CN116155728A - 超密集网络中计算卸载与资源优化方法 - Google Patents

超密集网络中计算卸载与资源优化方法 Download PDF

Info

Publication number
CN116155728A
CN116155728A CN202310439513.1A CN202310439513A CN116155728A CN 116155728 A CN116155728 A CN 116155728A CN 202310439513 A CN202310439513 A CN 202310439513A CN 116155728 A CN116155728 A CN 116155728A
Authority
CN
China
Prior art keywords
representing
user
individuals
particles
fitness
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.)
Granted
Application number
CN202310439513.1A
Other languages
English (en)
Other versions
CN116155728B (zh
Inventor
周天清
王博博
聂学方
李轩
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202310439513.1A priority Critical patent/CN116155728B/zh
Publication of CN116155728A publication Critical patent/CN116155728A/zh
Application granted granted Critical
Publication of CN116155728B publication Critical patent/CN116155728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了超密集网络中计算卸载与资源优化方法，该方法包括：获取超密集网络的网络基础信息，根据网络基础信息构建网络系统，并在网络系统的约束下构建优化问题；根据优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；根据全局最优粒子的位置执行计算卸载与资源优化配置。本发明能很好地实现最小化能耗和安全成本的目标。

Description

超密集网络中计算卸载与资源优化方法
技术领域
本发明涉及无线通信技术领域，尤其是涉及超密集网络中计算卸载与资源优化方法。
背景技术
在随着移动网络与物联网技术的快速发展，种类繁多的应用如雨后春笋般相继涌现，如无人驾驶汽车、虚拟现实、增强现实、智慧医疗与全景视频等。这些应用常常表现为计算密集型，延迟敏感型，连接不中断与数据率高等特性。然而，限于有限的电池容量与计算资源，移动终端很难有效地满足这些特性需求。
为迎接上述挑战，移动边缘计算应运而生。它通过将用户的计算任务部分或完整地卸载至附近边缘服务以减少本身计算负荷，从而达到降低自身能耗的目的。为进一步缩短用户与边缘服务器间的距离，超密集部署的基站被广为提倡。通过部署超密集基站，超密集网络便由此形成。
但是，尽管超密集网络可以极大强化服务覆盖及降低用户端能耗，但计算卸载时会产生一些新的问题。例如，当用户计算任务卸载边缘服务器时，一些额外的能耗与时延会由此产生；其次，由于边缘服务器位于网络边缘，靠近网络攻击者，更容易受到攻击，因此用户需要付出一些额外的代价以保证服务的安全性。并且，现有技术中使用的保护多样性的自适应遗传算法中，自适应交叉与变异概率采用固定权重，而非自适应权重，它会导致算法收敛速度与性能的下降，不利于方法的现实应用。
发明内容
有鉴于此，本发明实施例提供了超密集网络中计算卸载与资源优化方法，以解决现有技术中因缺少对计算卸载时产生的新问题的研究而导致算法收敛速度与性能的下降的问题。
本发明实施例的第一方面提供了超密集网络中计算卸载与资源优化方法，包括：
步骤S1：获取超密集网络的网络基础信息，根据网络基础信息构建网络系统，网络系统包括通信模型、计算模型及安全模型，并在网络系统的约束下构建优化问题，优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题；
步骤S2：根据优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；
步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；
步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。
综上，根据上述的超密集网络中计算卸载与资源优化方法，通过利用改进的保护多样性的自适应遗传算法（ADGGA）进行粗粒度搜索，在自适应交叉与自适应变异概率中引入自适应权重，极大地提升了本发明方法的性能，再利用自适应粒子群（APSO）算法进行细粒度搜索，在全局最优粒子附近搜索可行解，能很好地实现最小化能耗和安全成本的目标。具体的，根据超密集网络的网络基础信息构建优化问题，并对优化问题进行初步计算得到优化问题的初始解，将优化问题的初始解作为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；将目标种群作为粒子群，并以目标种群中所有个体的编码初始化粒子群中粒子的位置，使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；根据全局最优粒子的位置执行计算卸载与资源优化配置。本发明联合优化用户关联、密码算法选择、用户功率控制、用户和基站来计算资源分配以最小化加权的标准化总能耗与标准化总安全成本之和。在用户发射功率、计算资源和时延约束下，该方法能很好地实现最小化能耗和安全成本的目标。
进一步地，步骤S1的步骤包括：
根据以下公式构建优化问题P1：
Figure SMS_1
其中，
Figure SMS_5
表示任务关联矩阵，/>
Figure SMS_9
，/>
Figure SMS_15
表示用户
Figure SMS_19
的任务/>
Figure SMS_23
是否卸载到基站/>
Figure SMS_27
，/>
Figure SMS_31
表示基站的索引集合，/>
Figure SMS_4
表示用户集合，/>
Figure SMS_8
表示每个用户的/>
Figure SMS_12
个任务的索引集合，/>
Figure SMS_16
表示安全密码算法选择矩阵，/>
Figure SMS_20
，/>
Figure SMS_26
表示任务/>
Figure SMS_30
是否选择密码算法/>
Figure SMS_34
，/>
Figure SMS_3
表示密码算法的索引集合，/>
Figure SMS_7
表示用户计算资源的分配矩阵，/>
Figure SMS_11
，
Figure SMS_14
表示用户/>
Figure SMS_18
分配给任务/>
Figure SMS_22
的计算资源量，/>
Figure SMS_25
表示基站计算资源的分配矩阵，
Figure SMS_29
，/>
Figure SMS_33
表示基站/>
Figure SMS_35
分配给用户/>
Figure SMS_39
的任务/>
Figure SMS_43
的计算资源量，/>
Figure SMS_47
表示用户发射功率集，/>
Figure SMS_51
，/>
Figure SMS_55
表示用户/>
Figure SMS_58
的发射功率，/>
Figure SMS_32
表示用于调整标准总能耗与标准总安全成本的权重，/>
Figure SMS_37
表示用户总能耗，/>
Figure SMS_41
表示用户最大总能耗，/>
Figure SMS_44
表示用户总成本，/>
Figure SMS_48
表示任务/>
Figure SMS_52
因安全保护失败而产生费用，/>
Figure SMS_59
为用户/>
Figure SMS_61
的任务
Figure SMS_2
的处理时延，/>
Figure SMS_6
表示用户/>
Figure SMS_10
的任务/>
Figure SMS_13
的最后期限，/>
Figure SMS_17
表示用户/>
Figure SMS_21
的任务/>
Figure SMS_24
的处理时延不能超过该任务的最后期限/>
Figure SMS_28
，/>
Figure SMS_36
表示用户/>
Figure SMS_40
的任务/>
Figure SMS_45
至多关联一个基站，/>
Figure SMS_49
表示任务/>
Figure SMS_53
只能选择一个密码算法，/>
Figure SMS_56
表示用户/>
Figure SMS_60
的发射功率不能低于/>
Figure SMS_63
且不能高于它的最大发射功率
Figure SMS_38
，/>
Figure SMS_42
取足够小的常量值以避免“0/0”的现象，/>
Figure SMS_46
表示用户/>
Figure SMS_50
分配给自身所有任务的计算资源不能超过它的最大计算资源量/>
Figure SMS_54
，/>
Figure SMS_57
表示基站/>
Figure SMS_62
分配给所关联用户任务的计算资源不能超过它的最大计算资源量/>
Figure SMS_64
。
由以上的技术方案可知，优化问题的构建是在网络系统中通信模型、计算模型及安全模型的基础上进行的，在高严格时延的约束下，将任务关联矩阵、安全密码算法选择矩阵、用户计算资源的分配矩阵、基站计算资源的分配矩阵以及用户发射功率集都作为优化问题的参考指标，解决了现有技术中参考指标单一的问题，可以实现更安全的计算卸载，更低能耗的计算卸载，通过构建全新的优化问题。
进一步地，步骤S2的步骤包括：
步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序
Figure SMS_65
，并将当前迭代次序/>
Figure SMS_66
设置为1；
步骤S22：分别将父代种群
Figure SMS_75
中每个个体的/>
Figure SMS_69
编码成染色体
Figure SMS_71
，/>
Figure SMS_79
编码成染色体/>
Figure SMS_83
，/>
Figure SMS_85
编码成染色体
Figure SMS_88
，/>
Figure SMS_77
编码成染色体/>
Figure SMS_81
，/>
Figure SMS_67
编码成染色体
Figure SMS_73
，其中，/>
Figure SMS_84
表示由所有用户的所有任务构成的虚拟用户的索引集，/>
Figure SMS_87
表示个体/>
Figure SMS_86
中用户/>
Figure SMS_89
所关联基站的索引号，/>
Figure SMS_70
表示用户/>
Figure SMS_72
所选择密码算法的索引号，/>
Figure SMS_76
表示用户/>
Figure SMS_80
在本地的计算资源分配量，/>
Figure SMS_68
表示用户/>
Figure SMS_74
在边缘服务器的计算资源分配量，/>
Figure SMS_78
表示用户/>
Figure SMS_82
的发射功率；
步骤S23：初始化父代种群，并根据以下公式构建父代种群中个体
Figure SMS_90
的适应度函数：
Figure SMS_91
/>
其中，
Figure SMS_93
表示个体/>
Figure SMS_96
的适应度函数值，/>
Figure SMS_99
表示用户/>
Figure SMS_94
的任务/>
Figure SMS_95
的时延约束的惩罚因子，/>
Figure SMS_98
表示用户/>
Figure SMS_100
的计算资源约束的惩罚因子，/>
Figure SMS_92
表示基站/>
Figure SMS_97
的计算资源约束的惩罚因子；
使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体；
步骤S24：判断当前迭代次序
Figure SMS_101
是否小于等于最大迭代次序/>
Figure SMS_102
，若当前迭代次序/>
Figure SMS_103
小于等于最大迭代次序/>
Figure SMS_104
，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序/>
Figure SMS_105
大于最大迭代次序/>
Figure SMS_106
，则输出目标种群中所有个体的染色体编码。
进一步地，步骤S24的步骤包括：
步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体；
步骤S242：定义多样性测度
Figure SMS_107
，并根据多样性测度定义多样性引导的变异概率：
Figure SMS_108
其中，
Figure SMS_109
、/>
Figure SMS_110
与/>
Figure SMS_111
是预先设置的概率，/>
Figure SMS_112
与/>
Figure SMS_113
是阈值常量；
步骤S243：从父代种群中剩下的个体中选取任意相邻个体
Figure SMS_114
和/>
Figure SMS_115
，并根据以下公式得到个体/>
Figure SMS_116
和/>
Figure SMS_117
之间的新型自适应交叉概率：
Figure SMS_118
其中，
Figure SMS_120
表示个体/>
Figure SMS_122
和/>
Figure SMS_125
之间的新型自适应交叉概率，/>
Figure SMS_121
表示自适应权重，/>
Figure SMS_124
表示个体/>
Figure SMS_127
和/>
Figure SMS_129
中适应度低的个体的适应度值，/>
Figure SMS_119
表示父代种群中剩下的个体的最小适应度值，/>
Figure SMS_123
表示父代种群中剩下的个体的平均适应度值，/>
Figure SMS_126
表示取值于区间/>
Figure SMS_128
的常量；
从相邻个体
Figure SMS_130
和/>
Figure SMS_131
的染色体片段中随机选择一个交叉位置，根据新型自适应交叉概率/>
Figure SMS_132
对个体/>
Figure SMS_133
和/>
Figure SMS_134
从交叉点开始互换相应染色体片段；
步骤S244：根据以下公式得到父代种群中剩下的个体
Figure SMS_135
的新型自适应变异概率：
Figure SMS_136
/>
其中，
Figure SMS_137
表示父代种群中剩下的个体/>
Figure SMS_138
的新型自适应变异概率，/>
Figure SMS_139
表示父代种群中剩下的个体的最大适应度值，/>
Figure SMS_140
表示取值区间/>
Figure SMS_141
的常量；
步骤S245：根据多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则，以依次分别对父代种群中剩下的个体的染色体进行变异；
步骤S246：使用适应度函数计算变异后父代种群中个体的适应度值，将适应度值最高的个体作为当前最佳个体，并判断当前最佳个体的适应度值是否高于历史最佳适应度值，若当前最佳个体的适应度值高于历史最佳适应度值，则用当前最佳个体替换历史最佳个体；
步骤S247：将当前迭代次序
Figure SMS_142
的值加1。
进一步地，步骤S245中的预设变异规则为：
Figure SMS_143
Figure SMS_144
Figure SMS_145
Figure SMS_146
Figure SMS_147
其中，
Figure SMS_151
和/>
Figure SMS_154
为服从0-1均匀分布的随机数，/>
Figure SMS_157
、/>
Figure SMS_149
、/>
Figure SMS_152
、/>
Figure SMS_156
、/>
Figure SMS_160
均为分段函数，系统首先生成两个随机数/>
Figure SMS_150
和/>
Figure SMS_153
，判定/>
Figure SMS_158
值，得到对应的分段函数，/>
Figure SMS_162
决定变异幅度，/>
Figure SMS_166
决定变异方向，/>
Figure SMS_169
表示变异后个体/>
Figure SMS_174
中用户/>
Figure SMS_177
所关联基站的索引号，/>
Figure SMS_165
表示变异后用户/>
Figure SMS_170
所选择密码算法的索引号，/>
Figure SMS_173
表示变异后用户/>
Figure SMS_176
在本地的计算资源分配量，/>
Figure SMS_148
表示变异后用户/>
Figure SMS_155
在边缘服务器的计算资源分配量，/>
Figure SMS_159
表示变异后用户/>
Figure SMS_163
的发射功率，
Figure SMS_161
表示向下取整函数，/>
Figure SMS_164
和/>
Figure SMS_168
为服从0-1均匀分布的随机数，/>
Figure SMS_171
表示基站
Figure SMS_167
的最大计算资源量，/>
Figure SMS_172
表示用户/>
Figure SMS_175
的最大发射功率。/>
由以上的技术方案可知，由于自适应交叉概率和自适应变异概率具有自适应性，能够自动进行调整，在求解过程中可以不断变化，并且自适应权重
Figure SMS_178
能使得遗传算法加速收敛，解决了现有技术中自适应交叉与自适应变异概率采用固定权重，导致遗传算法收敛速度与性能的下降的问题，不利于方法的现实应用，因此，通过利用改进的自适应交叉概率和自适应变异概率，提出的优化问题求解算法能更快地找到更好的优化问题的解。
进一步地，步骤S3的步骤包括：
步骤S31：初始化自适应粒子群算法的最大迭代次序
Figure SMS_179
，并将当前迭代次序/>
Figure SMS_180
设置为1；
步骤S32：将目标种群中所有个体作为自适应粒子群算法的粒子，将个体的染色体编码作为粒子的子粒子，并初始化所有粒子
Figure SMS_190
的子粒子的位置/>
Figure SMS_182
、/>
Figure SMS_186
、/>
Figure SMS_194
、/>
Figure SMS_197
、/>
Figure SMS_198
，并分别以/>
Figure SMS_199
区间的随机数初始化所有粒子/>
Figure SMS_191
的子粒子的速度/>
Figure SMS_196
、/>
Figure SMS_181
、/>
Figure SMS_187
、/>
Figure SMS_184
、/>
Figure SMS_188
，而后初始化所有粒子/>
Figure SMS_192
的子粒子的历史最佳位置/>
Figure SMS_195
、/>
Figure SMS_183
、/>
Figure SMS_185
、/>
Figure SMS_189
、/>
Figure SMS_193
，历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置；
步骤S33：使用适应度函数计算所有粒子在历史最佳位置时的适应度值，将历史最佳位置中适应度值最高的粒子作为全局最优粒子，并初始化全局最优粒子
Figure SMS_200
的位置/>
Figure SMS_201
、/>
Figure SMS_202
、
Figure SMS_203
、/>
Figure SMS_204
、/>
Figure SMS_205
；
步骤S34：判断当前迭代次序
Figure SMS_206
是否小于等于最大迭代次序/>
Figure SMS_207
，若当前迭代次序/>
Figure SMS_208
小于等于最大迭代次序/>
Figure SMS_209
，则更新普通粒子的速度和位置，并根据普通粒子的速度和位置更新全局最优粒子的速度和位置；
步骤S35：使用适应度函数计算所有粒子位于历史最佳位置时的适应度，并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子；
步骤S36：将当前迭代次序
Figure SMS_210
的值加1。
进一步地，步骤S34的步骤包括：
步骤S341：根据以下公式更新普通粒子
Figure SMS_211
的速度：
Figure SMS_212
，
Figure SMS_213
，
Figure SMS_214
，
Figure SMS_215
，
Figure SMS_216
，
其中，上标
Figure SMS_218
表示第/>
Figure SMS_221
次迭代，/>
Figure SMS_224
与/>
Figure SMS_219
为常量，/>
Figure SMS_220
与/>
Figure SMS_223
是粒子/>
Figure SMS_226
取值于/>
Figure SMS_217
区间的随机数，/>
Figure SMS_222
表示粒子/>
Figure SMS_225
的惯性权重；
步骤S342：根据以下公式更新普通粒子
Figure SMS_227
的位置：/>
Figure SMS_228
，
Figure SMS_229
，
Figure SMS_230
，
Figure SMS_231
，
Figure SMS_232
；
步骤S343：根据以下公式更新全局最优粒子
Figure SMS_233
的速度：
Figure SMS_234
，
Figure SMS_235
，
Figure SMS_236
，
Figure SMS_237
，
Figure SMS_238
；
其中，
Figure SMS_239
为常量，/>
Figure SMS_240
、/>
Figure SMS_241
与/>
Figure SMS_242
的元素来自于/>
Figure SMS_243
区间的随机数，/>
Figure SMS_244
表示缩放因子；
步骤S344：根据以下公式更新全局最优粒子
Figure SMS_245
的位置：
Figure SMS_246
，
Figure SMS_247
，
Figure SMS_248
，
Figure SMS_249
，
Figure SMS_250
；
步骤S345：使用适应度函数计算所有粒子的适应度，并判断当前适应度是否高于位于历史最佳位置时的适应度，若当前适应度高于位于历史最佳位置时的适应度，则将粒子的当前位置作为历史最佳位置。
进一步地，步骤S4的步骤包括：
根据步骤S32中编码染色体的方式，将全局最优粒子的位置还原成原始优化参量解的形式；
并根据所获取的解，执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面提供的超密集网络中计算卸载与资源优化方法的各步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现第一方面提供的超密集网络中计算卸载与资源优化方法的各步骤。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的超密集网络中计算卸载与资源优化方法的实现流程图；
图2为本发明揭示网络用户数对总时延影响的示意图；
图3为本发明揭示网络用户数对总能耗影响的示意图；
图4为本发明揭示网络用户数对总成本影响的示意图；
图5为本发明揭示网络用户数对目标函数影响的示意图；
图6为本发明揭示网络用户数对支持率影响的示意图；
图7为本发明揭示本发明方法ADGGA与现有方法AGADGM的收敛图。
具体实施方式
下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元，或者可选地，还包括没有列出的步骤或单元，或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1示出了本发明实施例提供的超密集网络中计算卸载与资源优化方法的实现流程图。
步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题。
本发明的应用场景为超密集型网络，首先获取超密集型网络的网络基础信息，而后再一步步搭建网络模型中的通信模型、计算模型、安全模型，在网络模型中的通信模型、计算模型、安全模型的基础上构建优化问题，优化问题是加权的标准化总能耗与标准化总安全成本之和最小化问题。
具体的为，步骤S11：首先获取
Figure SMS_269
个用户的索引集为/>
Figure SMS_273
，/>
Figure SMS_277
个基站的索引集为/>
Figure SMS_253
，每个用户的/>
Figure SMS_257
个任务的索引集为/>
Figure SMS_260
，/>
Figure SMS_262
个密码算法的索引集/>
Figure SMS_275
及它们安全级别的集合/>
Figure SMS_278
，其中，/>
Figure SMS_281
表示密码算法/>
Figure SMS_283
的安全级别，然后获取任意用户的任务/>
Figure SMS_280
的五元组，即/>
Figure SMS_282
，其中，/>
Figure SMS_284
为任务/>
Figure SMS_285
的数据大小，/>
Figure SMS_264
为完成任务/>
Figure SMS_266
所需CPU周期数（cycles），/>
Figure SMS_267
为任务/>
Figure SMS_271
的最后期限，
Figure SMS_252
为任务/>
Figure SMS_270
的预期安全级别,/>
Figure SMS_274
为任务/>
Figure SMS_279
的安全风险系数，接着，获取任意基站/>
Figure SMS_254
的带宽/>
Figure SMS_256
，任意用户/>
Figure SMS_259
与任意基站/>
Figure SMS_263
间的信道增益/>
Figure SMS_265
及噪声功率/>
Figure SMS_268
，随后，获取任意用户/>
Figure SMS_272
的最大计算资源量/>
Figure SMS_276
与CPU能量系数/>
Figure SMS_251
，及基站/>
Figure SMS_255
的最大计算资源量/>
Figure SMS_258
与CPU能量系数/>
Figure SMS_261
。
步骤S12：根据网络基础信息构建通信模型，首先，假定任意基站
Figure SMS_290
的带宽/>
Figure SMS_294
被均等地分配给关联该基站的所有用户任务以使该基站的用户任务所分配到的带宽为
Figure SMS_297
，然后，根据香农公式/>
Figure SMS_286
计算用户/>
Figure SMS_291
的任务/>
Figure SMS_295
上传至基站/>
Figure SMS_298
的上行数据速率/>
Figure SMS_288
，其中，/>
Figure SMS_293
表示用户/>
Figure SMS_299
的任务/>
Figure SMS_303
是否卸载（关联）到基站/>
Figure SMS_302
，/>
Figure SMS_305
取值1表示用户/>
Figure SMS_307
的任务/>
Figure SMS_309
卸载到基站/>
Figure SMS_301
，/>
Figure SMS_304
取值0表示用户
Figure SMS_306
的任务/>
Figure SMS_308
不卸载到基站/>
Figure SMS_287
，/>
Figure SMS_292
为关联基站/>
Figure SMS_296
的用户总任务数，任意用户的任意任务至多只能选择一个基站，/>
Figure SMS_300
为用户/>
Figure SMS_289
的发射功率。
步骤S13：在通信模型的基础上构建计算模型，根据公式
Figure SMS_329
计算用户/>
Figure SMS_334
的任务/>
Figure SMS_338
在本地（用户端）执行所需的时间（时延）/>
Figure SMS_312
，并根据公式
Figure SMS_317
计算用户/>
Figure SMS_321
的任务/>
Figure SMS_325
在本地执行的能耗/>
Figure SMS_311
，其中，
Figure SMS_314
为用户/>
Figure SMS_318
分配给任务/>
Figure SMS_322
的计算资源量，/>
Figure SMS_324
表示用户/>
Figure SMS_328
的任务/>
Figure SMS_332
未被卸载至任何基站，即该任务由用户执行，然后，根据公式/>
Figure SMS_337
计算用户
Figure SMS_327
的任务/>
Figure SMS_331
的上传时延/>
Figure SMS_335
，根据公式/>
Figure SMS_339
计算用户/>
Figure SMS_310
的任务/>
Figure SMS_315
的上传能耗/>
Figure SMS_319
，接着，根据公式/>
Figure SMS_323
计算用户/>
Figure SMS_326
的任务/>
Figure SMS_330
在基站的执行时延/>
Figure SMS_333
，并根据公式/>
Figure SMS_336
计算用户/>
Figure SMS_340
的任务/>
Figure SMS_341
在基站的能耗/>
Figure SMS_342
，其中，/>
Figure SMS_343
为基站/>
Figure SMS_313
分配给用户/>
Figure SMS_316
的任务/>
Figure SMS_320
的计算资源量。
步骤S14：构建安全模型：首先，计算任务
Figure SMS_363
因选择密码算法/>
Figure SMS_367
而导致失败的概率
Figure SMS_371
；然后，根据公式/>
Figure SMS_346
计算用户/>
Figure SMS_351
的任务/>
Figure SMS_355
在本地加密的时延/>
Figure SMS_359
，根据公式/>
Figure SMS_369
计算用户/>
Figure SMS_374
的任务/>
Figure SMS_376
在本地加密的能耗/>
Figure SMS_378
，根据公式/>
Figure SMS_375
计算用户/>
Figure SMS_377
的任务/>
Figure SMS_379
在基站的解密时延/>
Figure SMS_380
，根据公式/>
Figure SMS_362
计算用户/>
Figure SMS_366
的任务/>
Figure SMS_370
在基站的解密能耗/>
Figure SMS_373
，其中/>
Figure SMS_344
(CPU cycles/bit)和/>
Figure SMS_349
(CPUcycles/bit)分别为用密码算法/>
Figure SMS_353
加密、解密单位比特数据所需CPU周期数，/>
Figure SMS_358
（10-7J/bit）为用密码算法/>
Figure SMS_345
加密、解密单位比特数据的能耗，/>
Figure SMS_348
指示任务/>
Figure SMS_352
是否选择密码算法/>
Figure SMS_356
，/>
Figure SMS_360
取值1表示任务/>
Figure SMS_364
选择密码算法/>
Figure SMS_368
，/>
Figure SMS_372
取值0表示任务/>
Figure SMS_347
不选择密码算法/>
Figure SMS_350
，任意任务只能选择某一密码算法，最后，根据/>
Figure SMS_354
计算所有用户所有任务的安全成本，即用户总安全成本/>
Figure SMS_357
，其中，/>
Figure SMS_361
为任务/>
Figure SMS_365
因安全保护失败而产生费用。
步骤S15：根据以下公式构建优化问题P1：
Figure SMS_381
其中，
Figure SMS_400
表示任务关联矩阵，/>
Figure SMS_404
，/>
Figure SMS_410
表示安全密码算法选择矩阵，/>
Figure SMS_384
，/>
Figure SMS_387
表示用户计算资源的分配矩阵，/>
Figure SMS_391
，/>
Figure SMS_396
表示基站计算资源的分配矩阵，/>
Figure SMS_403
，/>
Figure SMS_407
表示用户发射功率集，/>
Figure SMS_411
，/>
Figure SMS_414
表示用于调整标准总能耗与标准总安全成本的权重，/>
Figure SMS_412
表示用户总能耗，/>
Figure SMS_415
表示用户最大总能耗，/>
Figure SMS_416
为用户/>
Figure SMS_417
的任务/>
Figure SMS_401
的处理时延，/>
Figure SMS_406
表示用户
Figure SMS_409
的任务/>
Figure SMS_413
的处理时延不能超过该任务的最后期限/>
Figure SMS_382
，/>
Figure SMS_389
表示用户/>
Figure SMS_393
的任务/>
Figure SMS_397
至多关联一个基站，/>
Figure SMS_385
表示任务/>
Figure SMS_388
只能选择一个密码算法，/>
Figure SMS_392
表示用户/>
Figure SMS_394
的发射功率不能低于/>
Figure SMS_398
且不能高于它的最大发射功率/>
Figure SMS_402
，/>
Figure SMS_405
取足够小的常量值以避免“0/0”的现象，/>
Figure SMS_408
表示用户
Figure SMS_383
分配给自身所有任务的计算资源不能超过它的最大计算资源量/>
Figure SMS_386
，/>
Figure SMS_390
表示基站/>
Figure SMS_395
分配给所关联用户任务的计算资源不能超过它的最大计算资源量/>
Figure SMS_399
。/>
步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码。
需要说明的是，对于优化问题，本实施例先用现有技术中的计算方法得到优化问题的初始解，而后再使用本实施例中提出的采用改进的保护多样性的自适应遗传算法对初始解进行不断的迭代优化，得到优化问题的最优解，即求得标准化总能耗与标准化总安全成本之和最小的解，现有技术中对于优化问题的求解方式有多种，在本实施例中不做具体说明。
具体的为，步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序
Figure SMS_418
，并将当前迭代次序/>
Figure SMS_419
设置为1。
可以理解的，设置最大迭代次序的目的是为了终止遗传算法的迭代过程，迭代次序越大，遗传算法所获取的性能越好，但是，太大的迭代次序会增加算法的执行时间。因此，往往需要设置合适的最大迭代次序，在仿真过程中，通过观察历史最佳个体的适应度函数值来设置最大迭代次序。当随着算法迭代次序的增加，适应度函数值增长不明显时，就可以终止遗传算法，此时的迭代次序即为最大迭代次序。
步骤S22：分别将父代种群
Figure SMS_432
中每个个体的/>
Figure SMS_421
编码成染色体
Figure SMS_424
，/>
Figure SMS_422
编码成染色体/>
Figure SMS_427
，/>
Figure SMS_429
编码成染色体
Figure SMS_433
，/>
Figure SMS_430
编码成染色体/>
Figure SMS_434
，/>
Figure SMS_423
编码成染色体
Figure SMS_425
，其中，/>
Figure SMS_437
表示由所有用户的所有任务构成的虚拟用户的索引集，/>
Figure SMS_441
表示个体/>
Figure SMS_440
中用户/>
Figure SMS_442
所关联基站的索引号，/>
Figure SMS_435
表示用户/>
Figure SMS_438
所选择密码算法的索引号，/>
Figure SMS_436
表示用户/>
Figure SMS_439
在本地的计算资源分配量，/>
Figure SMS_420
表示用户/>
Figure SMS_426
在边缘服务器的计算资源分配量，/>
Figure SMS_428
表示用户/>
Figure SMS_431
的发射功率。
步骤S23：根据以下公式，初始化种群：
Figure SMS_443
Figure SMS_444
Figure SMS_445
Figure SMS_446
Figure SMS_447
Figure SMS_448
Figure SMS_449
Figure SMS_450
其中，
Figure SMS_452
表示/>
Figure SMS_454
把/>
Figure SMS_458
数组或者矩阵的线性索引转化为相应的下标/>
Figure SMS_451
，/>
Figure SMS_459
表示从任意集合/>
Figure SMS_460
中随机输出一个元素，S可以表示L或（NU{0}）,/>
Figure SMS_461
表示表示从任意区间/>
Figure SMS_453
中随机输出一个数,v可以是/>
Figure SMS_455
、
Figure SMS_456
、/>
Figure SMS_457
中的任意一个函数；
并根据以下公式构建父代种群中个体
Figure SMS_462
的适应度函数：
Figure SMS_463
其中，
Figure SMS_464
表示个体/>
Figure SMS_468
的适应度函数值，/>
Figure SMS_471
表示个体/>
Figure SMS_466
的五条染色体，/>
Figure SMS_467
表示用户/>
Figure SMS_470
的任务/>
Figure SMS_473
的时延约束的惩罚因子，/>
Figure SMS_465
表示用户/>
Figure SMS_469
的计算资源约束的惩罚因子，/>
Figure SMS_472
表示基站/>
Figure SMS_474
的计算资源约束的惩罚因子。
需要说明的是，适应度函数中第二个等号右边的参量可按上述编码定义转换成优化问题P1参量的编码。换言之，优化问题的参量同其编码完全等价，第二个等号左右两边表达式的值相等。
使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体。
步骤S24：判断当前迭代次序
Figure SMS_475
是否小于等于最大迭代次序/>
Figure SMS_476
，若当前迭代次序/>
Figure SMS_477
小于等于最大迭代次序/>
Figure SMS_478
，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序/>
Figure SMS_479
大于最大迭代次序/>
Figure SMS_480
，则输出目标种群中所有个体的染色体编码。
具体的，步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体。
步骤S242：定义多样性测度
Figure SMS_481
如下：/>
Figure SMS_482
其中，
Figure SMS_501
和/>
Figure SMS_504
、/>
Figure SMS_506
、/>
Figure SMS_483
、/>
Figure SMS_489
分别为/>
Figure SMS_493
，/>
Figure SMS_497
，/>
Figure SMS_491
，/>
Figure SMS_496
与/>
Figure SMS_500
的可行域对角线的长度，/>
Figure SMS_503
，/>
Figure SMS_499
，/>
Figure SMS_502
，/>
Figure SMS_505
与/>
Figure SMS_507
为种群的五条染色体，/>
Figure SMS_486
，/>
Figure SMS_488
，/>
Figure SMS_492
，/>
Figure SMS_495
与/>
Figure SMS_485
分别为用户/>
Figure SMS_490
在种群中所关联基站的索引号的均值，用户/>
Figure SMS_494
在种群中所选择密码算法的索引号的均值，用户/>
Figure SMS_498
在种群中本地计算资源分配量的均值，用户/>
Figure SMS_484
在种群中基站的计算资源分配量的均值与用户/>
Figure SMS_487
在种群中发射功率的均值，它们分别为
Figure SMS_508
并根据多样性测度定义多样性引导的变异概率：
Figure SMS_509
其中，
Figure SMS_510
、/>
Figure SMS_511
与/>
Figure SMS_512
是预先设置的概率，/>
Figure SMS_513
与/>
Figure SMS_514
是阈值常量。
步骤S243：从父代种群中剩下的个体中选取任意相邻个体
Figure SMS_515
和/>
Figure SMS_516
，并根据以下公式得到个体/>
Figure SMS_517
和/>
Figure SMS_518
之间的新型自适应交叉概率：
Figure SMS_519
其中，
Figure SMS_521
表示个体/>
Figure SMS_525
和/>
Figure SMS_529
之间的新型自适应交叉概率，/>
Figure SMS_523
表示自适应权重，/>
Figure SMS_526
的值随着迭代次序的增加而下降，/>
Figure SMS_530
能使得遗传算法加速收敛，/>
Figure SMS_533
，/>
Figure SMS_522
为常系数，/>
Figure SMS_527
表示个体/>
Figure SMS_531
和/>
Figure SMS_534
中适应度低的个体的适应度值，/>
Figure SMS_520
表示父代种群中剩下的个体的最小适应度值，/>
Figure SMS_524
表示父代种群中剩下的个体的平均适应度值，/>
Figure SMS_528
表示取值于区间/>
Figure SMS_532
的常量；
从所述相邻个体
Figure SMS_535
和/>
Figure SMS_536
的染色体片段中随机选择一个交叉位置，根据所述新型自适应交叉概率/>
Figure SMS_537
对个体/>
Figure SMS_538
和/>
Figure SMS_539
从交叉点开始互换相应染色体片段。
步骤S244：根据以下公式得到父代种群中剩下的个体
Figure SMS_540
的新型自适应变异概率：
Figure SMS_541
其中，
Figure SMS_542
表示父代种群中剩下的个体/>
Figure SMS_543
的新型自适应变异概率，/>
Figure SMS_544
表示父代种群中剩下的个体的最大适应度值，/>
Figure SMS_545
表示取值区间/>
Figure SMS_546
的常量。
步骤S245：根据所述多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则，以依次分别对父代种群中剩下的个体的染色体进行变异；
所述预设变异规则为：
Figure SMS_547
Figure SMS_548
Figure SMS_549
Figure SMS_550
Figure SMS_551
其中，
Figure SMS_571
和/>
Figure SMS_575
为服从0-1均匀分布的随机数，/>
Figure SMS_579
、/>
Figure SMS_553
、/>
Figure SMS_559
、/>
Figure SMS_564
、/>
Figure SMS_568
均为分段函数，系统首先生成两个随机数/>
Figure SMS_567
和/>
Figure SMS_570
，判定/>
Figure SMS_572
值，得到对应的分段函数，/>
Figure SMS_578
决定变异幅度，/>
Figure SMS_573
决定变异方向，/>
Figure SMS_577
表示变异后个体/>
Figure SMS_580
中用户/>
Figure SMS_581
所关联基站的索引号，/>
Figure SMS_565
表示变异后用户/>
Figure SMS_569
所选择密码算法的索引号，/>
Figure SMS_574
表示变异后用户/>
Figure SMS_576
在本地的计算资源分配量，/>
Figure SMS_552
表示变异后用户/>
Figure SMS_557
在边缘服务器的计算资源分配量，/>
Figure SMS_562
表示变异后用户/>
Figure SMS_566
的发射功率，
Figure SMS_554
表示向下取整函数，/>
Figure SMS_556
和/>
Figure SMS_560
为服从0-1均匀分布的随机数，/>
Figure SMS_563
表示基站
Figure SMS_555
的最大计算资源量，/>
Figure SMS_558
表示用户/>
Figure SMS_561
的最大发射功率。
步骤S246：使用适应度函数计算变异后父代种群中个体的适应度值，将适应度值最高的个体作为当前最佳个体，并判断当前最佳个体的适应度值是否高于历史最佳适应度值，若当前最佳个体的适应度值高于历史最佳适应度值，则用当前最佳个体替换历史最佳个体。
步骤S247：将当前迭代次序
Figure SMS_582
的值加1。
步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置。
步骤S31：初始化自适应粒子群算法的最大迭代次序
Figure SMS_583
，并将当前迭代次序/>
Figure SMS_584
设置为1。
步骤S32：将目标种群中所有个体作为自适应粒子群算法的粒子，将个体的染色体编码作为粒子的子粒子，并初始化所有粒子
Figure SMS_601
的子粒子的位置，即/>
Figure SMS_604
、/>
Figure SMS_607
、/>
Figure SMS_586
、/>
Figure SMS_592
和/>
Figure SMS_596
，其中/>
Figure SMS_600
、/>
Figure SMS_598
、/>
Figure SMS_602
、
Figure SMS_605
与/>
Figure SMS_608
，/>
Figure SMS_603
表示粒子/>
Figure SMS_606
中第一个子粒子中用户/>
Figure SMS_609
的位置，/>
Figure SMS_610
表示粒子/>
Figure SMS_585
中第二个子粒子中用户/>
Figure SMS_590
的位置，/>
Figure SMS_594
表示粒子/>
Figure SMS_597
中第三个子粒子中用户/>
Figure SMS_588
的位置，/>
Figure SMS_591
表示粒子/>
Figure SMS_595
中第四个子粒子中用户/>
Figure SMS_599
的位置，/>
Figure SMS_587
表示粒子/>
Figure SMS_589
中第五个子粒子中用户/>
Figure SMS_593
的位置；
并分别以
Figure SMS_627
区间的随机数初始化所有粒子/>
Figure SMS_630
的子粒子的速度/>
Figure SMS_633
、/>
Figure SMS_612
、/>
Figure SMS_615
、/>
Figure SMS_619
、/>
Figure SMS_623
，其中，/>
Figure SMS_613
、/>
Figure SMS_618
、/>
Figure SMS_621
、/>
Figure SMS_625
与
Figure SMS_614
，/>
Figure SMS_617
表示粒子/>
Figure SMS_622
中第一个子粒子中用户/>
Figure SMS_626
的速度，/>
Figure SMS_629
表示粒子/>
Figure SMS_632
中第二个子粒子中用户/>
Figure SMS_635
的速度，/>
Figure SMS_637
表示粒子/>
Figure SMS_611
中第三个子粒子中用户/>
Figure SMS_616
的速度，/>
Figure SMS_620
表示粒子/>
Figure SMS_624
中第四个子粒子中用户/>
Figure SMS_628
的速度，/>
Figure SMS_631
表示粒子/>
Figure SMS_634
中第五个子粒子中用户/>
Figure SMS_636
的速度；
而后初始化所有粒子
Figure SMS_654
的子粒子的历史最佳位置/>
Figure SMS_658
、/>
Figure SMS_661
、/>
Figure SMS_639
、/>
Figure SMS_642
、/>
Figure SMS_646
，其中，
Figure SMS_650
、/>
Figure SMS_651
、/>
Figure SMS_655
、/>
Figure SMS_657
与/>
Figure SMS_660
，/>
Figure SMS_656
表示粒子/>
Figure SMS_659
中第一个子粒子中用户/>
Figure SMS_662
的历史最佳位置，/>
Figure SMS_663
表示粒子/>
Figure SMS_641
中第二个子粒子中用户/>
Figure SMS_645
的历史最佳位置，/>
Figure SMS_649
表示粒子/>
Figure SMS_653
中第三个子粒子中用户
Figure SMS_638
的历史最佳位置，/>
Figure SMS_644
表示粒子/>
Figure SMS_648
中第四个子粒子中用户/>
Figure SMS_652
的历史最佳位置，/>
Figure SMS_640
表示粒子/>
Figure SMS_643
中第五个子粒子中用户/>
Figure SMS_647
的历史最佳位置，所述历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置。
步骤S33：使用适应度函数计算所有粒子在历史最佳位置时的适应度值，将历史最佳位置中适应度值最高的粒子作为全局最优粒子，并初始化全局最优粒子
Figure SMS_682
的位置/>
Figure SMS_673
、/>
Figure SMS_677
、/>
Figure SMS_676
、/>
Figure SMS_680
和/>
Figure SMS_683
，其中，/>
Figure SMS_685
为所有个体中历史最佳位置中最优位置所对应的个体，即为全局最优粒子，/>
Figure SMS_674
、/>
Figure SMS_679
、/>
Figure SMS_664
、
Figure SMS_670
与/>
Figure SMS_675
，/>
Figure SMS_678
表示全局最优粒子中第一个子粒子中用户/>
Figure SMS_681
的位置，/>
Figure SMS_684
表示全局最优粒子中第二个子粒子中用户/>
Figure SMS_666
的位置，/>
Figure SMS_671
表示全局最优粒子中第三个子粒子中用户/>
Figure SMS_667
的位置，/>
Figure SMS_668
表示全局最优粒子中第四个子粒子中用户/>
Figure SMS_665
的位置，/>
Figure SMS_669
表示全局最优粒子中第五个子粒子中用户/>
Figure SMS_672
的位置。
步骤S34：判断当前迭代次序
Figure SMS_686
是否小于等于最大迭代次序/>
Figure SMS_687
，若当前迭代次序/>
Figure SMS_688
小于等于最大迭代次序/>
Figure SMS_689
，则更新普通粒子的速度和位置，并根据普通粒子的速度和位置更新全局最优粒子的速度和位置。
步骤S341：首先，采用公式
Figure SMS_690
更新任意普通粒子
Figure SMS_691
的惯性权重，/>
Figure SMS_692
和/>
Figure SMS_693
分别为最小和最大惯性权重；
并根据以下公式更新普通粒子
Figure SMS_694
的速度：
Figure SMS_695
，
Figure SMS_696
，
Figure SMS_697
，
Figure SMS_698
，
Figure SMS_699
，
其中，上标
Figure SMS_701
表示第/>
Figure SMS_704
次迭代，/>
Figure SMS_707
与/>
Figure SMS_702
为常量，/>
Figure SMS_703
与/>
Figure SMS_706
是粒子/>
Figure SMS_709
取值于/>
Figure SMS_700
区间的随机数，/>
Figure SMS_705
表示粒子/>
Figure SMS_708
的惯性权重。
步骤S342：根据以下公式更新普通粒子
Figure SMS_710
的位置：
Figure SMS_711
，/>
Figure SMS_712
，
Figure SMS_713
，
Figure SMS_714
，
Figure SMS_715
。
步骤S343：根据以下公式更新全局最优粒子
Figure SMS_716
的速度：
Figure SMS_717
，
Figure SMS_718
，
Figure SMS_719
，
Figure SMS_720
，
Figure SMS_721
；
其中，
Figure SMS_722
为常量，/>
Figure SMS_723
、/>
Figure SMS_724
与/>
Figure SMS_725
的元素来自于/>
Figure SMS_726
区间的随机数，/>
Figure SMS_727
表示缩放因子。
步骤S344：根据以下公式更新全局最优粒子
Figure SMS_728
的位置：
Figure SMS_729
，
Figure SMS_730
，
Figure SMS_731
，
Figure SMS_732
，
Figure SMS_733
；
而后更新缩放因子
Figure SMS_734
，即
Figure SMS_735
其中，缩放因子
Figure SMS_736
用于驱使粒子群算法在全局最优粒子附近搜索可行解，/>
Figure SMS_737
为连续成功的次数，/>
Figure SMS_738
为连续失败的次数，/>
Figure SMS_739
和/>
Figure SMS_740
为阈值参数，两次迭代间适应度函数满足
Figure SMS_741
则表示迭代失败，否则视为迭代成功。
步骤S345：使用适应度函数计算所有粒子的适应度，并判断当前适应度是否高于位于历史最佳位置时的适应度，若当前适应度高于位于历史最佳位置时的适应度，则将粒子的当前位置作为历史最佳位置。
步骤S35：使用适应度函数计算所有粒子位于历史最佳位置时的适应度，并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子。
步骤S36：将当前迭代次序
Figure SMS_742
的值加1。
步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。
根据步骤S32中编码染色体的方式，将全局最优粒子的位置还原成原始优化参量解的形式；
并根据所获取的解，执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。
本发明实施案例的效果可通过仿真进一步说明。
将仿真条件设置为：基站与用户被随机分布于半径500m的宏蜂窝（宏基站覆盖区域）内；考虑1个宏基站，25个基站，每个用户有10个任务；系统带宽为20MHz，用户最大发射功率为23dBm，用户最大计算能力为1~2GHz，基站最大计算能力为2.5GHz；6种密码算法，它们加密一比特数据所需CPU周期数分别为[100 200 250 300 350 1050] cycles/bit，解密一比特数据所需CPU周期数分别为[90 280 350 300 400 1700]cycles/bit，加密一比特数据耗能分别为[2.5296 5.0425 6.837 7.8528 8.7073 26.3643]*1e-7J/bit；每个任务数据大小为2.56 KB,截止时延为0.1~0.5s,需要的CPU周期数为20Mcycles；优化目标函数中的权重参数为0.5；用户能量系数为10-24，基站能量系数为10-26；任务安全保护失败而产生费用为5000~10000$，任务安全系数为{5,6}。
图2为本发明揭示网络用户数对总时延影响的示意图，其中总时延是指所有用户任务时延之和。在图2及后续图中，最强卸载（SO）是指用户计算任务全部卸载至信号强度最大的SBS执行，且用户任务选择最低安全成本的密码算法的卸载算法；本地计算（LC）是指用户计算任务全部由用户自身完成的算法；改进的分层自适应搜索（IHAS）是现有结合GA和PSO的卸载算法；FIHAS是本发明通过改进IHAS而提出的算法，包括自适应遗传算法和粒子群算法，它们主要区别在于：IHAS中AGADGM的自适应变异和交叉概率采用静态权重，FIHAS中ADGGA的自适应变异和交叉概率采用动态（自适应）权重，形成自适应遗传算法。SO与LC根据任务计算需求量占总需求量的比例分配计算资源。如图2所示，因为网络用户数的增加导致更多的计算任务，所以所有算法的总时延均随着网络用户数的增加而增加。因为LC不存在本地加密与上行发射时延，所以它达到了最低总时延。因为SO总是将用户计算任务卸载至信号强度最大的SBS，部分基站出现超载的情况，所以一些用户的任务因资源不足而需等待。正是因为资源的不足导致了SO达到了最高的总时延。从图2来看，FIHAS达到了与IHAS几乎相同的总时延。这是因为优化问题目标函数与总时延无关，于是它们在总时延方面的差异不明显。
图3为本发明揭示网络用户数对网络总能耗影响的示意图，其中网络总能耗是指用户端与SBS能耗的总和。如图3所示，因为网络用户数的增加导致更多的计算任务，所以所有算法的总能耗均随着网络用户数的增加而增加。如图3所示，因为LC本地执行任务，所以它不涉及任务加密能耗。然而，FIHAS和IHAS需要加密卸载任务，于是它们产生了加密能耗。因此，相比与FIHAS和IHAS，LC达到了更低的总能耗。尽管SO也需加密卸载任务并因此产生加密能耗，但因为它将所有用户任务卸载至信号强度最大的SBS上执行，极大降低了发射能耗，因此它可能达到最低总能耗。从优化问题目标函数来看，不难发现，能耗与安全成本被联合优化。不同于IHAS中交叉与变异概率公式的静态（常量）权重，FIHAS利用了自适应权重，它能更为充分地搜索问题可行解的空间。于是，后者达到了较前者更低的总能耗。
图4为本发明揭示网络用户数对总成本影响的示意图，其中总成本是指所有用户任务的安全成本之和。因为网络用户数的增加导致基站可利用带宽下降，所以用户发射能耗增加，进而迫使用户最大总能耗增加。尽管网络用户数的增加也会导致用户最大成本的增加，但该增加量不及最大总能耗的增加量。于是，网络用户数的增加导致目标函数越发侧重于总成本的优化。因此，总成本可能随着网络用户数的增加反而下降。如图4所示，因为SO总是选择安全成本最低的密码算法，所以它达到了较IHAS和FIHAS更低的总成本。因为LC中用户任务不涉及加密，所以它不需支付任何费用。鉴于此，图4并没描绘它。正如图3所揭示，本发明联合优化能耗与安全成本。利用自适应权重，FIHAS找到了较IHAS更优的目标，前者达到了较后者更低的总成本。
图5为本发明揭示网络用户数对目标函数影响的示意图。正如图4所揭示，网络用户数的增加导致目标函数越发侧重于总成本的优化。因此，目标函数可能随着网络用户数的增加反而下降。在自适应权重下，FIHAS能更为充分地搜索问题可行解的空间。因此，FIHAS达到了较IHAS更低的目标函数值。
图6为本发明揭示网络用户数对支持率影响的示意图，其中支持率是指满足时延约束条件的任务数占总任务数的比例。因为任务数随着网络用户数的增加而增加，所以完成任务所需要的带宽越来越多。但基站仅有有限带宽，越来越多的用户将导致越来越少的可利用带宽。于是，如图6所示，SO、FIHAS和IHAS的支持率随着网络用户数的增加而下降。因为LC与基站带宽无关，所以它的支持率不随网络用户数的变化而变化。因为LC不存在本地加密与上行发射时延，但SO却存在这些时延，所以它达到了较SO更高的支持率。通过合理设置惩罚因子迫使更多的任务满足时延限制，FIHAS和IHAS可能达到较LC更高的支持率。如图6所示，FIHAS可达到较IHAS略低的支持率。这是因为FIHAS中存在较IHAS更多的本地执行任务，但本地执行的支持率小于合理惩罚因子下FIHAS和IHAS中边缘执行的支持率。
图7为本发明揭示本发明方法ADGGA与现有方法AGADGM的收敛图。因为AGADGM中的自适应交叉与变异概率采用静态权重，但ADGGA中的自适应交叉与变异概率采用自适应权重，所以后者中个体能朝着适应度更好的方向执行交叉与变异操作。因此，ADGGA能更快地获得较AGADGM更好的适应度函数值，即更快地找到更优的目标。
本发明另一实施例提供的一种终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如超密集网络中计算卸载与资源优化方法的程序。处理器执行所述计算机程序时实现上述超密集网络中计算卸载与资源优化方法各实施例中的步骤，例如图1所示的S1至S4。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现：
步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题。
步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码。
步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置。
步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。
显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例，也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种超密集网络中计算卸载与资源优化方法，其特征在于，所述方法包括：
步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题；
步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；
步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；
步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。
2.根据权利要求1所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S1的步骤包括：
根据以下公式构建优化问题P1：
Figure QLYQS_1
其中，
Figure QLYQS_43
表示任务关联矩阵，/>
Figure QLYQS_46
，/>
Figure QLYQS_51
表示用户/>
Figure QLYQS_55
的任务/>
Figure QLYQS_57
是否卸载到基站/>
Figure QLYQS_59
，/>
Figure QLYQS_61
表示基站的索引集合，/>
Figure QLYQS_3
表示用户集合，/>
Figure QLYQS_6
表示每个用户的/>
Figure QLYQS_9
个任务的索引集合，/>
Figure QLYQS_10
表示安全密码算法选择矩阵，/>
Figure QLYQS_15
，/>
Figure QLYQS_32
表示任务/>
Figure QLYQS_36
是否选择密码算法/>
Figure QLYQS_39
，/>
Figure QLYQS_30
表示密码算法的索引集合，/>
Figure QLYQS_31
表示用户计算资源的分配矩阵，/>
Figure QLYQS_33
，/>
Figure QLYQS_38
表示用户/>
Figure QLYQS_42
分配给任务/>
Figure QLYQS_47
的计算资源量，/>
Figure QLYQS_49
表示基站计算资源的分配矩阵，
Figure QLYQS_53
，/>
Figure QLYQS_50
表示基站/>
Figure QLYQS_54
分配给用户/>
Figure QLYQS_56
的任务/>
Figure QLYQS_58
的计算资源量，/>
Figure QLYQS_60
表示用户发射功率集，/>
Figure QLYQS_62
，/>
Figure QLYQS_63
表示用户/>
Figure QLYQS_64
的发射功率，/>
Figure QLYQS_27
表示用于调整标准总能耗与标准总安全成本的权重，/>
Figure QLYQS_29
表示用户总能耗，/>
Figure QLYQS_35
表示用户最大总能耗，/>
Figure QLYQS_37
表示用户总成本，/>
Figure QLYQS_41
表示任务/>
Figure QLYQS_44
因安全保护失败而产生费用，/>
Figure QLYQS_48
为用户/>
Figure QLYQS_52
的任务/>
Figure QLYQS_4
的处理时延，/>
Figure QLYQS_12
表示用户/>
Figure QLYQS_16
的任务/>
Figure QLYQS_19
的最后期限，/>
Figure QLYQS_22
表示用户/>
Figure QLYQS_24
的任务/>
Figure QLYQS_26
的处理时延不能超过该任务的最后期限/>
Figure QLYQS_28
，/>
Figure QLYQS_2
表示用户/>
Figure QLYQS_7
的任务/>
Figure QLYQS_11
至多关联一个基站，/>
Figure QLYQS_13
表示任务/>
Figure QLYQS_17
只能选择一个密码算法，/>
Figure QLYQS_20
表示用户/>
Figure QLYQS_23
的发射功率不能低于/>
Figure QLYQS_25
且不能高于它的最大发射功率/>
Figure QLYQS_5
，/>
Figure QLYQS_8
取足够小的常量值以避免“0/0”的现象，/>
Figure QLYQS_14
表示用户/>
Figure QLYQS_18
分配给自身所有任务的计算资源不能超过它的最大计算资源量/>
Figure QLYQS_21
，/>
Figure QLYQS_34
表示基站/>
Figure QLYQS_40
分配给所关联用户任务的计算资源不能超过它的最大计算资源量/>
Figure QLYQS_45
。
3.根据权利要求2所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S2的步骤包括：
步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序
Figure QLYQS_65
，并将当前迭代次序/>
Figure QLYQS_66
设置为1；
步骤S22：分别将父代种群
Figure QLYQS_83
中每个个体的/>
Figure QLYQS_74
编码成染色体/>
Figure QLYQS_79
，/>
Figure QLYQS_78
编码成染色体/>
Figure QLYQS_82
，/>
Figure QLYQS_84
编码成染色体/>
Figure QLYQS_87
，/>
Figure QLYQS_77
编码成染色体/>
Figure QLYQS_81
，/>
Figure QLYQS_70
编码成染色体/>
Figure QLYQS_73
，其中，/>
Figure QLYQS_85
表示由所有用户的所有任务构成的虚拟用户的索引集，/>
Figure QLYQS_88
表示个体/>
Figure QLYQS_86
中用户/>
Figure QLYQS_89
所关联基站的索引号，/>
Figure QLYQS_68
表示用户/>
Figure QLYQS_72
所选择密码算法的索引号，/>
Figure QLYQS_76
表示用户/>
Figure QLYQS_80
在本地的计算资源分配量，/>
Figure QLYQS_67
表示用户/>
Figure QLYQS_75
在边缘服务器的计算资源分配量，/>
Figure QLYQS_69
表示用户/>
Figure QLYQS_71
的发射功率；
步骤S23：初始化父代种群，并根据以下公式构建父代种群中个体
Figure QLYQS_90
的适应度函数：
Figure QLYQS_91
其中，
Figure QLYQS_93
表示个体/>
Figure QLYQS_95
的适应度函数值，/>
Figure QLYQS_98
表示用户/>
Figure QLYQS_94
的任务/>
Figure QLYQS_97
的时延约束的惩罚因子，
Figure QLYQS_99
表示用户/>
Figure QLYQS_100
的计算资源约束的惩罚因子，/>
Figure QLYQS_92
表示基站/>
Figure QLYQS_96
的计算资源约束的惩罚因子；
使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体；
步骤S24：判断当前迭代次序
Figure QLYQS_101
是否小于等于最大迭代次序/>
Figure QLYQS_102
，若当前迭代次序/>
Figure QLYQS_103
小于等于最大迭代次序/>
Figure QLYQS_104
，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序/>
Figure QLYQS_105
大于最大迭代次序/>
Figure QLYQS_106
，则输出目标种群中所有个体的染色体编码。
4.根据权利要求3所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S24的步骤包括：
步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体；
步骤S242：定义多样性测度
Figure QLYQS_107
，并根据多样性测度定义多样性引导的变异概率：
Figure QLYQS_108
其中，
Figure QLYQS_109
、/>
Figure QLYQS_110
与/>
Figure QLYQS_111
是预先设置的概率，/>
Figure QLYQS_112
与/>
Figure QLYQS_113
是阈值常量；
步骤S243：从父代种群中剩下的个体中选取任意相邻个体
Figure QLYQS_114
和/>
Figure QLYQS_115
，并根据以下公式得到个体/>
Figure QLYQS_116
和/>
Figure QLYQS_117
之间的新型自适应交叉概率：
Figure QLYQS_118
其中，
Figure QLYQS_120
表示个体/>
Figure QLYQS_123
和/>
Figure QLYQS_126
之间的新型自适应交叉概率，/>
Figure QLYQS_119
表示自适应权重，/>
Figure QLYQS_124
表示个体/>
Figure QLYQS_127
和/>
Figure QLYQS_129
中适应度低的个体的适应度值，/>
Figure QLYQS_121
表示父代种群中剩下的个体的最小适应度值，/>
Figure QLYQS_122
表示父代种群中剩下的个体的平均适应度值，/>
Figure QLYQS_125
表示取值于区间/>
Figure QLYQS_128
的常量；
从所述相邻个体
Figure QLYQS_130
和/>
Figure QLYQS_131
的染色体片段中随机选择一个交叉位置，根据所述新型自适应交叉概率/>
Figure QLYQS_132
对个体/>
Figure QLYQS_133
和/>
Figure QLYQS_134
从交叉点开始互换相应染色体片段；
步骤S244：根据以下公式得到父代种群中剩下的个体
Figure QLYQS_135
的新型自适应变异概率：
Figure QLYQS_136
其中，
Figure QLYQS_137
表示父代种群中剩下的个体/>
Figure QLYQS_138
的新型自适应变异概率，/>
Figure QLYQS_139
表示父代种群中剩下的个体的最大适应度值，/>
Figure QLYQS_140
表示取值区间/>
Figure QLYQS_141
的常量；
步骤S245：根据所述多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则，以依次分别对父代种群中剩下的个体的染色体进行变异；
步骤S246：使用适应度函数计算变异后父代种群中个体的适应度值，将适应度值最高的个体作为当前最佳个体，并判断当前最佳个体的适应度值是否高于历史最佳适应度值，若当前最佳个体的适应度值高于历史最佳适应度值，则用当前最佳个体替换历史最佳个体；
步骤S247：将当前迭代次序
Figure QLYQS_142
的值加1。
5.根据权利要求4所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S245中的预设变异规则为：
Figure QLYQS_143
Figure QLYQS_144
Figure QLYQS_145
Figure QLYQS_146
Figure QLYQS_147
其中，
Figure QLYQS_166
和/>
Figure QLYQS_169
为服从0-1均匀分布的随机数，/>
Figure QLYQS_173
、/>
Figure QLYQS_151
、/>
Figure QLYQS_153
、/>
Figure QLYQS_158
、/>
Figure QLYQS_162
均为分段函数，系统首先生成两个随机数/>
Figure QLYQS_154
和/>
Figure QLYQS_157
，判定/>
Figure QLYQS_161
值，得到对应的分段函数，/>
Figure QLYQS_165
决定变异幅度，/>
Figure QLYQS_167
决定变异方向，/>
Figure QLYQS_171
表示变异后个体/>
Figure QLYQS_174
中用户/>
Figure QLYQS_175
所关联基站的索引号，/>
Figure QLYQS_164
表示变异后用户
Figure QLYQS_168
所选择密码算法的索引号，/>
Figure QLYQS_170
表示变异后用户/>
Figure QLYQS_172
在本地的计算资源分配量，/>
Figure QLYQS_148
表示变异后用户/>
Figure QLYQS_152
在边缘服务器的计算资源分配量，/>
Figure QLYQS_156
表示变异后用户/>
Figure QLYQS_160
的发射功率，/>
Figure QLYQS_150
表示向下取整函数，/>
Figure QLYQS_155
表示基站/>
Figure QLYQS_159
的最大计算资源量，/>
Figure QLYQS_163
表示用户/>
Figure QLYQS_149
的最大发射功率。
6.根据权利要求5所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S3的步骤包括：
步骤S31：初始化自适应粒子群算法的最大迭代次序
Figure QLYQS_176
，并将当前迭代次序/>
Figure QLYQS_177
设置为1；
步骤S32：将目标种群中所有个体作为自适应粒子群算法的粒子，将个体的染色体编码作为粒子的子粒子，并初始化所有粒子
Figure QLYQS_187
的子粒子的位置/>
Figure QLYQS_180
、/>
Figure QLYQS_183
、/>
Figure QLYQS_181
、/>
Figure QLYQS_185
、/>
Figure QLYQS_189
，并分别以/>
Figure QLYQS_193
区间的随机数初始化所有粒子/>
Figure QLYQS_186
的子粒子的速度/>
Figure QLYQS_190
、/>
Figure QLYQS_178
、/>
Figure QLYQS_182
、/>
Figure QLYQS_192
、/>
Figure QLYQS_195
，而后初始化所有粒子/>
Figure QLYQS_194
的子粒子的历史最佳位置/>
Figure QLYQS_196
、/>
Figure QLYQS_179
、/>
Figure QLYQS_184
、/>
Figure QLYQS_188
、/>
Figure QLYQS_191
，所述历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置；
步骤S33：使用适应度函数计算所有粒子在历史最佳位置时的适应度值，将历史最佳位置中适应度值最高的粒子作为全局最优粒子，并初始化全局最优粒子
Figure QLYQS_197
的位置/>
Figure QLYQS_198
、/>
Figure QLYQS_199
、/>
Figure QLYQS_200
、
Figure QLYQS_201
、/>
Figure QLYQS_202
；
步骤S34：判断当前迭代次序
Figure QLYQS_203
是否小于等于最大迭代次序/>
Figure QLYQS_204
，若当前迭代次序/>
Figure QLYQS_205
小于等于最大迭代次序/>
Figure QLYQS_206
，则更新普通粒子的速度和位置，并根据普通粒子的速度和位置更新全局最优粒子的速度和位置；
步骤S35：使用适应度函数计算所有粒子位于历史最佳位置时的适应度，并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子；
步骤S36：将当前迭代次序
Figure QLYQS_207
的值加1。
7.根据权利要求6所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S34的步骤包括：
步骤S341：根据以下公式更新普通粒子
Figure QLYQS_208
的速度：
Figure QLYQS_209
，
Figure QLYQS_210
，
Figure QLYQS_211
，
Figure QLYQS_212
，
Figure QLYQS_213
，
其中，上标
Figure QLYQS_215
表示第/>
Figure QLYQS_219
次迭代，/>
Figure QLYQS_222
与/>
Figure QLYQS_216
为常量，/>
Figure QLYQS_217
与/>
Figure QLYQS_220
是粒子/>
Figure QLYQS_223
取值于/>
Figure QLYQS_214
区间的随机数，/>
Figure QLYQS_218
表示粒子/>
Figure QLYQS_221
的惯性权重；
步骤S342：根据以下公式更新普通粒子
Figure QLYQS_224
的位置：
Figure QLYQS_225
，
Figure QLYQS_226
，
Figure QLYQS_227
，
Figure QLYQS_228
，
Figure QLYQS_229
；
步骤S343：根据以下公式更新全局最优粒子
Figure QLYQS_230
的速度：/>
Figure QLYQS_231
，
Figure QLYQS_232
，
Figure QLYQS_233
，
Figure QLYQS_234
，
Figure QLYQS_235
；
其中，
Figure QLYQS_236
为常量，/>
Figure QLYQS_237
、/>
Figure QLYQS_238
与/>
Figure QLYQS_239
的元素来自于/>
Figure QLYQS_240
区间的随机数，/>
Figure QLYQS_241
表示缩放因子；
步骤S344：根据以下公式更新全局最优粒子
Figure QLYQS_242
的位置：
Figure QLYQS_243
，
Figure QLYQS_244
，
Figure QLYQS_245
，
Figure QLYQS_246
，
Figure QLYQS_247
；
步骤S345：使用适应度函数计算所有粒子的适应度，并判断当前适应度是否高于位于历史最佳位置时的适应度，若当前适应度高于位于历史最佳位置时的适应度，则将粒子的当前位置作为历史最佳位置。
8.根据权利要求7所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S4的步骤包括：
根据步骤S32中编码染色体的方式，将全局最优粒子的位置还原成原始优化参量解的形式；
并根据所获取的解，执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
CN202310439513.1A 2023-04-23 2023-04-23 超密集网络中计算卸载与资源优化方法 Active CN116155728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310439513.1A CN116155728B (zh) 2023-04-23 2023-04-23 超密集网络中计算卸载与资源优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310439513.1A CN116155728B (zh) 2023-04-23 2023-04-23 超密集网络中计算卸载与资源优化方法

Publications (2)

Publication Number Publication Date
CN116155728A true CN116155728A (zh) 2023-05-23
CN116155728B CN116155728B (zh) 2023-06-30

Family

ID=86374016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310439513.1A Active CN116155728B (zh) 2023-04-23 2023-04-23 超密集网络中计算卸载与资源优化方法

Country Status (1)

Country Link
CN (1) CN116155728B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116709391A (zh) * 2023-08-02 2023-09-05 华东交通大学 超密集网络联合资源分配和能效型安全计算卸载优化方法
CN117149782A (zh) * 2023-11-01 2023-12-01 北京中兴正远科技有限公司 基于大数据分析的crc联网管理方法及系统
CN118042494A (zh) * 2024-04-12 2024-05-14 华东交通大学 超密集多接入移动边缘计算网中安全型计算效率优化方法
CN118042495A (zh) * 2024-04-12 2024-05-14 华东交通大学 超密集网络中加压安全计算卸载与资源优化方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585816A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法
CN111586720A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN111813506A (zh) * 2020-07-17 2020-10-23 华侨大学 一种基于粒子群算法资源感知计算迁移方法、装置及介质
CN112181655A (zh) * 2020-09-30 2021-01-05 杭州电子科技大学 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN113271627A (zh) * 2021-05-14 2021-08-17 天津理工大学 一种基于混沌量子粒子群优化策略的移动边缘计算卸载方法
CN113394880A (zh) * 2021-06-04 2021-09-14 重庆邮电大学 基于区块链使能的智能电网电力故障检测与安全传输方法
CN113810908A (zh) * 2021-08-24 2021-12-17 华北电力大学（保定） Mec系统安全卸载方法、设备及mec系统
KR102352375B1 (ko) * 2020-08-19 2022-01-18 서울대학교산학협력단 유전 알고리즘 기반의 엣지 컴퓨팅 최적화 장치 및 방법
CN114126066A (zh) * 2021-11-27 2022-03-01 云南大学 面向mec的服务器资源配置与选址联合优化决策方法
CN114302456A (zh) * 2021-12-31 2022-04-08 杭州电子科技大学 一种移动边缘计算网络考虑任务优先级的计算卸载方法
CN114567933A (zh) * 2022-01-28 2022-05-31 南京邮电大学 基于改进遗传算法的异构云雾协同网络中的资源分配方法
CN114885418A (zh) * 2022-03-17 2022-08-09 南京邮电大学 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质
CN114895976A (zh) * 2022-04-29 2022-08-12 国网智能电网研究院有限公司 一种业务安全计算卸载方法及装置
CN115396953A (zh) * 2022-08-02 2022-11-25 黑龙江八一农垦大学 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
WO2023004898A1 (zh) * 2021-07-27 2023-02-02 南京中网卫星通信股份有限公司 一种基于路由调度与联合优化的时延确定性传输方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586720A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN111585816A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法
CN111813506A (zh) * 2020-07-17 2020-10-23 华侨大学 一种基于粒子群算法资源感知计算迁移方法、装置及介质
KR102352375B1 (ko) * 2020-08-19 2022-01-18 서울대학교산학협력단 유전 알고리즘 기반의 엣지 컴퓨팅 최적화 장치 및 방법
CN112181655A (zh) * 2020-09-30 2021-01-05 杭州电子科技大学 一种移动边缘计算中基于混合遗传算法的计算卸载方法
CN113271627A (zh) * 2021-05-14 2021-08-17 天津理工大学 一种基于混沌量子粒子群优化策略的移动边缘计算卸载方法
CN113394880A (zh) * 2021-06-04 2021-09-14 重庆邮电大学 基于区块链使能的智能电网电力故障检测与安全传输方法
WO2023004898A1 (zh) * 2021-07-27 2023-02-02 南京中网卫星通信股份有限公司 一种基于路由调度与联合优化的时延确定性传输方法
CN113810908A (zh) * 2021-08-24 2021-12-17 华北电力大学（保定） Mec系统安全卸载方法、设备及mec系统
CN114126066A (zh) * 2021-11-27 2022-03-01 云南大学 面向mec的服务器资源配置与选址联合优化决策方法
CN114302456A (zh) * 2021-12-31 2022-04-08 杭州电子科技大学 一种移动边缘计算网络考虑任务优先级的计算卸载方法
CN114567933A (zh) * 2022-01-28 2022-05-31 南京邮电大学 基于改进遗传算法的异构云雾协同网络中的资源分配方法
CN114885418A (zh) * 2022-03-17 2022-08-09 南京邮电大学 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质
CN114895976A (zh) * 2022-04-29 2022-08-12 国网智能电网研究院有限公司 一种业务安全计算卸载方法及装置
CN115396953A (zh) * 2022-08-02 2022-11-25 黑龙江八一农垦大学 移动边缘计算中一种基于改进粒子群算法的计算卸载方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周天清: "Distributed Offloading Strategy With Interference Avoidance for Heterogeneous Cellular Networks", 《IEEE》 *
周天清: "Energy-Efficient Computation Offloading and Resource Management in Ultradense Heterogeneous Networks", 《IEEE》 *
周天清: "NOMA-MEC系统中基于改进遗传算法的协作式计算卸载与资源管理", 《电子与信息学报》 *
周天清: "基于混合粒子群算法的计算卸载成本优化", 《电子与信息学报》 *
胡晓敏: "分层学习的边缘计算资源调度粒子群优化算法", 《计算机工程与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116709391A (zh) * 2023-08-02 2023-09-05 华东交通大学 超密集网络联合资源分配和能效型安全计算卸载优化方法
CN116709391B (zh) * 2023-08-02 2023-10-20 华东交通大学 超密集网络联合资源分配和能效型安全计算卸载优化方法
CN117149782A (zh) * 2023-11-01 2023-12-01 北京中兴正远科技有限公司 基于大数据分析的crc联网管理方法及系统
CN117149782B (zh) * 2023-11-01 2024-02-13 北京中兴正远科技有限公司 基于大数据分析的crc联网管理方法及系统
CN118042494A (zh) * 2024-04-12 2024-05-14 华东交通大学 超密集多接入移动边缘计算网中安全型计算效率优化方法
CN118042495A (zh) * 2024-04-12 2024-05-14 华东交通大学 超密集网络中加压安全计算卸载与资源优化方法

Also Published As

Publication number Publication date
CN116155728B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN116155728B (zh) 超密集网络中计算卸载与资源优化方法
Yu et al. Federated learning based proactive content caching in edge computing
CN108777853B (zh) 一种基于d2d的网络边缘缓存方法及系统
CN116709391B (zh) 超密集网络联合资源分配和能效型安全计算卸载优化方法
He et al. Integrated computing, caching, and communication for trust-based social networks: A big data drl approach
Nguyen et al. Two-stage robust edge service placement and sizing under demand uncertainty
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
Lan et al. Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks
CN113342504B (zh) 基于缓存的智能制造边缘计算任务调度方法及系统
Yao et al. Cooperative task offloading and service caching for digital twin edge networks: A graph attention multi-agent reinforcement learning approach
Ye et al. Genetic algorithm based spectrum assignment model in cognitive radio networks
Wang et al. Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing
Jiang et al. A D2D-enabled cooperative caching strategy for fog radio access networks
Hsieh et al. Not every bit counts: Data-centric resource allocation for correlated data gathering in machine-to-machine wireless networks
CN116827515A (zh) 一种基于区块链和强化学习的雾计算系统性能优化算法
CN116932086A (zh) 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统
CN113709817B (zh) 多基站多服务器场景下的任务卸载和资源调度方法及装置
CN109150739B (zh) 一种基于moea/d的多目标基站主动存储分配方法
Kim et al. Joint Edge Server Selection and Dataset Management for Federated Learning-enabled Mobile Traffic Prediction
CN108738048B (zh) 一种基于遗传算法的最大化公平性基站主动存储方法
CN116980982B (zh) 一种柔性组网架构下任务处理方法及系统
Wan et al. Deep reinforcement learning based computation offloading in SWIPT-assisted MEC networks
Jiang et al. Learning-Based Content Caching with Update Strategy for Fog Radio Access Networks
CN118042494A (zh) 超密集多接入移动边缘计算网中安全型计算效率优化方法
CN113486505B (zh) 一种基于gep算法的地理大数据安全传输优化方法

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
GR01 Patent grant
GR01 Patent grant