能耗，分别表示为/>和/>同样，考虑任务返回的数据量相比任务发送的要小很多，并且任务返回的下行数据传输速率远大于上行传输速率，任务结果返回的传输时延小，本实施例忽略任务结果返回的任务传输能耗。

3.2任务执行能耗

任务执行能耗根据任务在边缘设备或者云执行区分考虑。任务在边缘设备上运行的能耗可由CPU的动态功耗来测算。当任务在本地或协作边缘设备上执行时，即其任务执行能耗与执行任务t所需计算量(α_tβ_t)、边缘设备分配给任务的计算量/>和其任务执行功率系数/>相关。当任务在云中心执行时，即/>其任务执行能耗由其任务执行时延/>与云中心任务执行功率/>共同决定。由此得到任务执行能耗为

4、问题描述

在车辆边缘计算中，用户车辆的任务发送到信道条件最优的边缘设备。边缘设备需要感知任务的时延和能耗，结合设备资源占用和任务负载等确定卸载策略，将任务确定在本地边缘设备执行，或者派遣到其它边缘设备(或云中心)协作执行。每个任务只能选择一个卸载位置。由于任务请求随时空变化，各边缘设备接收的任务亦动态变化，边缘设备容易出现任务负载不均衡。另外，对于卸载到边缘设备的任务，根据式(3)增大分配给任务的边缘设备计算量可以减少任务执行时延，但是，根据式(5)会增加任务执行能耗。由此需要综合考虑任务的时延和能耗，兼顾边缘设备任务负载均衡合理优化任务卸载。

考虑计算任务的时延敏感，为保障用户车辆服务体验，需要在任务最大完成期限的约束时间内完成任务。任务完成时延指考虑任务排队和任务传输，从任务发起到任务执行完成所用的时间，表示为式(6)。

表示在节点上执行任务的等待时延。特别地，当t＝1时，其/>总任务时延为用户车辆所有任务完成时延之和，如式(7)所示。总任务时延值越小，车辆用户的服务质量越好。

为了提高系统整体能效，还需要考虑总任务能耗。总任务能耗为完成所有计算任务直接产生的能耗，包括任务传输能耗和任务执行能耗，如式(8)所示。总任务能耗值越小，系统的整体能效越高。

本发明面向边云协作优化车辆边缘计算的任务卸载，取得综合时延和能耗的最小总任务卸载成本。总任务卸载成本主要关注车辆边缘计算的服务质量和系统整体能效，由赋权的总任务时延D^o和总任务能耗E^o赋权叠加，记为ψ，表示为(9)。一般来说，总任务时延越小，总任务能耗越低，则总任务卸载成本越低。

对于式(9)中的约束条件：C1表示总任务完成时延权重系数w_D和总任务能耗权重系数w_E及其两者和值。C2表示任务完成时延限制在任务最大完成时间之内。C3表示用户车辆与边缘设备之间的无线链路带宽不超过边缘设备的最大无线链路带宽。C4表示边缘设备分配给任务的计算量不超过其的最大计算量。C5、C6分别表示任务由边缘设备派遣到其它协作边缘设备、云的数据传输速率不超过边缘设备的有线链路带宽。C7表示用户车辆的任务仅可在本地边缘设备、协作边缘设备和云中心选择一个卸载位置执行。

5、任务卸载

为解决车辆边缘计算的任务卸载NP难问题，本实施例采用多策略改进麻雀搜索算法优化任务卸载。麻雀搜索算法(Sparrow search algorithm，SSA)为启发式算法，是一种群体智能进化算法。受自然界生物的群体智能行为启发，SSA模仿麻雀种群食物搜索。SSA将麻雀种群分为发现者、跟随者和预警者这3类，通过联合3类麻雀种群觅食位置的迭代更新，渐进优化适应度值最佳的食物位置，进而得到问题的最优解。首先针对车辆边缘计算的任务卸载，对麻雀搜索算法进行改进，然后，综合时延和能耗，基于改进麻雀搜索算法进一步优化任务卸载。

5.1多策略改进麻雀搜索算法

由于算法SSA在全局搜索能力、寻优精度和收敛速度等方面存在较大提升空间，本实施例为适应车辆边缘计算的任务卸载对SSA算法进行改进。一是采用飞行者动量改进发现者的任务卸载位置更新，保持任务预卸载位置集的多样性，提高算法的全局寻优精度。二是，引入正余弦策略扰动跟随者的位置更新，增强任务预卸载位置集的多样性，提升算法的局部开发能力和全局寻优能力。三是，自适应调整预警者的规模并优化预警者的位置更新，提升任务预卸载位置集的多样性，帮助算法跳出局部最优并加快算法收敛。

5.1.1飞行者改进发现者更新机制

在任务卸载位置搜索的过程，发现者带领种群发现适用度值更优的位置。在无危险时，发现者需要广泛探索，保证任务预卸载位置集的多样性，以不断发现适应度值更优的卸载位置。但根据现有麻雀搜索算法中，当R＜u_wv时，发现者的位置搜索范围，即随着迭代增加而逐渐收窄。这降低了任务预卸载位置集的多样性，弱化算法的全局寻优。由此，受鸟群飞行启发，采用飞行者动量改进发现者的任务卸载位置更新，表示为(10)。

当R＜u_wv时，采用飞行者动量影响发现者的卸载位置更新。/>为标准差为1，均值为0的高斯分布随机数。在整个位置搜索过程中，发现者一直都保持较广的搜索范围，不受迭代增加的影响，从而保证任务预卸载位置集的多样性，有利于提高算法的全局优化精度。

5.1.2正余弦扰动跟随者更新机制

跟随者在麻雀种群(即任务预卸载位置集)中占比最大，改进其位置更新能有效提升算法的优化性能。在任务卸载位置搜索的过程中，部分跟随者围绕在当前最佳发现者周围搜索位置，其它跟随者基于自身位置漫无目的搜索位置。前者在算法初期弱化任务预卸载位置集的多样性，使得任务卸载位置搜索容易停滞，增加算法陷入局部最优的可能。后者在算法后期不利于任务卸载位置的局部搜索，影响算法的寻优精度。由此，引入正余弦扰动机制改进跟随者的任务卸载位置更新，表示为(11)。

当i≤n(i)/2时，采用余弦扰动机制更新跟随者的任务卸载位置。当i＞n(i)/2时，采用正弦扰动机制更新跟随者的任务卸载位置。为非线性步长搜索因子，其用于调整任务个体卸载位置更新的依赖度。在算法初期，ρ_τ值偏小可以降低当前全局最佳位置对跟随者的任务卸载位置更新的影响，有助于增强任务预卸载位置集的多样性，提升算法全局搜索能力。在算法后期，ρ_τ值偏大有助于利用全局最佳位置信息微调跟随者的任务卸载位置，提高算法的局部开发能力。式(11)中的/>为正余弦扰动量子，用于步长幅度调整。在任务卸载寻优初期，μ_τ减少幅度趋缓，有利于跳出算法的局部最优，增强卸载位置优化的全局搜索。在任务卸载寻优后期，μ_τ减小幅度趋大，有助于卸载位置的局部寻优细化，提升最优解精度。λ为任务负载度，其值与任务数和边缘设备数相关，λ＝1+0.05×n(t)/n(b)。若任务数和边缘设备数的比值越大，即边缘设备的任务负载越重，则λ值越大，将增大正余弦扰动。θ为正余弦参量，其值为(-π,π)区间随机数，影响跟随者的行走方位。

5.1.3自适应调整预警者更新机制

预警者及其数量多少直接影响任务卸载位置的全局寻优和搜索速度。一般来说，预警者数量多，可以增强算法跳出局部最优的能力，但是会增加任务卸载位置搜索时间，影响算法收敛。预警者数量少，可以减少任务卸载位置搜索时间，但是影响任务卸载的全局搜索，减弱算法跳出局部最优的能力。由此，本发明提出自适应调整预警者更新机制，其融合非线性预警系数和位置搜索偏离熵得到自适应调整的预警者数表示为(12)。

为最大预警者数，/>为最小预警者数。合理设置/>和/>值，可在迭代搜索前期保持较多预警者，保证任务预卸载位置集的搜索广度，增强跳出局部最优的能力。随着迭代搜索递进，自适应逐步减小预警者数，可以加快算法收敛。/>为非线性预警系数，与当前迭代次数和最大迭代次数相关。η_τ值随迭代渐进呈现非线性微分递增，进而使得预警者数逐步减少。/>为位置搜索偏离熵，与当前任务预卸载位置集的最优和最差适应度值相关，κ∈[1～e]。可以看出，若κ值小，则预警者数大，可以提高警戒，增强跳出局部最优能力。反之，若κ值大，则预警者数小，有助于减少任务卸载的搜索时间，加快算法收敛。

自适应调整预警者更新机制在自适应调整预警者数的同时，改进预警者的任务卸载位置更新，表示为(13)。

当预警者的任务卸载位置在当前最优任务卸载位置的外围时p_i＞p_best，将其移步到自己当前位置与最优位置之间的动态随机位置。当预警者的任务卸载位置在当前最优任务卸载位置时p_i＝p_best，将基于自己当前位置跳跃到当前迭代最差与最优位置之间的动态随机位置。改进的预警者任务卸载位置更新相比原SSA算法，在保持任务预卸载位置集的多样性、提升算法跳出局部最优的基础上，简化了位置更新计算。

5.1.4MISS算法描述

多策略改进麻雀搜索算法MISS(Multi-strategy improved sparrow searchalgorithm，MISS)结合飞行者改进发现者更新机制、正余弦扰动跟随者更新机制和自适应调整预警者更新机制改进麻雀搜索算法，如算法(1)所示：

算法1。多策略改进麻雀搜索算法MISS。

输入：种群数n(i)，搜索维数n(t)，最大迭代次数τ_max，发现者数s_sd，警戒阈值u_wv，最大预警者数最小预警者数/>适应度函数fitness；

输出：最佳位置集、最优适应度值。

①初始化任务预卸载位置；

②whileτ∈τ_max do

③for i＝¹:μ_sd do

④根据式(10)更新发现者的任务卸载位置，计算相应适应度值；//飞行者改进发现者更新机制

⑤end for

⑥for i＝(μ_sd+1):n(t)do

⑦根据式(11)更新跟随者的任务卸载位置，计算相应适应度值；//正余弦扰动更新机制

⑧end for

⑨运用自适应调整更新机制，根据式(12)得到τ次迭代的自适应调整预警者数

⑩fordo

根据式(13)更新预警者的任务卸载位置，计算相应适应度值；

end for

end while

return最佳位置集、最优适应度值

MISS算法中，第1步根据边缘设备集和云中心确定搜索空间的上界和下界，随机初始化各任务的预卸载位置，得到任务初始卸载位置的适应度值。第2-13步进行τ_max次迭代搜索，依次更新发现者、跟随者、预警者的任务预卸载位置，并同时更新最优适应度值。其中，第3-5步：从任务预卸载位置集中选取s_sd个作为发现者，采用飞行者改进发现者更新机制，根据式(10)进行任务卸载位置更新，并计算适应度值。第6-8步：运用正余弦扰动跟随者更新机制，融入非线性步长搜索因子和考虑任务负载度的正余弦扰动量子，依据式(11)更新跟随者的任务卸载位置，并计算适应度值。第9步运用自适应调整预警者更新机制，融合非线性预警系数和位置搜索偏离熵，根据式(12)得到当前τ次迭代的自适应调整预警者数第10-12步：依据式(13)得到改进的预警者的任务卸载位置更新，并计算适应度值。第14步返回任务卸载的最佳位置集和最优适应度值。

5.2基于MISS的任务卸载算法

为更好的综合优化VEC的任务时延和能耗，本发明提出基于MISS的启发式任务卸载方法(Heuristic task offloading with MISS algorithm，HTOM)。HTOM算法考虑任务最大完成期限，引入时延松弛变量，设计融合时延和能耗的适应度函数，基于MISS算法面向边云协作渐进寻优任务卸载位置。将任务卸载到包括本地边缘设备、协作边缘设备或云中心执行，兼顾用户车辆和服务运营商利益综合优化总任务完成时延和总任务能耗。HTOM如算法(2)所示：

算法2。基于MISS的启发式任务卸载算法HTOM。

输入：任务集T，边缘设备集B，云中心c，种群数n(i)，最大迭代次数τ_max，发现者数s_sd，警戒阈值u_wv，最大预警者数最小预警者数/>

输出：任务卸载位置集Y。

①if

②continue T←T+t；

③endif

④whiled_ζ∈((d_t-ζ),d_t)

⑤基于式(8)，引入“时延-能耗”惩罚项得到

⑥

⑦end while

⑧根据式(7)，

⑨根据式(8)，

⑩根据式(9)，ψ＝w_EE^o+w_DD^o；

return Y

HTOM算法考虑边缘计算的分布式特性，在各边缘设备独立进行计算任务卸载决策，不需要云和边缘层联动，为轻量级任务卸载算法。第1-3步：各边缘设备判断任务集是否为空，若无任务，继续接收新任务，否则，进行下一步的任务卸载处理。第4-7步引入时延松弛变量ζ基于任务最大完成期限d_t，考虑不同时延约束d_ζ∈((d_t-ζ),d_t)，进行任务预卸载。首先，基于式(8)，计入超时惩罚能耗修改总任务能耗为/>当/>时，即任务完成时间大于时延惩罚阈值，则增加超时惩罚能耗/>ε为时延-能耗惩罚算子。若时延约束d_ζ不同，任务的/>也不同。然后，基于MISS算法，以融入超时能耗惩罚的总任务能耗为适应度函数，得到不同时延约束的任务预卸载位置y(d_ζ)。第7步得到不同时延约束的任务预卸载位置集，名为/>第8、9步分别根据式(7)、(8)，计算不同时延约束的任务预卸载位置集/>的总任务完成时延D^o和总任务能耗E^o。第10步将D^o和E^o进行赋权相加，得到总体服务能效ψ。第11步贪心比较不同时延约束的任务预卸载位置集的ψ，得到最优任务卸载位置集。第12步返回任务卸载位置集y。

基于上述基于时延和能耗的边云协作的车辆边缘计算模型，和多策略改进麻雀搜索算法(MISS)的介绍，本优选实施例提供的车联网中基于群智进化的边云协作任务卸载方法包括以下步骤：

步骤1，搭建基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型，描述为式(9)所示的优化问题；所述总任务时延包括所有车辆任务的任务传输时延、任务等待时延和任务执行时延，所述总任务能耗包括所有车辆任务的任务传输能耗和任务执行能耗。

有关总任务时延和总任务能耗，已在前述的时延模型和能耗模型中详细阐述，此处不再重复。

步骤2，获取最新的车辆任务集、边缘设备集，包括每个车辆任务的信息和每个边缘设备的状态信息。

每个任务拥有t拥有3个维度信息，t＝{α_t,β_t,d_t}。α_t表示任务的数据量。β_t表示任务的计算量，量化为执行每单位任务数据需要占用的CPU时钟周期。任务类型不同，任务计算量不同。d_t表示任务的最大完成期限。

每个边缘设备的状态信息拥有5个维度信息，χ_b为边缘设备的最大计算量，量化为设备CPU的最大时钟频率。δ_b为边缘设备的有线传输功率。/>为边缘设备的任务执行功率系数，/>与设备CPU硬件架构相关。γ_b为边缘设备的最大无线链路带宽。ν_b为边缘设备的有线链路带宽。

步骤3，基于获取到的车辆任务集和边缘设备集，根据车辆边缘计算模型，采用麻雀搜索算法求解得到车辆任务集的卸载决策；所述卸载决策是指所有车辆任务各自的目标卸载位置，即本地边缘设备、其他协作边缘设备或者云中心。

步骤3.1，各边缘设备判断任务集是否为空，若无任务，继续接收新任务，否则，进行下一步的任务卸载处理；

步骤3.2，引入时延松弛变量ζ基于任务最大完成期限d_t，考虑不同时延约束d_ζ∈((d_t-ζ),d_t)，进行任务预卸载；具体地：

步骤3.2.1，在当前总任务能耗E^o计算模型基础上，计入超时惩罚能耗修改总任务能耗为/>其中，ε为时延-能耗惩罚算子；

步骤3.2.2，基于多策略改进麻雀搜索算法，以融入超时能耗惩罚的总任务能耗为适应度函数，得到不同时延约束的任务预卸载位置y(d_ζ)，将不同时延约束的任务预卸载位置集记为/>

其中，每个时延约束的任务预卸载位置的具体确定方法包括：

(1)设置麻雀种群，初始化每只麻雀的任务序列为所有车辆任务的卸载位置；

(2)按照式(10)更新每个发现者的任务卸载位置，计算其适应度值；

(3)按照式(11)更新每个跟随者的任务卸载位置，计算其适应度值；

(4)运用式(12)所示的自适应调整更新机制，得到当前迭代的自适应调整预警者数量，再按照式(13)更新每个预警者的任务卸载位置，计算其适应度值；

(5)返回步骤(2)进入下一次迭代，直到达到最大迭代次数；并将麻雀种群全局最优的麻雀个体代表的任务序列，确定为当前时延约束的任务预卸载位置。

步骤3.3，计算不同时延约束的任务预卸载位置集的总任务完成时延D^o和总任务能耗E^o；

步骤3.4，将总任务完成时延D^o和总任务能耗E^o进行赋权相加，得到总任务卸载成本ψ；

步骤3.5，贪心比较不同时延约束的任务预卸载位置集的ψ，得到车辆任务集的目标卸载位置集。

综上所述，本发明使用改进的群体智能进化算法来优化边云协作的车辆任务卸载，为用户车辆提供高效和快速的计算服务。首先，构建边云协作的车辆边缘计算模型，并量化任务时延和能耗。然后，采用多策略改进麻雀搜索算法(MISS)，提升任务卸载位置搜索的精度和速度。包括：1)采用飞行者动量改进发现者的任务卸载位置更新，2)通过引入非线性步长搜索因子和感知任务负载度的正余弦扰动量子改进跟随者的任务卸载位置更新，3)融合位置搜索偏离熵和非线性预警系数自适应调整预警者规模并改进其任务卸载位置更新。特别地，为更好优化时延和能耗，引入时延-能耗惩罚算子和时延松驰变量，提出HTOM算法，考虑不同时延约束设计融入时延和能耗的适应度函数，基于MISS算法综合优化任务卸载。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (7)

1.一种车联网中基于群智进化的边云协作任务卸载方法，其特征在于，包括：

步骤1，搭建基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型；所述总任务时延包括所有车辆任务的任务传输时延、任务等待时延和任务执行时延，所述总任务能耗包括所有车辆任务的任务传输能耗和任务执行能耗；

基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型为：

minψ＝min(w_EE^o+w_DD^o)

式中，ψ表示总任务卸载成本，D^o表示总任务完成时延，E^o表示总任务能耗，w_D和w_E分别表示总任务完成时延和总任务能耗的权重系数；

步骤2，获取最新的车辆任务集、边缘设备集，包括每个车辆任务的信息和每个边缘设备的状态信息；

步骤3，基于获取到的车辆任务集和边缘设备集，根据车辆边缘计算模型，采用改进麻雀搜索算法求解得到车辆任务集的卸载决策；所述卸载决策是指所有车辆任务各自的目标卸载位置，即本地边缘设备、其他协作边缘设备或者云中心；

采用改进麻雀搜索算法求解得到车辆任务集的卸载决策的具体过程为：

(1)设置麻雀种群，初始化每只麻雀的任务序列为所有车辆任务的卸载位置；

(2)更新每个发现者的任务卸载位置，计算其适应度值；

(3)更新每个跟随者的任务卸载位置，计算其适应度值；

其中，跟随者的任务卸载位置更新方法为：

式中，表示第i个麻雀第τ次迭代时在搜索维数t的觅食位置，对应在任务预卸载位置集i中任务t在第τ次迭代优化的卸载位置；/>表示截止第τ次迭代时适应度值最优的麻雀种群觅食位置，/>表示截止第τ次迭代时适应度值最差的麻雀种群觅食位置，n(i)为麻雀种群规模，K^*＝K^T(K·K^T)^-1，K表示每个元素值随机为{-1，1}的1×n(t)矩阵；/>为正余弦扰动量子，用于步长幅度调整；λ为任务负载度，其值与任务数和边缘设备数相关，λ＝1+0.05×n(t)/n(b)，n(t)为车辆任务数量，n(b)为边缘设备数量；θ为正余弦参量，其值为(-π,π)区间随机数，影响跟随者的行走方位；τ_max为最大迭代次数；

(4)运用自适应调整更新机制，得到当前迭代的自适应调整预警者数量，再更新每个预警者的任务卸载位置，计算其适应度值；

(5)返回步骤(2)进入下一次迭代，直到达到最大迭代次数。

2.根据权利要求1所述的边云协作任务卸载方法，其特征在于，总任务时延的计算模型为：

式中，表示任务t的完成时延，/>分别表示任务t的传输时延、等待时延和执行时延，/>表示任务t在云中心上执行的时延；

a表示用户车辆集A中的车辆，b表示边缘设备集B中的边缘设备，c表示云中心，t表示车辆任务集T中的任务，分别表示任务t在本地边缘设备、其他协作边缘设备和云中心执行；

α_t表示任务t的数据量，v_a,b表示用户车辆与边缘设备之间的上行数据传输速率，表示任务t在两个边缘设备之间的数据传输速率，/>表示任务t在边缘设备与云中心之间的数据传输速率；/>表示任务t在本地边缘设备b执行，/>表示任务t在协作边缘设备执行，表示任务t在云中心执行；β_t表示任务t的计算量，/>表示边缘设备分配给任务t的计算量。

3.根据权利要求2所述的边云协作任务卸载方法，其特征在于，总任务能耗的计算模型为：

式中，分别表示任务t的传输能耗和执行能耗；δ_a,b表示用户车辆与边缘设备之间的无线传输功率，δ_b表示边缘设备的有线传输功率；/>表示云中心的任务执行功率，/>表示边缘设备的任务执行功率系数。

4.根据权利要求3所述的边云协作任务卸载方法，其特征在于，步骤3包括：

步骤3.1，各边缘设备判断任务集是否为空，若无任务，继续接收新任务，否则，进行下一步的任务卸载处理；

步骤3.2，引入时延松弛变量ζ基于任务最大完成期限d_t，考虑不同时延约束d_ζ∈((d_t-ζ),d_t)，进行任务预卸载；具体地：

步骤3.2.1，在当前总任务能耗E^o计算模型基础上，计入超时惩罚能耗修改总任务能耗为/>其中，ε为时延-能耗惩罚算子；

步骤3.2.2，基于改进麻雀搜索算法，以融入超时能耗惩罚的总任务能耗为适应度函数，得到不同时延约束的任务预卸载位置y(d_ζ)，将不同时延约束的任务预卸载位置集记为

步骤3.3，计算不同时延约束的任务预卸载位置集的总任务完成时延D^o和总任务能耗E^o；

步骤3.4，将总任务完成时延D^o和总任务能耗E^o进行赋权相加，得到总任务卸载成本ψ；

步骤3.5，贪心比较不同时延约束的任务预卸载位置集的ψ，得到车辆任务集的目标卸载位置集。

5.根据权利要求4所述的边云协作任务卸载方法，其特征在于，发现者的任务卸载位置更新方法为：

式中，表示第i个麻雀第τ次迭代时在搜索维数t的觅食位置，对应在任务预卸载位置集i中任务t在第τ次迭代优化的卸载位置；▽为标准差为1，均值为0的高斯分布随机数；Q为在[0,1]区间呈现正态分布的随机数；L为全1的1×n(t)矩阵，n(t)为车辆任务数量；R为在[0,1]区间均匀分布的随机数；u_wv为警戒阈值，取值范围位于[0.5,1]区间。

6.根据权利要求4所述的边云协作任务卸载方法，其特征在于，预警者数量的自适应调整方法为：

式中，s_sw为第τ次迭代时自适应调整得到的预警者数量，为最大预警者数，/>为最小预警者数，τ_max为最大迭代次数，p_best和p_worst分别表示当前麻雀种群全局最优和最差觅食位置的适应度值。

7.根据权利要求4所述的边云协作任务卸载方法，其特征在于，跟随者的任务卸载位置更新方法为：

式中，表示第i个麻雀第τ次迭代时在搜索维数t的觅食位置，/>表示截止第τ次迭代时适应度值最优的麻雀种群觅食位置，/>表示截止第τ次迭代时适应度值最差的麻雀种群觅食位置，p_i为当前麻雀的适应度值，p_best和p_worst分别表示当前麻雀种群全局最优和最差觅食位置的适应度值。