CN115756646A - 一种基于工业互联网的边缘计算任务卸载优化方法 - Google Patents

一种基于工业互联网的边缘计算任务卸载优化方法 Download PDF

Info

Publication number
CN115756646A
CN115756646A CN202211459610.9A CN202211459610A CN115756646A CN 115756646 A CN115756646 A CN 115756646A CN 202211459610 A CN202211459610 A CN 202211459610A CN 115756646 A CN115756646 A CN 115756646A
Authority
CN
China
Prior art keywords
task
energy consumption
unloading
industrial
computing
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
CN202211459610.9A
Other languages
English (en)
Inventor
郑啸
刘欢
梁越永
黄莉
周道付
薛明磊
王冬冬
汤宇航
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.)
Feima Zhike Information Technology Co ltd
Anhui University of Technology AHUT
Original Assignee
Feima Zhike Information Technology Co ltd
Anhui University of Technology AHUT
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 Feima Zhike Information Technology Co ltd, Anhui University of Technology AHUT filed Critical Feima Zhike Information Technology Co ltd
Priority to CN202211459610.9A priority Critical patent/CN115756646A/zh
Publication of CN115756646A publication Critical patent/CN115756646A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于工业互联网的边缘计算任务卸载优化方法，属于工业互联网边缘计算技术领域。本发明包括如下步骤：步骤一、建立一个具有三层计算节点的集成架构；步骤二、构建任务卸载时工业设备能耗模型和云计算成本模型；步骤三、通过改进的多目标布谷鸟搜索算法对所述的模型进行求解；步骤四、根据所求得的最优解制定任务卸载策略。本发明首先通过构建终端设备能耗和云服务器计算成本的目标函数，在满足任务完成时间的约束下，用改进的布谷鸟搜索算法实现任务卸载，使得寻找最优解的效率得到了提高，同时也提高了算法的收敛速度。

Description

一种基于工业互联网的边缘计算任务卸载优化方法
技术领域
本发明属于工业互联网边缘计算技术领域，更具体地说，涉及一种基于工业互联网的边缘计算任务卸载优化方法；本发明是一种能够最小化工业设备能耗和云计算成本的任务卸载优化方法。
背景技术
边缘计算是在靠近物或数据源头的网络边缘，融合网络、计算和存储等核心能力的开放平台，满足快速交互响应的需求，提供普遍且灵活的计算服务。边缘计算中的任务卸载是将设备终端的计算任务卸载到网络边缘的边缘计算环境中，从而解决终端设备在计算资源、存储空间以及能效等方面存在的问题。
随着工业互联网技术的快速发展，越来越多的应用程序运行在终端设备上，设备产生的数据也越来越多，任务卸载变得越来越复杂，工业应用面临着很多挑战。传统的端-云计算模式或者端-边计算模式已经无法满足工业应用在低成本、低能耗、低时延等方面的需求。复杂多元的需求要求云边端三层资源相互合作，共同提供更好的服务。因此，如何在满足任务时延的同时最小化工业设备的能耗和降低云计算成本是需要解决的关键问题。延长工业设备的使用寿命和降低使用云平台的计算成本能让工厂有更长远的发展。
直观的说，为了降低终端设备的能耗和云计算成本，将任务卸载到边缘服务器就可以满足。但是因为边缘服务器资源相对有限，可能无法满足任务的计划完成时间和存储需求，其次将任务卸载到边缘服务器时，任务的传输能耗可能大于运行能耗，这样会增加总能耗，最后由于终端设备自身的计算资源和存储资源有限，在本地运行任务会产生更多的运行能耗，同时会进一步增加任务的延迟。
经检索，中国专利号CN 112306696 A，发明创造名称为：一种节能高效的边缘计算任务卸载方法和系统；该申请案包括：获取用户任务数据信息，以及覆盖该用户的边缘服务器集合以及该边缘服务器集合中每台边缘服务器的处理速度；计算该边缘服务器集合中每台边缘服务器对用户的当前可用处理速度；针对该边缘服务器集合中的每台边缘服务器，计算其对用户的成本因子，并按成本因子从小到大对边缘服务器集合中的边缘服务器进行排序；根据排序后的边缘服务器序列，首先确定边界边缘服务器，对于排列在边界边缘服务器之前的所有边缘服务器，从第一台边缘服务器开始依次确定卸载至每台边缘服务器的任务量以及任务的频率选择因子。采用该申请案确定的任务卸载策略，能够满足用户体验质量的同时使边缘服务器节省能耗。但该申请案解决问题的思路相当于为每台边缘服务器安排一个工作任务表，与本发明的解决问题思路完全不同。
发明内容
1.发明要解决的技术问题
鉴于现有技术中存在的不足，本发明提供了一种基于工业互联网的边缘计算任务卸载优化方法；本发明首先通过构建终端设备能耗和云服务器计算成本的目标函数，在满足任务完成时间的约束下，用改进的布谷鸟搜索算法实现任务卸载。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的一种基于工业互联网的边缘计算任务卸载优化方法，包括如下步骤：
步骤一、建立一个具有三层计算节点的集成架构；
步骤二、构建任务卸载时工业设备能耗模型和云计算成本模型；
步骤三、通过改进的多目标布谷鸟搜索算法对所述的模型进行求解；
步骤四、根据所求得的最优解制定任务卸载策略。
更进一步地，步骤一中所述集成架构划分为工业设备层、边缘计算层和云计算层；
所述工业设备层包括具体工业设备，负责执行具体生产任务；
所述边缘计算层包括边缘服务器，负责处理部分来自工业设备层卸载的任务；
所述云计算层，负责处理来自边缘计算层卸载的任务；
所述工业设备层只和边缘计算层进行通信，所述边缘计算层分别与工业设备层、云计算层进行数据通信。
更进一步地，步骤二将工业设备的能耗设定为包括空闲时能耗、运行时能耗和数据传输能耗；
所述空闲时能耗为工业设备上不运行任何任务时的能耗；
所述运行时能耗为工业设备上运行任务时产生的能耗；
所述数据传输能耗包括将任务上传到边缘服务器所产生的能耗，以及工业设备上的任务与边缘服务器上或云服务器上任务进行数据交互时产生的能耗；
云计算成本则由任务自身的负载量、云计算的计算能力以及云计算平台的单价所获得。
更进一步地，步骤二构建的任务卸载时工业设备能耗模型为：
Etotal＝Eidle+Etran+Eexe
式中，Eidle表示工业设备空闲时的能耗，Etran表示数据传输能耗，Eexe表示任务运行能耗。
更进一步地，步骤二构建的云计算成本模型为：
Figure BDA0003954907460000021
其中，Ctotal表示在云服务器上计算的总成本，Ccloud表示云服务器的计算能力，Ncloud表示云服务器上运行的任务集合，tm表示子任务，lm表示任务tm的负载，C0表示云服务器使用时的单价。
更进一步地，步骤三对模型进行求解，计算最小工业设备能耗和云计算成本，模型为：
F＝Min{Etotal，Ctotal}
约束条件为：Tapplication≤deadline
其中，Tapplication表示工业应用实际完成时间，deadline代表工业应用计划完成时间。
更进一步地，步骤三所述改进的多目标布谷鸟搜索算法，基于3个基本假设：
(1)每只布谷鸟一次可产k个蛋，并随机选择一个寄生巢放置，第k个蛋即是一组解的第k个目标；
(2)在随机选择的一组寄生巢中，最好的巢将会保留到下一代继续繁殖；
(3)每个巢中的宿主鸟丢弃外来蛋的概率为Pa，被发现后布谷鸟选择更换一个具有k个蛋的新巢。
更进一步地，步骤三将任务卸载过程转化为鸟群迭代寻找最优鸟巢位置进行孵卵的过程，每只布谷鸟每次随机选择一个宿主鸟巢，产下K枚蛋，分别代表K个目标函数，根据目标函数，设适应度函数f1(x)＝Etotal，f2(x)＝Ctotal。
更进一步地，所述改进的多目标布谷鸟搜索算法，包括如下步骤：
步骤1：初始化布谷鸟搜索算法的基本参数；
步骤2：随机产生一个D维且各分量均在0～1之间的混沌矢量X1＝(x11，x12，…，x1D)，以X1为初始值根据Kent混沌映射公式进行N次迭代，得到混沌序列X1，X2，…，XN；将产生的N个混沌序列映射到解的搜索空间，然后计算出这N个鸟巢的适应度f1(x)和f2(x)值，这N个鸟巢记为nest0；
步骤3：利用莱维飞行公式对鸟巢位置进行更新，得到一组新的鸟巢位置；计算这一组新鸟巢的适应度函数值，同时更新卸载点位置，得到的新的卸载点的集合记为newnest0；
步骤4：将步骤3中新得到的卸载点的集合newnest0和初始的卸载点集合nest0合并，记为allnest0卸载点解集；
步骤5：对allnest0中的所有解进行非占优排序，根据排序结果和拥挤度距离，选取allnest解集中的前n个卸载点，并且用这n个解对步骤2中的nest0解集中的卸载点进行替换，记为nest1，同时把allnest0解集中n+1至2n的解组成的解集记为badnest；
步骤6：对badnest解集中每个鸟巢生成随机数r∈[0，1]，将其作为激励概率进一步对解空间进行开发，并将其与舍弃某个卸载点的概率Pa进行比较，如果r＞Pa，则表示放弃该卸载点，通过随机差分策略更新卸载点位置，得到一组新的卸载点，记为newnest1；反之，保留当前卸载点不进行更新操作；
步骤7：将更新后的卸载点的解集newnest1和步骤5中更新后的nest1解集进行合并，记为allnest1解集，并进行步骤5的计算；
步骤8：判断是否达到最大迭代次数，若达到，则表明最优鸟巢位置寻找完毕，此时根据最优鸟巢位置得到任务卸载模型对应的最优解，否则返回步骤3继续迭代；
步骤9：输出最优解。
更进一步地，步骤3中莱维飞行公式如下：
Figure BDA0003954907460000041
式中：r为缩放因子，
Figure BDA0003954907460000042
表示在t+1代中，第i个鸟巢的位置，
Figure BDA0003954907460000043
表示在t代中，第i个鸟巢的位置，i取整数，i∈[0,N]，N为鸟巢个数；
Figure BDA0003954907460000044
和
Figure BDA0003954907460000045
是解空间中的两个随机解。
3.有益效果
采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
(1)本发明的一种基于工业互联网的边缘计算任务卸载优化方法，提出了一种改进的多目标布谷鸟搜索算法，根据各指标的情况建立任务卸载模型和目标优化方程，在布谷鸟搜索中引入Kent混沌算法来对初始化种群进行离散化，在搜索后期改进鸟巢的局部随机游走方式，通过改进后的布谷鸟算法使得寻找最优解的效率得到了提高，同时也提高了算法的收敛速度。
(2)本发明的一种基于工业互联网的边缘计算任务卸载优化方法，构建了具有三层计算节点的集成架构，对于工业设备层的任务计算最优卸载策略，将任务卸载到工业设备一端的边缘服务器或远端的云服务器执行，对大量的数据尤其是对时延敏感的任务，将得到快速的处理；通过这种方式，网络的负载也会显著降低，网络云服务器的拥堵情况也得到一定的改善，在此基础上进一步降低数据处理的延迟。
(3)本发明的一种基于工业互联网的边缘计算任务卸载优化方法，一方面由于边缘端靠近工业设备端，所以能够更加有效的减少数据隐私的泄露，保障敏感数据的安全；另一方面，工业设备不会将所有的数据都存储在云端，大大减少了云上存储成本，降低了因为云服务器出现故障而引起的巨大损失，
(4)本发明的一种基于工业互联网的边缘计算任务卸载优化方法，通过随机差分策略改进布谷鸟搜索算法的丢巢操作，保留原有种群的优势特征，符合进化的概念，提高了算法的搜索速度和搜索质量，能更有效的确定任务的卸载位置，并且这一新型的群智能优化算法完全可以为不同领域的优化问题中的最优涉及提供一种全新的解决方案。
附图说明
图1为本发明的融合工业设备、边缘服务器和云服务器的集成计算架构图；
图2为本发明的具体卸载过程图；
图3为本发明的有向无环图；
图4为本发明的集成架构下工业设备任务卸载的流程图；
图5为本发明的集成架构下求解优化模型的改进的布谷鸟搜索算法的流程图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
布谷鸟搜索算法(Cuckoo search algorithm,CS)是一种比较新颖的群体智能启发式优化算法，具有参数少、执行速度快、易实现等特点。国内外的一些学者会使用布谷鸟搜索算法解决资源调度问题。经过实验发现，传统的布谷鸟算法适合解决连续性问题，因而，不能将其直接应用于求解工业互联网中边缘设备任务卸载问题。
本发明是基于改进的多目标函数的布谷鸟搜索算法，以解决现有算法在后期收敛精度低、容易陷入局部最优解等问题。
本发明的优化算法与随机差分策略相结合，防止算法搜索后期陷入局部最优解，保证优化结果为全局最优解。从而达到降低终端设备能耗和云计算成本的目的。
首先，需要先建立一个系统模型架构，其中包括工业设备层、边缘计算层和云计算层。
结合图1，具体包括：
工业设备层：本层含有大量的工业设备，如传感设备、生产设备、传送带系统、智能工业机器人、机械臂等。本层主要执行具体的生产任务，这些设备本身具有一定的计算和存储资源，所以可以运行一些简单的工业应用。
边缘计算层：本层主要由边缘服务器和边缘交换机等网络设备组成，离工业设备端较近。边缘服务器拥有比工业设备较高的计算和存储能力，可以处理来自工业设备卸载的任务，并能够根据边缘服务器的整体资源和负载情况来选择用于处理任务的边缘服务器。
云计算层：本层主要是云计算平台，一般假设拥有无限的计算和存储资源。当边缘服务器的计算和存储资源无法满足工业设备的任务时，需要将任务卸载到云计算平台，利用云计算平台强大的计算和存储能力来处理任务。但是云计算平台都是收费的，所以任务在云计算平台上运行会产生一定的费用。
工业设备层只和边缘计算层进行通信，所述边缘计算层分别与工业设备层、云计算层进行数据通信。
在上述系统模型架构中，工业应用先生产任务，根据任务之间的关系确定任务之间的优先级，然后根据任务的卸载策略来决定任务的执行地点。参见图2，具体流程包括：
工业设备先产生计算任务，根据任务自身的负载大小、完成任务所需要的时间、数据上传时间以及在云平台上的计算成本，来决定是否需要将任务进行卸载，如果不需要卸载则该计算任务在本地工业设备上完成；如果需要卸载，则将该任务卸载到边缘服务器或云服务器上完成计算。
基于该流程，先建立表示任务的有向无环图(DAG图)：
使用DAG任务图G＝(V，E)来表示一个工业应用，其中V表示工业应用中任务的集合，E表示图中节点之间的有向边集合，DAG图的表示方式如图3所示。每条边e(m，n)∈E代表任务m和任务n之间的依赖关系，即执行任务n时需要任务m的输出数据作为自已的输入数据，因此可以把任务m称为任务n的前驱，任务n称为任务m的后继。一个任务要想执行，只有当其所有前驱任务全部完成后才能开始执行。同时在DAG图中，入口任务是没有前驱任务的，同理出口任务是没有后继任务的，一个工业应用允许同时存在多个入口和出口任务。为了保证有向无环图只有一个开始节点和一个结束节点，可以给DAG图添加两个虚拟节点tstart和texit。
根据DAG图中任务节点之间的关系，确定任务之间的优先级，然后建立任务卸载时工业设备能耗模型和云计算成本模型，判断任务是否需要进行卸载，以及卸载到何处。
鉴于将任务划分为若干个子任务，子任务在工业设备上执行时、上传到边缘服务器、与边缘服务器或云服务器上任务进行数据交互时都会产生能耗，故将工业设备的能耗定义为空闲时能耗、运行时能耗和传输能耗。
所述空闲时能耗指的是工业设备上不运行任何任务时的能耗，即空载能耗，可由设备自身指标所获得；
所述运行时能耗指的是工业设备上运行任务时产生的能耗，主要由任务自身负载量和工业设备的计算能力所获得；
所述传输能耗包括将任务上传到边缘服务器所产生的能耗，以及工业设备上的任务与边缘服务器上或云服务器上任务进行数据交互时产生的能耗；
云计算成本则由任务自身的负载量、云计算的计算能力以及云计算平台的单价所获得。构建的任务卸载时工业设备能耗模型为：
Ftotal＝Eidle+Etran+Eexe
Figure BDA0003954907460000061
式中，Eidle表示工业设备空闲时的能耗，Etran表示数据传输能耗，Eexe表示任务运行能耗，Ndevice表示工业设备上运行的任务集合，Nedge表示边缘服务器上运行的任务集合，Ncloud表示云服务器上运行的任务集合，tn和tm分别表示父任务和子任务，ln表示任务tm的负载，Bedge表示边缘服务器与工业设备之间的带宽，Ptran表示工业设备的传输功率，Pexe表示工业设备的运行功率，ΔVmn代表两个任务tn和tm之间交互的数据的大小，包括输入和输出数据，Tidle表示工业设备不运行任务时的空闲时间，Pidle表示工业设备的空闲时的功率，m，n＝1，2，…，k。
云计算成本模型为：
Figure BDA0003954907460000071
其中，Ctotal表示在云服务器上计算的总成本，Ccloud表示云服务器的计算能力，C0表示云服务器使用时的单价。
对于工业设备层的任务计算最优卸载策略，计算工业设备能耗最小和云计算成本最小，计算最小工业设备能耗和云计算成本的模型为：
即F＝Min{Etotal，Ctotal}
约束条件为：Tapplication≤deadline
其中，Tapplication表示工业应用实际完成时间，deadline代表工业应用计划完成时间。
进一步的，在本发明中使用带有约束优化的改进的多目标布谷鸟搜索算法来对优化问题进行求解。在求解过程中应当考虑以下几点：
第一，卸载任务时需要考虑任务自身的完成时间，当此节点能够在任务的完成时间内完成任务时，可以考虑将此任务分配到该节点执行；第二，在卸载任务之前，需要考虑该节点的计算和存储资源，保证该节点可以运行此任务；第三，在任务卸载过程中，如果任务上传时产生的能耗，以及任务同其前任或后继任务交换数据而产生的传输能耗之和大于任务在设备端运行时产生的能耗时，可以考虑将任务放设备端执行；第四，因为使用云计算平台会产生计算成本，所以尽量不把任务卸载到云计算平台执行。只有当设备端和边缘端都不能处理任务时，可以将任务卸载到云计算平台。
图4为集成架构下求解目标函数最优解的算法流程图，本实施例对多目标布谷鸟搜索算法的3个基本假设，为满足k个目标的需求，在原来布谷鸟搜索算法假设的基础上做出一定的修改：
(1)每只布谷鸟一次可产k个蛋，并随机选择一个寄生巢放置，第k个蛋即是一组解的第k个目标。
(2)在随机选择的一组寄生巢中，最好的巢将会保留到下一代继续繁殖。
(3)每个巢中的宿主鸟丢弃外来蛋的概率为Pa，被发现后布谷鸟选择更换一个具有k个蛋的新巢。
在布谷鸟搜索算法中，基于莱维飞行，布谷鸟选择寄主鸟巢的位置更新公式为：
Figure BDA0003954907460000072
其中，
Figure BDA0003954907460000081
表示在t+1代中，第i个鸟巢的位置，
Figure BDA0003954907460000082
表示在t代中，第i个鸟巢的位置，α表示步长控制量，通常α＝1，
Figure BDA0003954907460000083
表示点乘积，Lévy(β)服从β(1＜β≤3)的Lévy分布。α的计算如下：
Figure BDA0003954907460000084
式中：α0是常数，是步长因子，是算法中仅需设置的几个参数之一，
Figure BDA0003954907460000085
和
Figure BDA0003954907460000086
是第t次迭代随机选取的两个解，用来模拟自然界中相似的蛋不容易发现的自然规律，因此新的解是根据它们的差的比例产生的。
多目标布谷鸟搜索算法中鸟巢位置的更新，由解的相似性决定的：
Figure BDA0003954907460000087
式中：r为缩放因子；
Figure BDA0003954907460000088
和
Figure BDA0003954907460000089
是从解集中随机选中的两个解。
在实际的优化问题中，鸟巢的位置代表所有变量的有效取值空间，而鸟巢的适应度则代表变量取不同值所对应的目标函数，值越小代表鸟巢的质量越好。布谷鸟算法中用鸟巢来表示问题的解。每只布谷鸟每次随机选择一个宿主鸟巢，产下K枚蛋，分别代表K个目标函数，即终端设备能耗和云计算成本，因此，在本发明中，K取2。
基于改进的多目标布谷鸟搜索算法来制定任务卸载策略，其过程为：
将任务卸载过程转化为鸟群迭代寻找最优鸟巢位置进行孵卵的过程，包括以下几个部分：
根据目标函数，设适应度函数f1(x)＝Etotal，f2(x)＝Ctotal。
步骤1：初始化基本参数，其中初始化的基本参数包括但不限于：任务数量为m，鸟巢(卸载点)初始种群规模为N，鸟巢用X＝(X1，X2，…，XN)表示。搜索参数(自变量)的维度D，每一维的上限
Figure BDA00039549074600000810
和下限
Figure BDA00039549074600000811
最大迭代次数Miter，宿主发现外来鸟蛋概率Pa；
步骤2：针对布谷鸟搜索算法的初始解产生方式较为简单，为随机产生，因此解的分布较为随机，无法均匀分布在解空间之中。因此采用Kent混沌映射对种群初始化，该方式具有遍历性和无序性，因此非常适合产生智能优化算法的初始解生成。根据Kent映射，鸟巢按照如下步骤在可行域中产生混沌序列：
随机产生一个D维且各分量均在0～1之间的混沌矢量X1＝(x11，x12，…，x1D)，以X1为初始值根据式Kent混沌映射公式进行N次迭代，得到混沌序列X1，X2，…，XN。其中Kent混沌映射公式为：
Figure BDA0003954907460000091
式中，Xk为产生的第k个Kent混沌序列值，Xk为(0，1)上的均匀分布，a为参数，当a＝0.4时Xk为(0，1)上的均匀分布。将产生的N个混沌序列按下式映射到解的搜索空间：
Figure BDA0003954907460000092
xij为第i个鸟巢在搜索空间第j维的位置。然后计算出这N个鸟巢的适应度f1(x)和f2(x)值，这N个鸟巢记为nest0。
步骤3：位置更新：利用莱维飞行公式对鸟巢位置进行更新，得到一组新的鸟巢位置计算这一组新鸟巢的适应度函数值，同时更新卸载点位置，得到的新的卸载点的集合记为newnest0。其中，莱维飞行公式如下：
Figure BDA0003954907460000093
式中：i取整数，i∈[0，N]，N为鸟巢个数；
Figure BDA0003954907460000094
和
Figure BDA0003954907460000095
是该解空间中的两个随机解。
步骤4：将步骤3中新得到的卸载点的集合newnest0和初始的卸载点集合nest0合并，记为allnest0卸载点解集；
步骤5：对allnest0中的所有解进行非占优排序，根据排序结果和拥挤度距离，选取allnest解集中的前n个较好的卸载点，并且用这n个好的解对步骤2中的nest0解集中的卸载点进行替换，记为nest1，同时把allnest0解集中n+1至2n的解组成的解集为badnest；
步骤6：对badnest解集中每个鸟巢生成随机数r∈[0，1]，将其作为激励概率去进一步对解空间进行开发，并将其与舍弃某个卸载点的概率Pa进行比较，如果r＞Pa，则表示放弃该卸载点，通过随机差分策略更新卸载点位置，得到一组新的卸载点，记为newnest1；反之，保留当前卸载点不进行更新操作；
所述本步骤的随机差分策略的公式为：
Figure BDA0003954907460000096
其中，t为当前迭代次数，r∈[0，1]间均匀分布的随机数，
Figure BDA0003954907460000097
为当前最优解的位置，
Figure BDA0003954907460000098
为解集中随机选择的一个解。采用此策略对群体进行扰动作用，产生具有较好多样性的新个体，从而帮助算法降低陷入局部最优的可能性。
步骤7：将更新后的卸载点的解集newnest1和步骤5中更新后的nest1解集进行合并，记为allnest1解集，并进行步骤5的计算；
步骤8：判断是否达到设定的停止条件(即达到最大迭代次数Miter)，若达到，则表明最优鸟巢位置寻找完毕，此时根据最优鸟巢位置得到任务卸载模型对应的最优解，否则返回步骤3继续迭代。
步骤9：输出最优解。
在任务卸载过程中，最优卸载分案的求解过程是一个离散型组合优化问题，但基本的多目标布谷鸟搜索算法在前期随机产生初始群体时，由于随机误差的存在，造成种群多样性不强，算法性能不稳定。为了增强多目标布谷鸟搜索算法初始种群的多样性，提高算法的稳定性，采用Kent混沌映射来产生多样性更强的初始种群，增加了初始搜索的遍历性和多样性，使算法能够适应离散型问题。此外，由于原布谷鸟搜索算法中的随机游走策略中的缩放因子r是一个随步长而改变的随机数，在搜索后期会因为步长的变小而变小，使得解的多样性降低，陷入局部最优。改进的随机游走策略增加了解更新方向的随机性，从而增强了解空间个体的多样性。
对基本的多目标布谷鸟搜索算法进行了上述操作后，即可将改进后的算法直接应用于多目标离散的优化问题，而且寻优能力也大大增强。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (10)

1.一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于，包括如下步骤：
步骤一、建立一个具有三层计算节点的集成架构；
步骤二、构建任务卸载时工业设备能耗模型和云计算成本模型；
步骤三、通过改进的多目标布谷鸟搜索算法对所述的模型进行求解；
步骤四、根据所求得的最优解制定任务卸载策略。
2.根据权利要求1所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤一中所述集成架构划分为工业设备层、边缘计算层和云计算层；
所述工业设备层包括具体工业设备，负责执行具体生产任务；
所述边缘计算层包括边缘服务器，负责处理部分来自工业设备层卸载的任务；
所述云计算层，负责处理来自边缘计算层卸载的任务；
所述工业设备层只和边缘计算层进行通信，所述边缘计算层分别与工业设备层、云计算层进行数据通信。
3.根据权利要求2所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤二将工业设备的能耗设定为包括空闲时能耗、运行时能耗和数据传输能耗；
所述空闲时能耗为工业设备上不运行任何任务时的能耗；
所述运行时能耗为工业设备上运行任务时产生的能耗；
所述数据传输能耗包括将任务上传到边缘服务器所产生的能耗，以及工业设备上的任务与边缘服务器上或云服务器上任务进行数据交互时产生的能耗；
云计算成本则由任务自身的负载量、云计算的计算能力以及云计算平台的单价所获得。
4.根据权利要求3所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤二构建的任务卸载时工业设备能耗模型为：
Etotal＝Eidle+Etran+Eexe
式中，Eidle表示工业设备空闲时的能耗，Etran表示数据传输能耗，Eexe表示任务运行能耗。
5.根据权利要求4所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤二构建的云计算成本模型为：
Figure FDA0003954907450000011
其中，Ctotal表示在云服务器上计算的总成本，Ccloud表示云服务器的计算能力，Ncloud表示云服务器上运行的任务集合，tm表示子任务，lm表示任务tm的负载，C0表示云服务器使用时的单价。
6.根据权利要求5所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤三对模型进行求解，计算最小工业设备能耗和云计算成本，模型为：
F＝Min{Etotal，Ctotal}
约束条件为：Tapplication≤deadline
其中，Tapplication表示工业应用实际完成时间，deadline代表工业应用计划完成时间。
7.根据权利要求6所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤三所述改进的多目标布谷鸟搜索算法，基于3个基本假设：
(1)每只布谷鸟一次可产k个蛋，并随机选择一个寄生巢放置，第k个蛋即是一组解的第k个目标；
(2)在随机选择的一组寄生巢中，最好的巢将会保留到下一代继续繁殖；
(3)每个巢中的宿主鸟丢弃外来蛋的概率为Pa，被发现后布谷鸟选择更换一个具有k个蛋的新巢。
8.根据权利要求7所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤三将任务卸载过程转化为鸟群迭代寻找最优鸟巢位置进行孵卵的过程，每只布谷鸟每次随机选择一个宿主鸟巢，产下K枚蛋，分别代表K个目标函数，根据目标函数，设适应度函数f1(x)＝Etotal，f2(x)＝Ctotal。
9.根据权利要求8所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：所述改进的多目标布谷鸟搜索算法，包括如下步骤：
步骤1：初始化布谷鸟搜索算法的基本参数；
步骤2：随机产生一个D维且各分量均在0～1之间的混沌矢量X1＝(x11，x12，…，x1D)，以X1为初始值根据Kent混沌映射公式进行N次迭代，得到混沌序列X1，X2，…，XN；将产生的N个混沌序列映射到解的搜索空间，然后计算出这N个鸟巢的适应度f1(x)和f2(x)值，这N个鸟巢记为nest0；
步骤3：利用莱维飞行公式对鸟巢位置进行更新，得到一组新的鸟巢位置；计算这一组新鸟巢的适应度函数值，同时更新卸载点位置，得到的新的卸载点的集合记为newnest0；
步骤4：将步骤3中新得到的卸载点的集合newnest0和初始的卸载点集合nest0合并，记为allnest0卸载点解集；
步骤5：对allnest0中的所有解进行非占优排序，根据排序结果和拥挤度距离，选取allnest解集中的前n个卸载点，并且用这n个解对步骤2中的nest0解集中的卸载点进行替换，记为nest1，同时把allnest0解集中n+1至2n的解组成的解集记为badnest；
步骤6：对badnest解集中每个鸟巢生成随机数r∈[0，1]，将其作为激励概率进一步对解空间进行开发，并将其与舍弃某个卸载点的概率Pa进行比较，如果r＞Pa，则表示放弃该卸载点，通过随机差分策略更新卸载点位置，得到一组新的卸载点，记为newnest1；反之，保留当前卸载点不进行更新操作；
步骤7：将更新后的卸载点的解集newnest1和步骤5中更新后的nest1解集进行合并，记为allnest1解集，并进行步骤5的计算；
步骤8：判断是否达到最大迭代次数，若达到，则表明最优鸟巢位置寻找完毕，此时根据最优鸟巢位置得到任务卸载模型对应的最优解，否则返回步骤3继续迭代；
步骤9：输出最优解。
10.根据权利要求9所述的一种基于工业互联网的边缘计算任务卸载优化方法，其特征在于：步骤3中莱维飞行公式如下：
Figure FDA0003954907450000031
式中：r为缩放因子，
Figure FDA0003954907450000032
表示在t+1代中，第i个鸟巢的位置，
Figure FDA0003954907450000033
表示在t代中，第i个鸟巢的位置，i取整数，i∈[0，N]，N为鸟巢个数；
Figure FDA0003954907450000034
和
Figure FDA0003954907450000035
是解空间中的两个随机解。
CN202211459610.9A 2022-11-16 2022-11-16 一种基于工业互联网的边缘计算任务卸载优化方法 Pending CN115756646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211459610.9A CN115756646A (zh) 2022-11-16 2022-11-16 一种基于工业互联网的边缘计算任务卸载优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211459610.9A CN115756646A (zh) 2022-11-16 2022-11-16 一种基于工业互联网的边缘计算任务卸载优化方法

Publications (1)

Publication Number Publication Date
CN115756646A true CN115756646A (zh) 2023-03-07

Family

ID=85334083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211459610.9A Pending CN115756646A (zh) 2022-11-16 2022-11-16 一种基于工业互联网的边缘计算任务卸载优化方法

Country Status (1)

Country Link
CN (1) CN115756646A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108880663B (zh) 基于改进遗传算法的天地一体化网络资源分配方法
Han et al. Tailored learning-based scheduling for kubernetes-oriented edge-cloud system
Ilavarasan et al. Low complexity performance effective task scheduling algorithm for heterogeneous computing environments
CN109857532B (zh) 基于蒙特卡洛树搜索的dag任务调度方法
CN112328380A (zh) 一种基于异构计算的任务调度方法及装置
CN112199172B (zh) 一种面向异构多核处理器的混合式任务调度方法
CN110109822A (zh) 基于蚁群算法进行测试用例优先级排序的回归测试方法
US20210312295A1 (en) Information processing method, information processing device, and information processing program
CN113127169B (zh) 数据中心网络中动态工作流的高效链路调度方法
CN110969362A (zh) 一种云计算系统下多目标任务调度方法及系统
Pooranian et al. Hybrid metaheuristic algorithm for job scheduling on computational grids
CN113487029A (zh) 一种可移植的神经网络分布式并行策略搜索方法
CN110086855A (zh) 基于蚁群算法的Spark任务智能感知调度方法
CN106648831B (zh) 基于萤火虫算法和动态优先级的云工作流调度方法
CN112199177B (zh) 基于遗传算法和计算拓扑模型的ska任务调度系统及方法
CN115756646A (zh) 一种基于工业互联网的边缘计算任务卸载优化方法
CN114661466A (zh) 用于边缘计算环境中面向智能工作流应用的任务卸载方法
CN115562756A (zh) 一种多接入边缘计算的车辆任务卸载方法及系统
CN109684088A (zh) 云平台资源约束的遥感大数据快速处理任务调度方法
CN116033026A (zh) 一种资源调度方法
CN117850999A (zh) 一种基于图神经网络的异构计算平台任务调度方法
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
Mahato Cuckoo search-ant colony optimization based scheduling in grid computing
CN112256422B (zh) 基于q学习的异构平台任务调度方法及系统
CN116938323B (zh) 一种基于强化学习的卫星转发器资源分配方法

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