CN115022893A - 多任务边缘计算系统中最小化总计算时间的资源分配方法 - Google Patents
多任务边缘计算系统中最小化总计算时间的资源分配方法 Download PDFInfo
- Publication number
- CN115022893A CN115022893A CN202210605461.6A CN202210605461A CN115022893A CN 115022893 A CN115022893 A CN 115022893A CN 202210605461 A CN202210605461 A CN 202210605461A CN 115022893 A CN115022893 A CN 115022893A
- Authority
- CN
- China
- Prior art keywords
- user
- task
- time
- computing
- resource allocation
- 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
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 241000764238 Isis Species 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229920003087 methylethyl cellulose Polymers 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/086—Load balancing or load distribution among access entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种多任务边缘计算系统中最小化总计算时间的资源分配方法,包括以下步骤:建模多用户多任务的MEC系统网络结构;建模系统用户的任务在本地计算处理的时间;建模系统用户与基站之间的信道模型;建模系统用户将任务卸载至基站所需的传输时间;建模系统用户的任务在基站计算处理的时间;建模多任务之间的顺序卸载依赖关系,当前任务卸载完成后即开始卸载下一个任务;建模限制条件;建模系统总计算时间最小化的优化模型;采用量子行为粒子群优化算法对资源分配最优化问题模型求解,确定计算资源、发射功率和用户决策变量的最佳分配结果,将分配结果代入系统总计算时间函数得到系统总计算时间。该方法有利于最小化系统总计算时间。
Description
技术领域
本发明属于移动边缘计算技术领域,具体涉及一种多任务边缘计算系统中最小化总计算时间的资源分配方法。
背景技术
尽管智能移动设备得到了快速发展,但其计算能力和电池容量仍然受到一定程度的限制。为了减轻计算压力和延长电池使用寿命,移动边缘计算(Mobile Edge Computing,MEC)技术被提出。通过在靠近用户的网络边缘部署具有一定计算能力的服务器,用户的计算任务可以卸载到边缘服务器进行计算,能够显著缓解用户的计算压力。
通过设计合理的资源分配策略,能够提高整个通信系统的性能。因此,研究结合MEC的通信系统的资源分配策略具有重要意义。结合MEC的通信系统的资源分配问题已经引起了广泛关注。
然而,现有大多数研究没有考虑用户具有多个任务的情况。通常来说,多个任务之间存在一定的依赖关系,对资源分配问题起着关键的作用,大多数研究没有考虑多个任务之间的依赖关系。因此,研究多个计算任务存在一定的依赖关系,是亟待解决的问题。
发明内容
本发明的目的在于提供一种多任务边缘计算系统中最小化总计算时间的资源分配方法,该方法有利于最小化系统总计算时间。
为实现上述目的,本发明采用的技术方案是:一种多任务边缘计算系统中最小化总计算时间的资源分配方法,包括以下步骤:
S1:建模多用户多任务的MEC系统网络结构;
S2:建模系统用户的任务在本地计算处理的时间;
S3:建模系统用户与基站之间的信道模型;
S4:建模系统用户将任务卸载至基站所需的传输时间;
S5:建模系统用户的任务在基站计算处理的时间;
S6:建模多任务之间的顺序卸载依赖关系,当前任务卸载完成后即开始卸载下一个任务;
S7:建模系统用户的决策变量、用户本地计算资源和发射功率的限制条件;
S8:建模系统总计算时间最小化的优化模型;
S9:采用量子行为粒子群优化算法对建立的资源分配最优化问题模型求解,确定计算资源、发射功率和用户决策变量的最佳分配结果,将分配结果代入系统总计算时间函数得到系统总计算时间。
进一步地,步骤S1中,设在所述MEC系统中,有M个SBS基站和一个MBS基站,用集合表示,其中b0表示MBS,每个基站都部署MEC服务器;系统中有N个移动用户,用集合表示;所有的SBS通过有线连接的方式连接到MBS上;假设一个应用程序由K个子任务构成,用集合表示;对于单个任务,该任务可以在本地执行或者将其卸载到边缘服务器上;假设部署在SBS上的边缘服务器的计算资源是有限的,如果移动用户将其任务卸载到SBS上的边缘服务器,但SBS的计算资源耗尽,则将计算任务进一步划分,SBS将任务的其余部分卸载到计算资源相对充足的MBS边缘服务器上。
进一步地,步骤S3中,定义一个决策变量表示用户i中第k个任务的计算方式,表示用户i的第k个任务卸载到基站j中执行,而表示用户i的第k个任务在本地执行;因为用户i的第k个子任务只能在本地或者选择一个MEC服务器执行任务,所以满足约束用户i和基站j之间的信道增益为Hij=GijFij,其中Gij表示大规模慢衰落分量捕获路径损耗和阴影效应,Fij表示小规模的快衰落分量;在一个关联周期内,Gij为一个常数,而Fij服从方差为1的指数分布概率密度函数;用户i与基站j的信噪比因此用户i与基站j的上行速率其中Ws表示SBS的带宽。
进一步地,步骤S4中,当任务卸载给SBS时,定义为SBSj分配给用户i第k个子任务的计算资源,其受到总的计算资源Fj的限制;定义f0为MBS分配给任务k的计算资源;因此,任务的传输时间当任务卸载给MBS时,传输时间分别为
进一步地,步骤S6中,考虑多个任务之间的顺序卸载依赖关系,当前任务卸载完成后即开始卸载下一个任务,不用等到该任务计算完成,因此在第k个任务开始卸载之前,用户i的第k个任务等待的时间为用户i第一个子任务的等待时间Wi(1)=0;因此,用户i完成第k个子任务的计算处理时间为用户i完成K个任务的总计算时间取决于第k个子任务的计算处理时间Di(k)的最大值;因此,用户i完成K个任务的总计算时间为Ψi=max{Di(1),Di(2),…,Di(K)}。
进一步地,步骤S9中,采用量子行为粒子群优化算法获得次优解方法对建立的资源分配最优化问题模型求解,确定最佳决策变量、计算资源、发射功率和任务大小分区,将分配结果代入系统;具体包括以下步骤:
S91:基于QPSO解决优化问题:首先,利用惩罚函数法,将原始的约束优化问题转换为无约束形式;适应度函数由一个目标函数和一个惩罚函数组成,表达式为是优化问题中的目标函数,δ表示惩罚因子,表示惩罚函数;
其中,max(·,·)表示在两个数值之间取较大的一个数值;
S93:定义每个粒子的初始位置;假设粒子群的规模为Q,根据所要优化的变量,粒子的维数A=3×N×(M+1)×K+N×K+N,因此,有Q个粒子组成的群体X(t)=(X1,X2,…,Xq,…,XQ);第q个粒子的位置向量为其中,表示第i个用户本地计算或卸载到MEC的决策变量,本地计算资源分配,MEC服务器计算资源分配和卸载给MBS数据大小的最优结果,更详细的表达为:
是一个多维向量,表示用户i中K个任务的计算方式、本地计算资源分配、MEC服务器计算资源分配、用户i的发射功率和卸载分区的最优结果;其中,第一行(M+1)×K个元素表示用户i中K个任务的计算方式;接着K个元素表示用户i本地计算资源分配;然后(M+1)×K个元素表示MEC服务器分配给用户i中K个任务的计算资源;接着一个元素Pi表示用户i的发射功率;最后的(M+1)×K元素表示卸载给MBS的数据大小;
S94:在第t次迭代,第q个粒子的位置表示为Pq(t)=(Pq,1(t),Pq,2(t),…,Pq,A(t));群体的最好位置G(t)=(G1(t),G2(t),…,GA(t));且G(t)=Pg(t),其中g∈{1,2,…,Q}是粒子群中全局位置最好的位置下标;
S95:对于第q个粒子根据得到一个随机的位置,是0和1之间的随机数,接着根据下式计算粒子新的位置Xq(t+1)=Pran±α·|C(t)-Xi(t)|·ln[1/u(t)],u(t)~U(0,1),α示收缩扩张系数,C(t)表示为在第t次迭代,所有粒子局部最好位置的平均值,表达式为收缩扩张系数α根据计算得到;
S96:对于所要优化的问题,目标函数的值越小,即整个系统的总计算时间越少,对应的适应值越好;粒子q的个体最好位置由下式确定,即将当前粒子位置的适应值,与上一次迭代局部最佳位置的适应值比较;根据适应度函数,在第t次迭代,粒子q的局部最好位置可以由下式得到;
S97:对于所要优化的问题,全局最优位置更新的表达式如下,将局部最好位置的适应值与上一次迭代的全局最好位置对比;粒子群的全局最好位置的表达式为;
直到满足算法终止条件,得到全局最好位置。
与现有技术相比,本发明具有以下有益效果:
1、本发明针对多个计算任务之间存在依赖关系的特点,研究多任务移动边缘计算系统的资源分配策略。考虑多个任务之间的顺序依赖关系,在当前任务卸载完成时,不用等该任务完成计算后,就开始卸载下一个任务。通过引入一种两层卸载策略,当小基站边缘服务器的计算能力不足时,可以将部分计算任务转移到计算资源充足的宏基站边缘服务器。
2、本发明将资源分配问题建模为优化问题,以最小化整个系统的总计算时间为目标,同时满足用户本地最大计算能力、边缘服务器最大计算资源和用户最大发射功率的约束条件。
3、为了求解所建立的优化问题,本发明通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与标准粒子群优化算法和其他基准策略相比,本方法具有更少的总计算时间。
附图说明
图1是本发明实施例中多用户和多任务的移动边缘计算网络场景图。
图2是本发明实施例中用户的两层卸载策略。
图3是本发明实施例中多任务之间的顺序卸载依赖关系。
图4是本发明实施例中基于QPSO算法的最小化总计算时间资源分配策略。
图5是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明针对多个计算任务之间存在依赖关系的特点,研究多任务移动边缘计算系统的资源分配策略。考虑多个任务之间的顺序依赖关系,在当前任务卸载完成时,不用等该任务完成计算后,就开始卸载下一个任务。通过引入一种两层卸载策略(如图2所示),当小基站边缘服务器的计算能力不足时,可以将部分计算任务转移到计算资源充足的宏基站边缘服务器。
如图5所示,本实施例提供了一种多任务边缘计算系统中最小化总计算时间的资源分配方法,包括以下步骤:
S1:建模多用户多任务的MEC系统网络结构。
本实施例中多用户和多任务的移动边缘计算网络场景如图1所示。
建模多用户和多任务的MEC系统网络结构主要装置包括:SBS和MBS。在所述MEC系统中,有M个SBS基站和一个MBS基站,用集合表示,其中b0表示MBS,每个基站都部署MEC服务器;系统中有N个移动用户,用集合表示;所有的SBS通过有线连接的方式连接到MBS上;假设一个应用程序由K个子任务构成,用集合表示;对于单个任务,该任务可以在本地执行或者将其卸载到边缘服务器上;假设部署在SBS上的边缘服务器的计算资源是有限的,如果移动用户将其任务卸载到SBS上的边缘服务器,但SBS的计算资源耗尽,则将计算任务进一步划分,SBS将任务的其余部分卸载到计算资源相对充足的MBS边缘服务器上。
S2:建模系统用户的任务在本地计算处理的时间。
对于任务在本地计算:对于用户i的第k个子任务在本地执行,定义fi k为用户i分配给第k个子任务的计算资源(即每秒CPU的周期数),其受到总的计算资源Fi限制;因此,用户i的第k个子任务在本地的计算时间Ti L,Com(k)为
S3:建模系统用户与基站之间的信道模型。
定义一个决策变量表示用户i中第k个任务的计算方式,表示用户i的第k个任务卸载到基站j中执行,而表示用户i的第k个任务在本地执行;因为用户i的第k个子任务只能在本地或者选择一个MEC服务器执行任务,所以满足约束用户i和基站j之间的信道增益为Hij=GijFij,其中Gij表示大规模慢衰落分量捕获路径损耗和阴影效应,Fij表示小规模的快衰落分量;在一个关联周期内,Gij被假设为一个常数,而Fij服从方差为1的指数分布概率密度函数;用户i与基站j的信噪比因此用户i与基站j的上行速率其中Ws表示SBS的带宽。
S4:建模系统用户将任务卸载至基站所需的传输时间。
S5:建模系统用户的任务在基站计算处理的时间。
S6:建模多任务之间的顺序卸载依赖关系,当前任务卸载完成后即开始卸载下一个任务。
如图3所示,考虑多个任务之间的顺序卸载依赖关系,当前任务卸载完成后即开始卸载下一个任务,不用等到该任务计算完成,因此在第k个任务开始卸载之前,用户i的第k个任务等待的时间为用户i第一个子任务的等待时间Wi(1)=0;因此,用户i完成第k个子任务的计算处理时间为用户i完成K个任务的总计算时间取决于第k个子任务的计算处理时间Di(k)的最大值;因此,用户i完成K个任务的总计算时间为Ψi=max{Di(1),Di(2),…,Di(K)}。
S7:建模系统用户的决策变量、用户本地计算资源和发射功率的限制条件。
S8:建模系统总计算时间最小化的优化模型。
S9:采用量子行为粒子群优化算法对建立的资源分配最优化问题模型求解,确定计算资源、发射功率和用户决策变量的最佳分配结果,将分配结果代入系统总计算时间函数得到系统总计算时间。
采用量子行为粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法对建立的资源分配最优化问题模型求解,确定最佳决策变量、计算资源、发射功率和任务大小分区,将分配结果代入系统;如图4所示,具体包括以下步骤:
S91:基于QPSO解决优化问题:首先,利用惩罚函数法,将原始的约束优化问题转换为无约束形式;适应度函数由一个目标函数和一个惩罚函数组成,表达式为是优化问题中的目标函数,δ表示惩罚因子,表示惩罚函数;
其中,max(·,·)表示在两个数值之间取较大的一个数值;
S93:定义每个粒子的初始位置;假设粒子群的规模为Q,根据所要优化的变量,粒子的维数A=3×N×(M+1)×K+N×K+N,因此,有Q个粒子组成的群体X(t)=(X1,X2,…,Xq,…,XQ);第q个粒子的位置向量为其中,表示第i个用户本地计算或卸载到MEC的决策变量,本地计算资源分配,MEC服务器计算资源分配和卸载给MBS数据大小的最优结果,更详细的表达为:
是一个多维向量,表示用户i中K个任务的计算方式、本地计算资源分配、MEC服务器计算资源分配、用户i的发射功率和卸载分区的最优结果;其中,第一行(M+1)×K个元素表示用户i中K个任务的计算方式;接着K个元素表示用户i本地计算资源分配;然后(M+1)×K个元素表示MEC服务器分配给用户i中K个任务的计算资源;接着一个元素Pi表示用户i的发射功率;最后的(M+1)×K元素表示卸载给MBS的数据大小;
S94:在第t次迭代,第q个粒子的位置表示为Pq(t)=(Pq,1(t),Pq,2(t),…,Pq,A(t));群体的最好位置G(t)=(G1(t),G2(t),…,GA(t))。且G(t)=Pg(t),其中g∈{1,2,…,Q}是粒子群中全局位置最好的位置下标;
S95:对于第q个粒子根据得到一个随机的位置,是0和1之间的随机数,接着根据下式计算粒子新的位置Xq(t+1)=Pran±α·|C(t)-Xi(t)|·ln[1/u(t)],u(t)~U(0,1),α示收缩扩张系数,C(t)表示为在第t次迭代,所有粒子局部最好位置的平均值,表达式为收缩扩张系数α根据计算得到。
S96:对于所要优化的问题,目标函数的值越小,即整个系统的总计算时间越少,对应的适应值越好;粒子q的个体最好位置由下式确定,即将当前粒子位置的适应值,与上一次迭代局部最佳位置的适应值比较;根据适应度函数,在第t次迭代,粒子q的局部最好位置可以由下式得到;
S97:对于所要优化的问题,全局最优位置更新的表达式如下,将局部最好位置的适应值与上一次迭代的全局最好位置对比;粒子群的全局最好位置的表达式为;
直到满足算法终止条件,得到全局最好位置。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种多任务边缘计算系统中最小化总计算时间的资源分配方法,其特征在于,包括以下步骤:
S1:建模多用户多任务的MEC系统网络结构;
S2:建模系统用户的任务在本地计算处理的时间;
S3:建模系统用户与基站之间的信道模型;
S4:建模系统用户将任务卸载至基站所需的传输时间;
S5:建模系统用户的任务在基站计算处理的时间;
S6:建模多任务之间的顺序卸载依赖关系,当前任务卸载完成后即开始卸载下一个任务;
S7:建模系统用户的决策变量、用户本地计算资源和发射功率的限制条件;
S8:建模系统总计算时间最小化的优化模型;
S9:采用量子行为粒子群优化算法对建立的资源分配最优化问题模型求解,确定计算资源、发射功率和用户决策变量的最佳分配结果,将分配结果代入系统总计算时间函数得到系统总计算时间。
2.根据权利要求1所述的多任务边缘计算系统中最小化总计算时间的资源分配方法,其特征在于,步骤S1中,设在所述MEC系统中,有M个SBS基站和一个MBS基站,用集合表示,其中b0表示MBS,每个基站都部署MEC服务器;系统中有N个移动用户,用集合表示;所有的SBS通过有线连接的方式连接到MBS上;假设一个应用程序由K个子任务构成,用集合表示;对于单个任务,该任务可以在本地执行或者将其卸载到边缘服务器上;假设部署在SBS上的边缘服务器的计算资源是有限的,如果移动用户将其任务卸载到SBS上的边缘服务器,但SBS的计算资源耗尽,则将计算任务进一步划分,SBS将任务的其余部分卸载到计算资源相对充足的MBS边缘服务器上。
4.根据权利要求3所述的多任务边缘计算系统中最小化总计算时间的资源分配方法,其特征在于,步骤S3中,定义一个决策变量表示用户i中第k个任务的计算方式,表示用户i的第k个任务卸载到基站j中执行,而表示用户i的第k个任务在本地执行;因为用户i的第k个子任务只能在本地或者选择一个MEC服务器执行任务,所以满足约束用户i和基站j之间的信道增益为Hij=GijFij,其中Gij表示大规模慢衰落分量捕获路径损耗和阴影效应,Fij表示小规模的快衰落分量;在一个关联周期内,Gij为一个常数,而Fij服从方差为1的指数分布概率密度函数;用户i与基站j的信噪比因此用户i与基站j的上行速率其中Ws表示SBS的带宽。
10.根据权利要求9所述的多任务边缘计算系统中最小化总计算时间的资源分配方法,其特征在于,步骤S9中,采用量子行为粒子群优化算法对建立的资源分配最优化问题模型求解,确定最佳决策变量、计算资源、发射功率和任务大小分区,将分配结果代入系统;具体包括以下步骤:
S91:基于QPSO解决优化问题:首先,利用惩罚函数法,将原始的约束优化问题转换为无约束形式;适应度函数由一个目标函数和一个惩罚函数组成,表达式为是优化问题中的目标函数,δ表示惩罚因子,表示惩罚函数;
其中,max(·,·)表示在两个数值之间取较大的一个数值;
S93:定义每个粒子的初始位置;假设粒子群的规模为Q,根据所要优化的变量,粒子的维数A=3×N×(M+1)×K+N×K+N,因此,有Q个粒子组成的群体X(t)=(X1,X2,…,Xq,…,XQ);第q个粒子的位置向量为其中,表示第i个用户本地计算或卸载到MEC的决策变量,本地计算资源分配,MEC服务器计算资源分配和卸载给MBS数据大小的最优结果,更详细的表达为:
是一个多维向量,表示用户i中K个任务的计算方式、本地计算资源分配、MEC服务器计算资源分配、用户i的发射功率和卸载分区的最优结果;其中,第一行(M+1)×K个元素表示用户i中K个任务的计算方式;接着K个元素表示用户i本地计算资源分配;然后(M+1)×K个元素表示MEC服务器分配给用户i中K个任务的计算资源;接着一个元素Pi表示用户i的发射功率;最后的(M+1)×K元素表示卸载给MBS的数据大小;
S94:在第t次迭代,第q个粒子的位置表示为Pq(t)=(Pq,1(t),Pq,2(t),…,Pq,A(t));群体的最好位置G(t)=(G1(t),G2(t),…,GA(t));且G(t)=Pg(t),其中g∈{1,2,…,Q}是粒子群中全局位置最好的位置下标;
S95:对于第q个粒子根据得到一个随机的位置,是0和1之间的随机数,接着根据下式计算粒子新的位置Xq(t+1)=Pran±α·|C(t)-Xi(t)|·ln[1/u(t)],u(t)~U(0,1),α示收缩扩张系数,C(t)表示为在第t次迭代,所有粒子局部最好位置的平均值,表达式为收缩扩张系数α根据计算得到;
S96:对于所要优化的问题,目标函数的值越小,即整个系统的总计算时间越少,对应的适应值越好;粒子q的个体最好位置由下式确定,即将当前粒子位置的适应值,与上一次迭代局部最佳位置的适应值比较;根据适应度函数,在第t次迭代,粒子q的局部最好位置可以由下式得到;
S97:对于所要优化的问题,全局最优位置更新的表达式如下,将局部最好位置的适应值与上一次迭代的全局最好位置对比;粒子群的全局最好位置的表达式为;
直到满足算法终止条件,得到全局最好位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605461.6A CN115022893A (zh) | 2022-05-31 | 2022-05-31 | 多任务边缘计算系统中最小化总计算时间的资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210605461.6A CN115022893A (zh) | 2022-05-31 | 2022-05-31 | 多任务边缘计算系统中最小化总计算时间的资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115022893A true CN115022893A (zh) | 2022-09-06 |
Family
ID=83071229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210605461.6A Pending CN115022893A (zh) | 2022-05-31 | 2022-05-31 | 多任务边缘计算系统中最小化总计算时间的资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115022893A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337091A1 (en) * | 2016-05-17 | 2017-11-23 | International Business Machines Corporation | Allocating compute offload resources |
CN110099384A (zh) * | 2019-04-25 | 2019-08-06 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
US20200127980A1 (en) * | 2019-09-28 | 2020-04-23 | Ned M. Smith | Dynamic sharing in secure memory environments using edge service sidecars |
CN111314889A (zh) * | 2020-02-26 | 2020-06-19 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
CN112055329A (zh) * | 2020-08-03 | 2020-12-08 | 广东工业大学 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
WO2021139537A1 (zh) * | 2020-01-08 | 2021-07-15 | 上海交通大学 | 一种工业物联网中基于功率控制和资源分配的任务卸载方法 |
CN113242568A (zh) * | 2021-06-08 | 2021-08-10 | 重庆邮电大学 | 一种不确定网络环境中的任务卸载和资源分配方法 |
CN113867843A (zh) * | 2021-10-08 | 2021-12-31 | 浙江工商大学 | 一种基于深度强化学习的移动边缘计算任务卸载方法 |
CN113887840A (zh) * | 2021-11-17 | 2022-01-04 | 辽宁工程技术大学 | 一种改进量子粒子群优化的瓦斯信号演化趋势预测方法 |
US11336585B1 (en) * | 2021-08-26 | 2022-05-17 | International Business Machines Corporation | Dynamic allocation of edge network resources |
-
2022
- 2022-05-31 CN CN202210605461.6A patent/CN115022893A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337091A1 (en) * | 2016-05-17 | 2017-11-23 | International Business Machines Corporation | Allocating compute offload resources |
CN110099384A (zh) * | 2019-04-25 | 2019-08-06 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
US20200127980A1 (en) * | 2019-09-28 | 2020-04-23 | Ned M. Smith | Dynamic sharing in secure memory environments using edge service sidecars |
WO2021139537A1 (zh) * | 2020-01-08 | 2021-07-15 | 上海交通大学 | 一种工业物联网中基于功率控制和资源分配的任务卸载方法 |
CN111314889A (zh) * | 2020-02-26 | 2020-06-19 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
CN112055329A (zh) * | 2020-08-03 | 2020-12-08 | 广东工业大学 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
CN113242568A (zh) * | 2021-06-08 | 2021-08-10 | 重庆邮电大学 | 一种不确定网络环境中的任务卸载和资源分配方法 |
US11336585B1 (en) * | 2021-08-26 | 2022-05-17 | International Business Machines Corporation | Dynamic allocation of edge network resources |
CN113867843A (zh) * | 2021-10-08 | 2021-12-31 | 浙江工商大学 | 一种基于深度强化学习的移动边缘计算任务卸载方法 |
CN113887840A (zh) * | 2021-11-17 | 2022-01-04 | 辽宁工程技术大学 | 一种改进量子粒子群优化的瓦斯信号演化趋势预测方法 |
Non-Patent Citations (7)
Title |
---|
JIAFA CHEN ET AL.: "Resource Allocation Strategy for Mobile Edge Computing System with Hybrid Energy Harvesting", 《2020 IEEE 91ST VEHICULAR TECHNOLOGY CONFERENCE》 * |
JIN JIANG ET AL.: "A Cooperative Computation Offloading Scheme for Dense Wireless Sensor-assisted Smart Grid Networks", 《2021 IEEE 6TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEMS (ICCCS)》, 21 June 2021 (2021-06-21) * |
YUEYUE DAI ET AL.: "Joint Computation Offloading and User Association in Multi-Task Mobile Edge Computing", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》, pages 1 * |
刘伟 等: "移动边缘计算中资源受限的串行任务卸载策略", 《软件学报》 * |
吴柳青 等: "基于边-端协同的任务卸载资源分配联合优化算法", 《电信科学》 * |
方鹏 等: "基于虚拟机迁移的能量收集MEC系统资源分配策略", 《重庆邮电大学学报(自然科学版)》 * |
赵星光: "边缘计算环境下的并行任务调度算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
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 | |
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN112380008B (zh) | 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法 | |
CN112988345B (zh) | 一种基于移动边缘计算的依赖型任务卸载方法及装置 | |
CN113242568A (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN110489229B (zh) | 一种多目标任务调度方法及系统 | |
CN109710374A (zh) | 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN113993218A (zh) | 一种mec架构下基于多智能体drl的协作卸载和资源分配方法 | |
CN111163178A (zh) | 一种边缘计算中基于博弈论的服务部署及任务卸载方法 | |
CN112860429A (zh) | 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法 | |
CN113867843B (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
CN116521345B (zh) | 一种基于任务依赖关系的联合调度和卸载方法 | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN115562756A (zh) | 一种多接入边缘计算的车辆任务卸载方法及系统 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN113448714B (zh) | 基于云平台的计算资源控制系统 | |
CN113741999B (zh) | 一种基于移动边缘计算的面向依赖型任务卸载方法及装置 | |
CN112596910A (zh) | 一种多用户mec系统中的云计算资源调度方法 | |
CN112231117A (zh) | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 | |
CN112312299A (zh) | 服务卸载方法、装置及系统 | |
CN116841710A (zh) | 任务调度方法、任务调度系统及计算机存储介质 | |
CN116209084A (zh) | 一种能量收集mec系统中任务卸载和资源分配方法 | |
CN115022893A (zh) | 多任务边缘计算系统中最小化总计算时间的资源分配方法 |
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 |