CN115633033A - 融合射频能量采集的协同节能计算迁移方法 - Google Patents

Abstract

本发明属于无线通信网络技术领域，公开了一种融合射频能量采集的协同节能计算迁移方法，通过设计了分层的雾计算辅助数据收集架构，基于对计算迁移决策、上行带宽资源分配、下行带宽资源分配及基站功率分割的联合优化考量，构建了一个最小化系统总能耗的优化问题。为有效求解该优化问题，融合惩罚函数的概念设计了新的评价指标，并提出了一种基于自适应粒子群的协同节能计算迁移算法。该算法构造了动态变化的惯性权重和线性调节的惩罚因子，可在迭代搜索过程中实时变更粒子群落的空间分布密度，以生成可容忍惩罚下的最优计算迁移策略；进一步地，为避免粒子越过探索范围，引入了速度边界限制，可降低无效解的产生概率，提升搜索有效性。

Description

融合射频能量采集的协同节能计算迁移方法

技术领域

本发明涉及无线通信网络领域，具体是涉及一种融合射频能量采集的协同节能计算迁移方法。

背景技术

得益于5G赋能新时代的发展，融合人工智能技术的智能物联网为各行业带来了广阔发展机遇，可推动智能安防、智慧城市和智能家居等领域产品升级，建立多层次商业体系。但该新型发展模式往往会使网络使用频率不断上升，引发用户数据的爆炸式增长，导致物联网设备的能量衰减代价与多元化的终端用户服务需求较难匹配。

为提升系统能效比，建设绿色节能体系架构，雾计算这一灵活便捷的计算模式被广泛运用，该模式可高效耦合不同的设备接口，以快速分析物联网应用的交互数据，特别地，基于无线感知技术和计算迁移技术，部署在边缘侧的物理服务器能够有效整合环境可用资源，并对无线传输链路资源进行分割调度，以处理部分能耗较高的用户计算任务，实现良好的边端协作，目前有以下两类有代表性的方案：

第一类方案以较优策略降低终端数据处理能耗，并在一定程度上提升系统能源利用效率，如文献[Resource allocation and computation offloading for multi-accessedge computing with fronthaul and backhaul constraints]，其构建了一个垂直异构移动边缘计算场景下的能耗最小化问题，并将该非凸问题划分为多个子问题，以有效求解最优计算迁移决策和上下行带宽资源分配；但伴随着数据网联动性建设进程的商业化推广，物联网设备的电池损耗开销极大，而定期更换该元件是难以容忍且较为艰巨的。

第二类方案如文献[Computation efficiency maximization in wireless-powered mobile edge computing networks]，其研究了一种基于非线性能量采集的部分计算迁移机制，通过联合优化迁移时间、采集时间和本地计算频率等来实现处理效率最大化；采用固定单位时间内的节点采集能力，亦或是采用线性或非线性能量采集模式对任务迁移时间和能量采集时间进行时隙划分，均未考虑设备之间的型号差异性；并且，这类模式会将系统周期设定为一估计值，往往会引发用户接收反馈结果的等待时延误差。

发明内容

为解决上述技术问题，本发明基于分离式能量采集架构，提出了一种融合射频能量采集的协同节能计算迁移方法，基于对计算迁移决策、上行带宽资源占比、下行带宽资源占比及宏基站发射功率分割占比的联合优化考量，构建了一个最小化处理所有任务所需系统总能耗的优化问题；针对该优化问题，提出了最优求解方法，能够以较快的速度收敛至某一固定值，迁移策略的求解精确度高，可以获得最低能耗值，具有良好的性能优势。

本发明所述的融合射频能量采集的协同节能计算迁移方法，步骤为：

步骤1、设计分层的网络模型，所述网络模型由用户层和雾节点层构成；所述用户层包括若干物联网设备，所述雾节点层包括若干个宏基站及雾节点；

步骤2、所述物联网设备每隔固定时间间隔T，随机地通过宏基站向雾节点发送计算任务请求；

步骤3、雾节点接收物联网设备的计算任务请求，并判断其产生的计算任务是否需要进行迁移处理；若判断为否，则由物联网设备进行本地计算；若判断为是，则依据能耗最小化迁移策略，雾节点为所述物联网设备分配一定的带宽资源；所述物联网设备对宏基站的发射功率进行分割处理，通过宏基站采集能量，且当计算任务处理完毕后，宏基站将处理结果发送给物联网设备；

步骤4、对能耗最小化迁移策略进行优化，构建一个最小化处理所有任务所需系统总能耗的优化问题，并对其进行最优求解，得到迁移决策。

进一步的，所述步骤2具体为：

假设将物联网设备i∈{1，2，...，M}向雾节点层发送的任务请求信息定义为(D_i,T_i ^max,P_i ^max)，其中，D_i表示物联网设备i待处理的任务数据大小，T_i ^max为物联网设备i的最大容忍延迟，P_i ^max表示在饱和状态下设备i的功率门限值。

进一步的，步骤3中，当雾节点层接收到该请求信息时，将以最小化总能耗为目标，生成相应的迁移策略(α_i,β_i,γ_i,μ_i)，其中，α_i表示物联网设备i的任务计算迁移决策，当α_i＝1时，表示该任务在本地设备进行处理；当α_i＝0时，表示将该任务迁移至雾节点进行处理；β_i表示雾节点分配给物联网设备i的上行带宽资源占比；γ_i表示设备i的下行信道带宽资源占比；μ_i为设备i对基站发射功率的分割占比。

进一步的，当雾节点判断计算任务请求为本地计算时，用户层请求的计算任务将由物联网设备进行处理；

定义物联网设备i的本地计算能力为f_i ^l，所产生的本地计算时延表示如下：

对应地，处理完物联网设备i请求任务的本地计算能耗表示为：

其中P_i ^l为设备i的本地计算功率。

进一步的，当物联网设备i选择将任务迁移至雾节点进行处理时，通常会选取宏基站作为中继转发节点，此时总能耗由上行传输能耗、雾节点计算能耗和下行传输能耗三个部分构成；

首先将设备i的上行传输速率表示如下：

其中，B^u表示上行信道带宽资源大小，P_i ^u表示物联网设备i的传输功率，

表示设备i发送计算任务时的上行信道增益，

表示上行信道的背景高斯白噪声的功率谱密度，λ表征信道容量差距，且λ≥1；

根据该上行传输速率的描述，将物联网设备i的上行传输时延和传输能耗分别表示为：

接着，雾节点会对接收到的设备i的计算任务进行处理，将雾节点计算时延表示为：

其中f_f为雾节点的计算能力大小，且f_f>f_i ^l；

而雾节点计算能耗表示如下：

其中P_f为雾节点的计算功率；

最后，基于宏基站发出的射频信号，物联网设备利用内置的功率分割器对宏基站的发射功率进行分解，分别用于信息解码转发和射频能量采集；在此，将设备i所在信道上的传输信号定义如下：

其中，

为下行链路传输信号，所对应的数学期望满足

P_s表示宏基站的发射功率，

为高斯白噪声，

表示物联网设备i接收反馈数据时的下行信道增益；

相应地，依据香农定理，将信息解码转发过程中物联网设备i对应的下行传输速率表示如下：

其中，B^d表示下行信道带宽资源大小，σ_i ^d表示环境噪声的功率谱密度；

接收解码信息的下行传输时延表示为：

其中D_i′为雾节点层反馈给设备i的计算任务处理结果的数据大小；

而对应的下行传输能耗表示如下：

特别地，在射频能量采集过程中，为了更好地体现功率与能量转换之间的逻辑关系，基于设备所处信道状态及不确定性能量需求，构造了一种非线性能量采集模型，并将物理网设备i采集的能量大小定义为：

其中，参数a和b为控制能量采集模块的相关参数，通过改变a、b值的大小，可以有效地调节目标能耗函数的倾斜程度，在一定程度上控制采集能耗的上限；

综合上述内容描述，可以表示出完成物联网设备i任务处理的系统总能耗，具体如下：

进一步的，步骤4中，基于无线链路传输特性，构建了一个系统总能耗最小的优化问题，旨在联合优化计算迁移决策α_i、上行带宽资源占比β_i、下行带宽资源占比γ_i和基站发射功率分割占比μ_i，来提升系统整体的能量使用效率，构建如下优化问题P1：

约束条件如下，

T_i ^l+T_i ^u+T_i ^f+T_i ^d≤T_i ^max,(a)

0≤μ_i≤1,(d)

优化问题P1为最小化处理完所有物联网设备计算任务的系统总能耗；

约束条件(a)表示完成物联网设备i计算任务的总时间不能超过其自身最大容忍延迟；

约束条件(b)和(c)分别表示分配给物联网设备的上行带宽资源和下行带宽资源不能超过信道带宽总资源；

约束条件(d)表示对基站发射功率的分割占比，其中μ_iP_s用于信息解码转发，其余部分用于射频能量采集；

约束条件(e)表示物联网设备i任务的计算迁移决策，取值的大小为0或1，分别表示迁移处理和本地处理；

为了更好地求解系统能耗最小值，引入外罚函数的思想，构造了如下惩罚项：

其中，δ为惩罚因子，由于目标是求取系统总能耗最小，因此需设置δ>0，η为惩罚项系数，需要满足η≥1；类似地，对于其他不等式约束条件而言，分别构造以下惩罚函数：

其中，

最后，原始优化问题被映射为最小化系统总能耗与惩罚项之和，所对应的优化问题P2表述如下：

进一步的，采用基于自适应粒子群的协同节能计算迁移算法来优化问题P2，具体包括以下步骤：

定义粒子群落的目标搜索空间维数大小为4M，假设粒子群落由K个粒子构成，由于粒子之间存在着信息共享行为，因此各个粒子都会受其邻居粒子的影响进行自我学习，并针对性地调整速度和位置，以协同改进整体搜索效率，生成更优计算迁移策略，下面以粒子k为例来简要描述该过程，其中k∈{1,2,...,K}；

该粒子首先被随机编码为一个4M维的向量，具体如下：

其中，

表示粒子k的初始位置，

表示的是粒子k在不同维度的初始位置，

表示的是将

分别拆分为四个维度所得到的不同位置；

接着，将粒子k的初始飞行速度定义为：

其中

表示的不同维度中的粒子k的初始飞行速度；

考虑到上述优化变量均位于0至1区间内，该初始飞行速度被设定为[0,1]之间的随机数，并根据下式进行速度更新：

其中，m表示第m维向量，且m∈{1,2,...,4M}；n表示第n次迭代，且n≥0；ωⁿ为第n次迭代的惯性权重，表示个体粒子对先前搜索动作的信任程度；c₁和c₂分别为个体学习因子和群落学习因子，表示下一搜索动作采纳个体学习经验和邻居共享经验的权重比；r₁和r₂为介于0至1范围内符合均匀分布的随机概率；

表示粒子k在第n次迭代搜索到的第m维向量的局部最优位置；

表示整个粒子群落搜索到的第m维向量的全局最优位置；更新后的粒子位置表示为：

其中

表示第n次迭代后的粒子位置；

最后，由于在融合射频能量采集的迁移场景下，能量消耗是衡量系统效用的主要评价指标；结合上述粒子位置及飞行速度的定义，将粒子群算法中的关键要素适应度函数表述为能耗与惩罚函数之和，具体如下：

其中，X为由目标求解策略构成的4M维向量；

为保障迁移策略的搜索精度，并提升粒子运动状态的启发性，采用了动态惯性权重的思想，具体如下：

其中，ω^max表示惯性权重的上限值，ω^min表示惯性权重的下限值，n表示当前处于第n次迭代，N表示算法的最大迭代次数；

同时，为避免粒子位置

的溢出现象，对粒子飞行速度设定了边界限制，更新如下：

其中，v^max为粒子飞行速度的上限值，

为第n+1轮更新后的粒子k在第m维的粒子速度；

根据粒子前一时刻的搜索状态

以最小化适应度函数f(X_k)为目标，求取下一时刻的局部最优解

和全局最优解

具体表示如下：

紧接着，利用当前探索到的最优解空间，对粒子的飞行速度及所处位置进行迭代更新，直至不满足迭代条件，即到达最大迭代次数N时，输出最优计算迁移策略；特别地，引入了惩罚放大系数τ，使得惩罚因子δ呈线性增长趋势，以实现前期迁移决策探索的随机性，并保障后期资源分配策略输出的精确度及稳定性，具体表示为：

δⁿ⁺¹＝τδⁿ，其中δⁿ⁺¹表示为第n+1次迭代时的惩罚因子，δⁿ表示为第n次迭代时的惩罚因子。

本发明所述的有益效果为：(1)本发明基于对计算迁移决策、上行带宽资源占比、下行带宽资源占比及宏基站发射功率分割占比的联合优化考量，构建了一个最小化处理所有任务所需系统总能耗的优化问题；同时，为表征不同设备可采集能量的上限值，融合考虑了非线性能量采集模式，可依据电路调节参数及饱和状态下的功率门限值来有效地调节目标函数的倾斜程度；

(2)本发明为有效求解最小化处理所有任务所需系统总能耗的优化问题，提出了一种基于自适应粒子群的协同节能计算迁移算法；该算法引入动态惯性权重的思想，可在迭代搜索过程中实时变更粒子群落的空间分布密度，以更好地引导粒子探索解空间，提升策略求解精度；同时融合惩罚放大系数的概念，逐次对惩罚因子进行线性调节，生成可容忍惩罚下的最优计算迁移策略，进一步改善求精或求泛的结果预测效果。特别地，在探索过程中设计了飞行速度上限，能够将超出范围的解空间约束到边界值，避免偏移过大，降低无效解的产生概率，提升搜索有效性；

(3)本发明所提出的算法与其他方案相比，总是能够以较快的速度收敛至某一固定值，且与传统的粒子群算法相比，迁移策略的求解精确度可提升7.36％。进一步地，随着任务数据请求压力的增加，该算法始终可以获得最低能耗值，具有良好的性能优势。

附图说明

图1是本发明设计的一个融合射频能量采集的雾计算迁移模型；

图2是本发明中的方法在不同惯性权重下的适应度函数收敛情况；

图3是本发明中的方法与其他方法在不同任务数据大小下系统总能耗的比较图；

图4是本发明中的方法与其他方法在不同雾节点计算能力系统总能耗的比较图。

具体实施方式

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

如图1所示，一种融合射频能量采集的协同节能计算迁移方法，包括如下步骤：

(1)设计分层的网络模型，该网络模型由用户层和雾节点层两部分构成，用户层主要由物联网设备组成，雾节点层主要由雾节点和宏基站组成。

(2)用户层共部署有M个物联网设备，且每隔一个固定时间间隔T，都会随机地向雾节点层发送计算任务请求。

(3)雾节点层中，宏基站主要负责保障物联网设备与雾节点之间的不间断通信，并提供持续可用性供能服务，使得接入物联网设备可以灵活便捷地存储额外能量，以提升自供电能力，延长使用年限并降低能量消耗。雾节点通过感知自身通信覆盖范围以内的物联网设备，并判断其所产生的计算任务是否需要进行迁移处理，依据能耗最小化迁移策略，为相关设备分配一定的带宽资源，当计算任务处理完毕时，将处理结果发送给物联网设备。

进一步的，步骤(2)具体包括如下内容：

假设将物联网设备i∈{1，2，...，M}向雾节点层发送的任务请求信息定义为(D_i,T_i ^max,P_i ^max)，其中，D_i表示物联网设备i待处理的任务数据大小，T_i ^max为物联网设备i的最大容忍延迟，P_i ^max表示在饱和状态下设备i的功率门限值，该值通常由设备生产厂商及设备型号所确定，该值通常由设备生产厂商及设备型号所确定。当雾节点层接收到该请求信息时，将以最小化总能耗为目标，生成相应的迁移策略(α_i,β_i,γ_i,μ_i)，其中，α_i表示物联网设备i的任务计算迁移决策，当α_i＝1时，表示该任务在本地设备进行处理；当α_i＝0时，表示将该任务迁移至雾节点进行处理；β_i表示雾节点分配给物联网设备i的上行带宽资源占比；γ_i表示设备i的下行信道带宽资源占比；μ_i为设备i对基站发射功率的分割占比。

进一步的，步骤(3)具体包括如下内容：

对于本地计算而言，用户层请求的计算任务将由物联网设备进行处理。定义物联网设备i的本地计算能力为f_i ^l，所产生的本地计算时延表示如下：

对应地，处理完物联网设备i请求任务的本地计算能耗表示为：

其中P_i ^l为设备i的本地计算功率。

当物联网设备i选择将任务迁移至雾节点进行处理时，通常会选取宏基站作为中继转发节点，此时总能耗主要由上行传输能耗、雾节点计算能耗和下行传输能耗三个部分构成

首先将设备i的上行传输速率表示如下：

其中，B^u表示上行信道带宽资源大小，P_i ^u表示物联网设备i的传输功率，

表示设备i发送计算任务时的上行信道增益，

表示上行信道的背景高斯白噪声的功率谱密度，λ表征信道容量差距，且λ≥1；

根据该上行传输速率的描述，可以将物联网设备i的上行传输时延和传输能耗分别表示为：

接着，雾节点会对接收到的设备i的计算任务进行处理，与本地计算模型相类似，可以将雾节点计算时延表示为：

其中f_f为雾节点的计算能力大小，且f_f>f_i ^l；

而雾节点计算能耗可表示如下：

其中P_f为雾节点的计算功率；

最后，基于宏基站发出的射频信号，物联网设备可以利用内置的功率分割器对宏基站的发射功率进行分解，分别用于信息解码转发和射频能量采集。在此，将设备i所在信道上的传输信号定义如下：

其中，

为下行链路传输信号，所对应的数学期望满足

为高斯白噪声。

相应地，依据香农定理，可以将信息解码转发过程中物联网设备i对应的下行传输速率表示如下：

其中，B^d表示下行信道带宽资源大小，P_s表示宏基站的发射功率，

表示物联网设备i接收反馈数据时的下行信道增益，

表示环境噪声的功率谱密度。

接收解码信息的下行传输时延可以表示为：

其中D_i′为雾节点层反馈给设备i的计算任务处理结果的数据大小。

而对应的下行传输能耗可以表示如下：

特别地，在射频能量采集过程中，为了更好地体现功率与能量转换之间的逻辑关系，基于设备所处信道状态及不确定性能量需求，构造了一种非线性能量采集模型，并将物理网设备i采集的能量大小定义为：

其中，参数a和b为控制能量采集模块的相关参数，通过改变a、b值的大小，可以有效地调节目标能耗函数的倾斜程度，在一定程度上控制采集能耗的上限。综合上述内容描述，可以表示出完成物联网设备i任务处理的系统总能耗，具体如下：

基于无线链路传输特性，构建了一个系统总能耗最小的优化问题，旨在联合优化计算迁移决策α_i、上行带宽资源占比β_i、下行带宽资源占比γ_i和基站发射功率分割占比μ_i，来提升系统整体的能量使用效率，构建如下优化问题P1：

约束条件如下，

T_i ^l+T_i ^u+T_i ^f+T_i ^d≤T_i ^max,(a)

0≤μ_i≤1,(d)

优化问题P1为最小化处理完所有物联网设备计算任务的系统总能耗；

约束条件(a)表示完成物联网设备i计算任务的总时间不能超过其自身最大容忍延迟；

约束条件(b)和(c)分别表示分配给物联网设备的上行带宽资源和下行带宽资源不能超过信道带宽总资源；

约束条件(d)表示对基站发射功率的分割占比，其中μ_iP_s用于信息解码转发，其余部分用于射频能量采集；

约束条件(e)表示物联网设备i任务的计算迁移决策，取值的大小为0或1，分别表示迁移处理和本地处理；

为了更好地求解系统能耗最小值，引入外罚函数的思想，构造了如下惩罚项：

其中，δ为惩罚因子，由于目标是求取系统总能耗最小，因此需设置δ>0，η为惩罚项系数，需要满足η≥1；类似地，对于其他不等式约束条件而言，分别构造以下惩罚函数：

其中，

最后，原始优化问题能够被映射为最小化系统总能耗与惩罚项之和，所对应的优化问题P2可以表述如下：

采用基于自适应粒子群的协同节能计算迁移算法来优化问题P2，具体包括以下步骤：

定义粒子群落的目标搜索空间维数大小为4M，假设粒子群落由K个粒子构成，由于粒子之间存在着信息共享行为，因此各个粒子都会受其邻居粒子的影响进行自我学习，并针对性地调整速度和位置，以协同改进整体搜索效率，生成更优计算迁移策略，下面以粒子k为例来简要描述该过程，其中k∈{1，2，...，K}。

该粒子首先被随机编码为一个4M维的向量，具体如下：

其中，

表示粒子k的初始位置，

表示的是粒子k在不同维度的初始位置，

表示的是将

分别拆分为四个维度所得到的不同位置。

接着，可以将粒子k的初始飞行速度定义为：

考虑到上述优化变量均位于0至1区间内，该初始飞行速度被设定为[0,1]之间的随机数，并根据下式进行速度更新：

其中，m表示第m维向量，且m∈{1，2，...，M}；n表示第n次迭代，且n≥0；ωⁿ为第n次迭代的惯性权重，表示个体粒子对先前搜索动作的信任程度；c₁和c₂分别为个体学习因子和群落学习因子，表示下一搜索动作采纳个体学习经验和邻居共享经验的权重比；r₁和r₂为介于0至1范围内符合均匀分布的随机概率；

表示粒子k在第n次迭代搜索到的第m维向量的局部最优位置；

表示整个粒子群落搜索到的第m维向量的全局最优位置。这种更新方式使得粒子k能够在保持自身速度趋势的同时，依据邻居粒子的协同共享信息来更好地搜索解空间，且更新后的粒子位置可以表示为：

其中

表示第n次迭代后的粒子位置。

此外，由于在融合射频能量采集的迁移场景下，能量消耗是衡量系统效用的主要评价指标。结合上述粒子位置及飞行速度的定义，可以将粒子群算法中的关键要素适应度函数表述为能耗与惩罚函数之和，具体如下：

其中，X为由目标求解策略构成的4M维向量。

为保障迁移策略的搜索精度，并提升粒子运动状态的启发性，采用了动态惯性权重的思想，具体如下：

其中，ω^max表示惯性权重的上限值，ω^min表示惯性权重的下限值，n表示当前处于第n次迭代，N表示算法的最大迭代次数。为此，惯性权重的取值大小会随着迭代次数的增加而减小，可以有效地控制实际收敛性能，以保障粒子群落越来越逼近理想解。

同时，为避免粒子位置

的溢出现象，对粒子飞行速度设定了边界限制，更新如下：

其中，v^max为粒子飞行速度的上限值，

为第n+1轮更新后的粒子k在第m维的粒子速度。

根据粒子前一时刻的搜索状态

以最小化适应度函数f(X_k)为目标，可以求取下一时刻的局部最优解

和全局最优解

具体表示如下：

紧接着，可以利用当前探索到的最优解空间，对粒子的飞行速度及所处位置进行迭代更新，直至不满足迭代条件，即到达最大迭代次数N时，输出最优计算迁移策略。特别地，引入了惩罚放大系数τ，使得惩罚因子δ呈线性增长趋势，以实现前期迁移决策探索的随机性，并保障后期资源分配策略输出的精确度及稳定性，具体表示为：

δⁿ⁺¹＝τδⁿ，其中δⁿ⁺¹表示为第n+1次迭代时的惩罚因子，δⁿ表示为第n次迭代时的惩罚因子。

本发明方法的具体实施验证了所提算法能够实现较高的收敛效率及求解精度。

在仿真实验中，假设用户层共部署有5个物联网设备与雾节点层进行任务交互及能量协同感知。相关实验参数设定如下：物联网设备i请求的任务数据大小D_i在10Kb至100Kb之间随机生成，本地计算功率P_i ^l和上行传输功率P_i ^u的取值均介于1W与5W之间，雾节点层的宏基站发射功率和雾节点计算功率分别为20W和15W，且系统电路饱和状态下的功率门限值P_i ^max在5W至10W之间随机生成，本地计算能力。在20Kb/s与40Kb/s之间随机生成。特别地，为便于简便计算，定义返回任务结果的数据大小D_i′为请求任务数据大小D_i的一半，且完成任务处理的最大容忍延迟T_i ^max为0.5s，雾节点的计算能力f^f取值为2Mb/s，上行信道带宽资源大小B^u和下行信道带宽资源大小B^d分别为25Kb/s和15Kb/s，上行信道增益

和下行信道增益

分别为10^-5和10^-6，表信道实际差异参数λ的数值设为5，上、下行信道的高斯白噪声功率谱密度

和

分别设定为10^-9和10^-10，调节非线性能量采集模块的相关参数a和b各自取值为10和2。

如图2所示，当惯性权重的值设为0时，适应度函数取值保持不变，为一恒定值，且该值为初始飞行速度下对应的最小取值，这是因为粒子群落未产生任何演化过程，即粒子未扩散，无法寻求最优解；当惯性权重为1时，各个粒子可以在前期探索到较广的空间域，使得适应度函数能够更快速地到达最优解附近，但其迭代后期的搜索效率和收敛精度比较低。

另外，如图3所示，所有方案下的能量消耗都随着任务数据大小的增加而增加，其中，“Full local”表示所有物联网设备的计算任务都在设备本身进行处理；“Fulloffloading”表示所有计算任务都迁移至唯一雾节点进行处理；“PSO”表示基于传统粒子群算法的计算迁移方案；“APSO-CESCO”表示的是本发明所提计算迁移方案。由于物联网设备的计算能力远远小于雾节点的计算能力，因此全本地处理下的总能耗最高，全迁移方案次之；再者，由于传统粒子群方案融合了射频能量采集技术，并对迁移决策、上下行带宽资源及宏基站发射功率分割占比实施联合优化，使得系统总能耗得以进一步降低；但该方案下的搜索精确度较低，易错过更优资源分配策略，而发明引入的惯性权重和惩罚函数思想，可以提高求解精度并获得最低系统能耗。不仅如此，如图4所示，若雾节点的计算能力较小，则全迁移处理方案下的总能耗最高，这是因为此时降低通信开销也难以弥补计算开销的劣势，但随着节点计算能力的提升，其能耗值可逐步降低，即该劣势能够被有效缓解；同时，由于本地计算能耗只与用户请求数据大小、本地计算功率及本地计算能力息息相关，并不会被变化的雾节点计算能力所影响，因此全本地处理方案下的系统总能耗为一固定常数；此外，本发明所提方案较基于固定惯性权重的PSO方案而言，拥有更优的粒子空间探索模式，使得收敛到的平均能耗值更低。

以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (7)

1.融合射频能量采集的协同节能计算迁移方法，其特征在于，所述方法步骤为：

步骤1、设计分层的网络模型，所述网络模型由用户层和雾节点层构成；所述用户层包括若干物联网设备，所述雾节点层包括若干个宏基站及雾节点；

步骤2、所述物联网设备每隔固定时间间隔T，随机地通过宏基站向雾节点发送计算任务请求；

步骤3、雾节点接收物联网设备的计算任务请求，并判断其产生的计算任务是否需要进行迁移处理；若判断为否，则由物联网设备进行本地计算；若判断为是，则依据能耗最小化迁移策略，雾节点为所述物联网设备分配一定的带宽资源；所述物联网设备对宏基站的发射功率进行分割处理，通过宏基站采集能量，且当计算任务处理完毕后，宏基站将处理结果发送给物联网设备；

步骤4、对能耗最小化迁移策略进行优化，构建一个最小化处理所有任务所需系统总能耗的优化问题，并对其进行最优求解，得到迁移决策。

2.根据权利要求1所述的融合射频能量采集的协同节能计算迁移方法，其特征在于，所述步骤2具体为：

假设将物联网设备i∈{1，2，...，M}向雾节点层发送的任务请求信息定义为(D_i,T_i ^max,P_i ^max)，其中，D_i表示物联网设备i待处理的任务数据大小，T_i ^max为物联网设备i的最大容忍延迟，P_i ^max表示在饱和状态下设备i的功率门限值。

3.根据权利要求2所述的融合射频能量采集的协同节能计算迁移方法，其特征在于，步骤3中，当雾节点层接收到该请求信息时，将以最小化总能耗为目标，生成相应的迁移策略(α_i,β_i,γ_i,μ_i)，其中，α_i表示物联网设备i的任务计算迁移决策，当α_i＝1时，表示该任务在本地设备进行处理；当α_i＝0时，表示将该任务迁移至雾节点进行处理；β_i表示雾节点分配给物联网设备i的上行带宽资源占比；γ_i表示设备i的下行信道带宽资源占比；μ_i为设备i对基站发射功率的分割占比。

4.根据权利要求3所述的融合射频能量采集的协同节能计算迁移方法，其特征在于，当雾节点判断计算任务请求为本地计算时，用户层请求的计算任务将由物联网设备进行处理；

定义物联网设备i的本地计算能力为f_i ^l，所产生的本地计算时延表示如下：

对应地，处理完物联网设备i请求任务的本地计算能耗表示为：

其中P_i ^l为设备i的本地计算功率。

5.根据权利要求4所述的融合射频能量采集的协同节能计算迁移方法，其特征在于，当物联网设备i选择将任务迁移至雾节点进行处理时，通常会选取宏基站作为中继转发节点，此时总能耗由上行传输能耗、雾节点计算能耗和下行传输能耗三个部分构成；

首先将设备i的上行传输速率表示如下：

其中，B^u表示上行信道带宽资源大小，P_i ^u表示物联网设备i的传输功率，

表示设备i发送计算任务时的上行信道增益，

表示上行信道的背景高斯白噪声的功率谱密度，λ表征信道容量差距，且λ≥1；

根据该上行传输速率的描述，将物联网设备i的上行传输时延和传输能耗分别表示为：

接着，雾节点会对接收到的设备i的计算任务进行处理，将雾节点计算时延表示为：

其中f_f为雾节点的计算能力大小，且f_f>f_i ^l；

而雾节点计算能耗表示如下：

其中P_f为雾节点的计算功率；

最后，基于宏基站发出的射频信号，物联网设备利用内置的功率分割器对宏基站的发射功率进行分解，分别用于信息解码转发和射频能量采集；在此，将设备i所在信道上的传输信号定义如下：

其中，

为下行链路传输信号，所对应的数学期望满足

P_s表示宏基站的发射功率，

为高斯白噪声，

表示物联网设备i接收反馈数据时的下行信道增益；

相应地，依据香农定理，将信息解码转发过程中物联网设备i对应的下行传输速率表示如下：

其中，B^d表示下行信道带宽资源大小，

表示环境噪声的功率谱密度；

接收解码信息的下行传输时延表示为：

其中D_i′为雾节点层反馈给设备i的计算任务处理结果的数据大小；

而对应的下行传输能耗表示如下：

特别地，在射频能量采集过程中，为了更好地体现功率与能量转换之间的逻辑关系，基于设备所处信道状态及不确定性能量需求，构造了一种非线性能量采集模型，并将物理网设备i采集的能量大小定义为：

其中，参数a和b为控制能量采集模块的相关参数；

综上所述，表示出完成物联网设备i任务处理的系统总能耗，具体如下：

6.根据权利要求5所述的融合射频能量采集的协同节能计算迁移方法，其特征在于，步骤4中，基于无线链路传输特性，构建了一个系统总能耗最小的优化问题，旨在联合优化计算迁移决策α_i、上行带宽资源占比β_i、下行带宽资源占比γ_i和基站发射功率分割占比μ_i，来提升系统整体的能量使用效率，构建如下优化问题P1：

约束条件如下，

T_i ^l+T_i ^u+T_i ^f+T_i ^d≤T_i ^max, (a)

0≤μ_i≤1, (d)

优化问题P1为最小化处理完所有物联网设备计算任务的系统总能耗；

约束条件(a)表示完成物联网设备i计算任务的总时间不能超过其自身最大容忍延迟；

约束条件(b)和(c)分别表示分配给物联网设备的上行带宽资源和下行带宽资源不能超过信道带宽总资源；

约束条件(d)表示对基站发射功率的分割占比，其中μ_iP_s用于信息解码转发，其余部分用于射频能量采集；

约束条件(e)表示物联网设备i任务的计算迁移决策，取值的大小为0或1，分别表示迁移处理和本地处理；

为了更好地求解系统能耗最小值，引入外罚函数的思想，构造了如下惩罚项：

其中，δ为惩罚因子，由于目标是求取系统总能耗最小，因此需设置δ>0，η为惩罚项系数，需要满足η≥1；类似地，对于其他不等式约束条件而言，分别构造以下惩罚函数：

其中，

最后，原始优化问题被映射为最小化系统总能耗与惩罚项之和，所对应的优化问题P2表述如下：

7.根据权利要求6所述的融合射频能量采集的协同节能计算迁移方法，其特征在于，采用基于自适应粒子群的协同节能计算迁移算法来优化问题P2，具体包括以下步骤：

定义粒子群落的目标搜索空间维数大小为4M，假设粒子群落由K个粒子构成，由于粒子之间存在着信息共享行为，因此各个粒子都会受其邻居粒子的影响进行自我学习，并针对性地调整速度和位置，以协同改进整体搜索效率，生成更优计算迁移策略，下面以粒子k为例来简要描述该过程，其中k∈{1,2,...,K}；

该粒子首先被随机编码为一个4M维的向量，具体如下：

其中，

表示粒子k的初始位置，

表示的是粒子k在不同维度的初始位置，

表示的是将

分别拆分为四个维度所得到的不同位置；

接着，将粒子k的初始飞行速度定义为：

其中

表示的不同维度中的粒子k的初始飞行速度；

考虑到上述优化变量均位于0至1区间内，该初始飞行速度被设定为[0,1]之间的随机数，并根据下式进行速度更新：

其中，m表示第m维向量，且m∈{1,2,...,4M}；n表示第n次迭代，且n≥0；ωⁿ为第n次迭代的惯性权重，表示个体粒子对先前搜索动作的信任程度；c₁和c₂分别为个体学习因子和群落学习因子，表示下一搜索动作采纳个体学习经验和邻居共享经验的权重比；r₁和r₂为介于0至1范围内符合均匀分布的随机概率；

表示粒子k在第n次迭代搜索到的第m维向量的局部最优位置；

表示整个粒子群落搜索到的第m维向量的全局最优位置；更新后的粒子位置表示为：

其中

表示第n次迭代后的粒子位置；

最后，由于在融合射频能量采集的迁移场景下，能量消耗是衡量系统效用的主要评价指标；结合上述粒子位置及飞行速度的定义，将粒子群算法中的关键要素适应度函数表述为能耗与惩罚函数之和，具体如下：

其中，X为由目标求解策略构成的4M维向量；

为保障迁移策略的搜索精度，并提升粒子运动状态的启发性，采用了动态惯性权重的思想，具体如下：

其中，ω^max表示惯性权重的上限值，ω^min表示惯性权重的下限值，n表示当前处于第n次迭代，N表示算法的最大迭代次数；

同时，为避免粒子位置

的溢出现象，对粒子飞行速度设定了边界限制，更新如下：

其中，v^max为粒子飞行速度的上限值，

为第n+1轮更新后的粒子k在第m维的粒子速度；

根据粒子前一时刻的搜索状态

以最小化适应度函数f(X_k)为目标，求取下一时刻的局部最优解

和全局最优解

具体表示如下：

紧接着，利用当前探索到的最优解空间，对粒子的飞行速度及所处位置进行迭代更新，直至不满足迭代条件，即到达最大迭代次数N时，输出最优计算迁移策略；特别地，引入了惩罚放大系数τ，使得惩罚因子δ呈线性增长趋势，以实现前期迁移决策探索的随机性，并保障后期资源分配策略输出的精确度及稳定性，具体表示为：

δⁿ⁺¹＝τδⁿ，其中δⁿ⁺¹表示为第n+1次迭代时的惩罚因子，δⁿ表示为第n次迭代时的惩罚因子。

Images