CN116321299A - 信息年龄约束下基于mec的车联网任务卸载和资源分配方法 - Google Patents

Abstract

本发明涉及信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，属于移动边缘计算技术领域。构建多车辆单边缘计算服务器的车联网系统模型，建立计算模型、通信模型以及信息年龄模型，在车联网通信资源、计算资源和信息年龄约束下，建立卸载方式、通信资源分配以及计算资源分配的联合优化问题模型，采用基于混合策略改进的鲸鱼优化算法求解该联合优化问题。本发明的基于混合策略改进的鲸鱼优化算法是对传统鲸鱼优化算法的改进，增强了算法扩大搜索范围的能力，避免种群陷入局部最优，本发明的基于移动边缘计算的车联网资源分配方法能够在保证信息时效性的同时，实现车联网有限资源的合理分配，并有效降低车辆处理任务所需能耗。

Description

信息年龄约束下基于MEC的车联网任务卸载和资源分配方法

技术领域

本发明专利属于移动边缘计算领域，具体一种涉及信息年龄约束下基于MEC的车联网任务卸载和资源分配方法。

背景技术

近年来，随着科技的快速发展，各种实时应用及场景层出不穷，如自动驾驶、虚拟现实游戏、在线人脸识别等，人们对于信息实时性的要求不断提高，传统的指标如时延或吞吐量并不能完整的描述信息的新鲜程度。信息年龄作为一种新的性能指标用于度量网络中信息的新鲜程度，在未来6G系统的设计和应用中扮演重要的角色。

随着智能交通系统和车联网技术的发展，车辆被赋予更多的计算、存储、传感、控制和通信的能力。传统车辆的计算能力有限，现有车联网无法满足网联汽车、智能驾驶以及越来越多的车载应用对计算和存储资源的需求。为了解决这一问题，研究者开始考虑将用户的计算任务全部或部分卸载到边缘服务器进行计算处理，联合利用车辆本身和边缘服务器的计算能力实现车辆能耗的有效降低，提高车联网的系统性能。但是，车联网的边缘计算仍然存在诸多亟待解决的问题。首先，现有研究大多采用二元卸载模型，即计算任务是不可分割的，或者在本地计算或者卸载到边缘服务器处计算。但是，实际车辆的任务大部分都是能够分割的，可以在车辆和边缘服务器上并行计算，更充分地利用网络中的计算资源。然而，这样虽然可以大幅度提高系统的性能，但也使问题求解变得更为复杂。其次，车联网中的实时类应用对信息的及时性有更高的要求，陈旧的信息难以满足用户的要求，甚至可能对用户的决策产生误导。传统的性能指标，如时延等并不能有效衡量车联网中信息的新鲜程度。信息年龄作为一种衡量信息新鲜程度的指标在车联网中受到广泛研究。最后，考虑到边缘服务器计算资源以及无线通信资源的有限性，如何高效合理的分配这些有限资源，从而提升网络的性能成为了一个难点。因此，在信息时效性的前提下，如何联合优化移动边缘计算环境下车联网中的计算卸载决策和资源分配是亟需解决的一个重要问题。

发明内容

本发明提供一种信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，在车联网通信资源、计算资源和信息年龄约束下，建立卸载方式、通信资源分配以及计算资源分配的联合优化问题模型，最小化处理计算任务的平均能耗，并采用基于混合策略改进的鲸鱼优化算法求解该优化问题。

本发明采取的技术方案是，包括下列步骤：

步骤1、构建多车辆单边缘计算服务器的车联网系统模型，所述车联网模型是一个由多个移动车辆及单边缘计算服务器组成的网络模型：

在道路旁部署单个RSU(Roadside Units)，配备具有一定计算处理能力的边缘计算服务器，能够为车辆提供额外的计算资源，道路中有N辆正在行驶的车辆，每辆车有若干大小不同且可分割的计算任务需要处理，计算任务选择完全在本地计算，或选择部分或全部卸载到边缘计算服务器处计算；

步骤2、建立基于移动边缘计算的车联网中车辆计算任务的通信模型、计算模型以及信息年龄模型：

所述的通信模型为：

其中，R_i表示车辆i的上传速率；W是车辆和边缘服务器之间可用频谱带宽；P_i ^up表示车辆i的上行发射功率；h_i表示车辆i与边缘计算服务器之间的信道增益；n₀表示加性高斯白噪声；

所述的计算模型为：

a)本地计算模型：

其中，

和/>

分别表示车辆i所携带的任务k的本地计算时延和能耗；C_loc表示任务在本地计算一个比特数据所需要的CPU周期数；s_ik表示车辆i所携带的任务k通过本地计算完成的份数；d表示可分割的计算任务的基本单位，单位为bit；/>

表示车辆i为计算任务k所消耗的本地计算资源；ξ是一个常数，其值取决于芯片的结构；

b)卸载计算模型：

其中，

和/>

分别表示车辆i所携带的任务k的计算卸载时延和缷载能耗；C_mec表示边缘服务器计算一个比特数据所需要的CPU周期数；m_ik表示车辆i所携带的任务k通过卸载计算完成的份数；d表示可分割的计算任务的基本单位，单位为bit；/>

表示边缘计算服务器分配给车辆i计算任务k的计算资源；/>

表示RSU的电容常数，其值取决于芯片的结构；

表示上行服务器的发射功率；R_i表示车辆i的上传速率；

所述信息年龄模型为：

其中，

表示车辆i的平均信息年龄；l_ik表示车辆i任务k可以分割的份数；a_ik表示车辆i所携带的任务k的信息年龄；K是每辆车携带的任务总数；T是时隙数量；

步骤3、在车联网通信资源、计算资源和信息年龄约束下，建立卸载方式、通信资源分配以及计算资源分配的联合优化问题模型，最小化处理计算任务所需的平均能耗；

所述的信息年龄是一种度量信息新鲜程度的指标，将信息年龄定义为最新被处理完成的车辆计算任务自生成开始所经历的时间，由于陈旧信息难以满足车联网中车辆对于信息及时性的要求，考虑在信息年龄约束下，最小化车辆处理任务所需的平均能耗，以满足车联网用户对于信息及时性的要求；

所建立的联合优化问题模型表述为：在信息年龄的约束下，以最小化处理计算任务所需的平均能耗为优化目标，建立任务卸载方式、通信资源分配以及边缘计算服务器计算资源分配的联合优化问题模型：

其中，约束条件C1表示车辆处理每个任务所需的平均能耗；约束条件C2表示对于车辆i的信息年龄的约束，A_i ^max表示用户可接受的最大信息年龄；约束条件C3表示边缘计算服务器分配给车辆的总计算资源不超过其所有可用的计算资源，(·)是一个指示器函数，当括号内取值为真时，即(·)＝1，表示边缘计算服务器给车辆分配了任务所需的计算资源，反之(·)＝0，表示未分配计算资源；F_mec表示边缘服务器可用的计算资源总量；约束条件C4表示分配给车辆的子信道数量不超过边缘服务器的子信道总数；B_max表示边缘服务器最多可用的子信道数量；约束条件C5和C6表示车辆i任务k在本地计算的部分和在边缘计算服务器处计算的部分不超过任务k的总量；

步骤4、采用基于混合策略改进的鲸鱼优化算法HS-WOA(Hybrid StrategyImproved Whale Optimization Algorithm)求解联合优化问题模型中的优化问题；

改进的鲸鱼优化算法的流程如下：

1)设置算法参数并初始化种群，根据搜索空间每一维的上下界，初始化鲸鱼个体的位置

采用分段Logistic混沌映射的策略使初始化的位置分布相对均匀：

其中，N为鲸鱼的种群规模，D为空间维度；式(10)采用分段Logistic混沌映射来产生混沌序列，使鲸鱼个体的位置分布相对均匀，增加种群多样性；ub和lb分别是搜索空间的上界和下界；

表示数组点乘；3.569946≤μ≤4，ε是(0,1)之间的数；

2)计算每个鲸鱼个体的适应度值，按适应度值大小进行排序，同时记录当前最优鲸鱼的位置及适应度函数值；根据步骤(3)中所得到的计算卸载及计算资源分配的联合优化模型，在满足约束条件下，将基于HS-WOA的适应度函数表示如下：

3)根据相应公式计算参数a、p和系数向量

a＝2·(1-t/MaxItert) (13)

p＝rand(1) (14)

其中，MaxIter是最大迭代次数；a的值随着迭代次数t的增加而减少，从2线性减少到0；p、r₁以及r₂是[0,1]之间的随机数；

表示收敛系数向量，/>

表示系数向量；

4)比较算法中参数

和p值的大小，选择相应的更新方案：

a)当p<0.5且

时，进行收缩包围猎物的动作，根据下面公式更新鲸鱼个体的位置：

其中，

为当前迭代中的最佳搜索鲸鱼个体位置；/>

为当前迭代中鲸鱼个体位置；/>

为下一次迭代中搜索鲸鱼个体的位置；

b)当p<0.5但

时，进行随机搜寻的动作，采用步长控制因子服从t分布的莱维Lévy飞行策略，改进鲸鱼个体的位置；具体过程为：

其中，

是随机选择鲸鱼位置的向量；/>

为当前迭代中鲸鱼个体位置；

为当前迭代中的最佳搜索鲸鱼个体位置；/>

表示对该位置进行莱维Lévy飞行搜索，其中δ为步长控制因子，用来控制步长，δ₀服从t分布，使步长从搜索前期的大步长逐渐缩小为后期的小步长，保持算法全局搜索和局部搜索之间的平衡状态；/>

表示点对点乘法，Levi(β)表示服从莱维分布的随机路径，满足Levi(β)～u＝t^-β,1<β<3，实际应用中，由于Lévy飞行具有较高的运算量，为保证运算效率，常使用Mantegna算法模拟，步长s计算公式为：

其中，u和v服从正态分布：

其中，Γ是Gamma函数，参数β是[0,2]之间的随机数；

c)若p≥0.5时，进行气泡网捕食的动作，根据下面公式更新鲸鱼个体的位置：

其中，

表示鲸鱼与当前全局最优个体之间的距离；/>

表示当前迭代中的最佳搜索鲸鱼个体位置，b是对数螺线形状的常数，q是[0,1]中的一个随机数；

5)位置更新结束，计算每个鲸鱼个体的适应度值；虽然，莱维Lévy飞行能有效的使粒子通过随机游走产生新的解，经历新的搜索路径和领域，增加了种群的多样性，提高了发现更优解的概率，解决了易陷入局部极值的问题，但仍无法保证其寻找到的新解一定优于原来的解，因此需要根据下面公式判断是否保留新解：

其中，

是通过式(17)、(19)和(25)位置更新后产生的新位置；r_new和γ均为[0,1]之间的随机数。

6)判断当前计算是否达到最大迭代次数，如果是，则输出当前鲸鱼个体的位置

即最终的卸载决策和资源分配结果；否则进入下一次迭代，并返回步骤2)。

本发明的有益效果：

1.本发明考虑了车联网中边缘计算服务器计算资源有限的情况，在保证车辆任务信息时效性的前提下，联合考虑任务的卸载方式、通信资源以及本地计算资源和边缘计算服务器计算资源的分配，最小化处理计算任务所需的平均能耗。本发明所提出的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，通过采用部分卸载的方式，在保证信息新鲜度的前提下，实现了车辆与边缘服务器资源的协同调度，并有效降低了车辆处理任务所需的平均能耗，尤其是在用户输入数据量比特较多的情况下优势更加明显。

2.标准的WOA采用随机的方法初始化种群，这种方法会导致初始化种群分布不均匀，且迭代过程中种群多样性减少。高质量的初始种群对算法的收敛速度和求解精度等性能有很大的帮助，因此采用基于混合策略改进的鲸鱼优化算法解决有约束的最优化问题时，在种群初始化阶段采用分段Logistic混沌映射的策略，使鲸鱼个体的位置分布相对均匀。由于分段Logistic混沌映射的非线性性质，采用分段Logistic混沌映射生成混沌序列时不需要进行扰动运算，能有效提高算法的效率。

3.在随机搜寻阶段引入步长控制因子服从柯西分布的莱维Lévy飞行策略，对位置更新公式进行改进，这种飞行行为是服从Lévy分布的短距离和偶尔较长距离行走相间的一种随机搜索路径，在最优位置附近进行小范围搜索，有效扩大算法的搜索范围，可使种群跳出局部最优。在Lévy飞行中引入服从柯西分布的步长控制因子，在算法前期，鲸鱼个体通过获得较大步长来快速锁定最优值所在范围，加强算法收敛；后期，提高获得小步长，在最优解附近深入探索，增强算法的寻优精度，保持算法全局搜索和局部搜索之间的平衡状态。通过二者的有效结合，可以增强本发明所提算法扩大搜索范围的能力，避免种群陷入局部最优。针对Lévy飞行策略无法保证其寻找到的新解一定优于原来的解这一问题，通过贪婪选择策略判断根是否保留新解。

附图说明

图1是本发明的实现流程图；

图2是本发明系统模型；

图3是基于混合策略改进的鲸鱼优化算法的流程图；

图4是本发明所提算法的收敛性示意图；

图5是本发明对比不同算法的仿真实验中发射功率对于每辆车能耗的影响可视图；

图6是本发明在不同信息年龄阈值条件下所提算法的仿真实验中发射功率对于每辆车能耗的影响可视图；

图7是本发明对比不同卸载方式的仿真实验中输入数据量对于系统总能耗的影响可视图；

图8是本发明在不同信息年龄阈值条件下所提算法的仿真实验中输入数据量对于系统总能耗的影响可视图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明针对现有技术存在的问题，提出信息年龄约束下基于MEC的车联网任务卸载和资源分配方法。在车联网计算资源和信息年龄约束下，建立卸载方式、通信资源分配以及计算资源分配的联合优化问题，最小化处理计算任务所需的平均能耗，并采用基于混合策略改进的鲸鱼优化算法求解该优化问题。

包括下列步骤：

步骤1、构建多车辆单边缘计算服务器的车联网系统模型，所述车联网模型是一个由多个移动车辆及单边缘计算服务器组成的网络模型：

建立一个如图2所示的多车辆单边缘计算服务器车联网模型，在道路旁部署单个RSU，并为其配备具有一定计算处理能力的边缘计算服务器，能够为车联网提供额外的计算资源。同时，道路中随机部署N辆正在行驶的车辆，每辆车有若干大小不同且可分割的计算任务需要处理，计算任务可选择完全在本地计算，也可以选择部分或全部卸载到边缘计算服务器处计算；

步骤2、建立基于移动边缘计算的车联网中车辆计算任务的通信模型、计算模型以及信息年龄模型：

所述的通信模型为：

其中，R_i表示车辆i的上传速率；W是车辆和边缘服务器之间可用频谱带宽；

表示车辆i的上行发射功率；h_i表示车辆i与边缘计算服务器之间的信道增益；n₀表示加性高斯白噪声；

所述的计算模型为：

a)本地计算模型

其中，

和/>

分别表示车辆i所携带的任务k的本地计算时延和能耗；C_loc表示任务在本地计算一个比特数据所需要的CPU周期数；s_ik表示车辆i所携带的任务k通过本地计算完成的份数；d表示可分割的计算任务的基本单位，单位为bit；/>

表示车辆i对所携带的计算任务k的本地计算能力；ξ是一个常数，其值取决于芯片的结构，取ξ＝10^-28；

b)卸载计算模型

其中，

和/>

分别表示车辆i所携带的任务k的计算卸载时延和卸载能耗；C_mec表示边缘服务器计算一个比特数据所需要的CPU周期数；m_ik表示车辆i所携带的任务k通过卸载计算完成的份数；d表示可分割的计算任务的基本单位，单位为bit；/>

表示边缘计算服务器分配给车辆i计算任务k的计算资源；/>

表示RSU的电容常数，其值取决于芯片的结构；/>

表示上行服务器的发射功率；R_i表示车辆i的上传速率；

所述信息年龄模型为：

其中，

表示车辆i的平均信息年龄；l_ik表示车辆i任务k可以分割的份数。a_ik表示车辆i所携带的任务k的信息年龄；K是每辆车携带的任务总数；T是时隙数量；

步骤3、在车联网通信资源、计算资源和信息年龄约束下，建立卸载方式、通信资源分配以及计算资源分配的联合优化问题模型，最小化处理计算任务所需的平均能耗；

所建立的联合优化问题模型表述为：在信息年龄的约束下，以最小化处理计算任务所需的平均能耗为优化目标，建立任务卸载方式、通信资源分配以及边缘计算服务器计算资源分配的联合优化问题模型：

其中，约束条件C1表示车辆处理每个任务所需的平均能耗；约束条件C2表示对于车辆i信息年龄的约束，

表示用户可接受的任务的最大信息年龄；约束条件C3表示边缘计算服务器分配给车辆的总计算资源不超过边缘计算服务器上的可用计算资源，(·)是指示器函数，当括号内取值为真时，则(·)＝1，表示边缘计算服务器给车辆分配了任务所需的计算资源，反之(·)＝0，表示未分配计算资源；F_mec表示边缘服务器可用的计算资源总量；约束条件C4表示分配给车辆的子信道数量不超过边缘服务器的子信道总数；B_max表示边缘服务器最多可用的子信道数量；约束条件C5和C6表示车辆i任务k在本地计算的部分和在边缘计算服务器处计算的部分不超过任务k的总量；

步骤4、采用基于混合策略改进的鲸鱼优化算法HS-WOA(Hybrid StrategyImproved Whale Optimization Algorithm)求解联合优化问题模型中的优化问题；

鲸鱼优化算法WOA(Whale Optimization Algorithm)是Mirjalili在2016年提出的一种元启发式算法，其优势在于算法的控制参数少、结构简单易实现、具备较高的灵活性。然而标准的WOA存在收敛速度慢、求解精度低、易陷入局部最优等问题，为了克服标准WOA的不足，进一步提高WOA的求解性能，提出一种基于混合策略改进的鲸鱼优化算法。

由于WOA的搜索方向性不强，所以对初始种群的选取是随机的，而对于基于迭代智能优化算法来讲，高质量的初始种群往往能带来较好的寻优性能，因此本发明采用分段Logistic混沌映射的策略使种群初始化的位置分布更加均匀。针对WOA在算法后期容易陷入局部最优的问题，在随机搜寻阶段引入步长控制因子服从t分布的Lévy飞行策略，对位置更新公式进行改进，在一定程度上可以增强WOA扩大搜索范围的能力，避免种群陷入局部最优。

基于混合策略改进的鲸鱼优化算法的步骤模拟了鲸鱼捕食行为，并将其行为分解为收缩包围猎物、气泡网攻击和随机搜寻三个步骤，改进的鲸鱼优化算法的流程如下：

1)设置算法参数并初始化种群，根据搜索空间的每一维的上下界,初始化鲸鱼个体的位置

采用分段Logistic混沌映射的策略使初始化的位置分布相对均匀：

其中，N为鲸鱼个体的种群规模，D为空间维度；式(10)采用分段Logistic混沌映射来产生混沌序列，使鲸鱼个体的位置分布相对均匀，增加种群多样性；ub和lb分别是搜索空间的上界和下界；

表示数组点乘；3.569946≤μ≤4，ε取0.6；

2)计算每个鲸鱼个体的适应度值，按适应度值大小进行排序，同时记录当前最优鲸鱼的位置及适应度函数值；根据步骤(3)中所得到的计算卸载及计算资源分配的联合优化模型，在满足约束条件下，将基于HS-WOA的适应度函数表示如下：

3)根据相应公式计算参数a、p和系数向量

a＝2·(1-t/MaxItert) (13)

p＝rand(1) (14)

其中，MaxIter是最大迭代次数；a的值随着迭代次数t的增加而减少，从2线性减少到0；p、r₁以及r₂是[0,1]之间的随机数；

表示收敛系数向量，/>

表示系数向量。

4)比较算法中参数

和p值的大小，选择相应的更新方案：

a)当p<0.5且

时，进行收缩包围猎物的动作，根据下面公式更新鲸鱼个体的位置：

其中，

为当前迭代中的最佳搜索鲸鱼个体位置；/>

为当前迭代中鲸鱼个体位置；/>

为下一次迭代中搜索鲸鱼个体的位置。

b)当p<0.5但

时，进行随机搜寻的动作，采用步长控制因子服从t分布的莱维飞行策略改进鲸鱼个体的位置更新公式：

其中，

是随机选择鲸鱼位置的向量；/>

为当前迭代中鲸鱼个体位置；

为当前迭代中的最佳搜索鲸鱼个体位置；/>

表示对该位置进行莱维Lévy飞行搜索，其中δ为步长控制因子，用来控制步长，δ₀服从自由度为5的t分布，使步长从搜索前期的大步长逐渐缩小为后期的小步长，保持算法全局搜索和局部搜索之间的平衡状态；/>

表示点对点乘法，Levi(β)表示服从莱维分布的随机路径，满足Levi(β)～u＝t^-β,1<β<3，实际应用中，由于莱维Lévy飞行具有较高的运算量，为保证运算效率，常使用Mantegna算法模拟，步长s计算公式为：

其中，u和v服从正态分布：

其中，Γ是Gamma函数，参数β设置为1.5。

c)若p≥0.5时，进行气泡网捕食的动作，根据下面公式更新鲸鱼个体的位置：

其中，

表示鲸鱼与当前全局最优个体之间的距离；/>

表示当前迭代中的最佳搜索鲸鱼个体位置，b是对数螺线形状的常数，q是[0,1]中的一个随机数；

5)位置更新结束，计算每个鲸鱼个体的适应度值；虽然，Lévy飞行能有效的使粒子通过随机游走产生新的解，经历新的搜索路径和领域，增加了种群的多样性，提高了发现更优解的概率，解决了易陷入局部极值的问题，但仍无法保证其寻找到的新解一定优于原来的解，因此需要根据下面公式判断是否保留新解：

其中，

是通过式(17)、(19)和(25)位置更新后产生的新位置；r_new和γ均为[0,1]之间的随机数。

6)判断当前计算是否达到最大迭代次数，如果是，则输出当前鲸鱼个体的位置

即最终的卸载决策和资源分配结果；否则进入下一次迭代，并返回步骤2)。

以下结合仿真实验，对本发明的技术效果进一步详细说明。

仿真实验以20辆车、每辆车携带5个不同大小的任务为例，用基于混合策略改进的鲸鱼优化算法与传统WOA、樽海鞘群算法和灰狼算法进行比较，分别优化车辆i所携带的任务k通过本地计算完成的任务大小和通过卸载计算完成的任务的大小以及移动边缘计算服务器分配给车辆i任务k的计算资源。

WOA与其他群体智能优化算法相比的主要区别在于，采用随机或最佳搜索代理来模拟捕猎行为，并使用螺旋来模拟座头鲸的气泡网攻击机制。根据算法中参数

和随机生成的p值的大小，进而选择相应的更新方案。传统的WOA在求解优化算法问题时，常采用随机的方法产生初始种群，可能使初始种群分布不均，导致初始种群多样性较差。WOA求解优化问题后期容易陷入局部最优导致算法早熟，从而导致收敛精度不高。因此，本发明在初始化阶段采用分段Logistic混沌映射的策略，使鲸鱼个体的位置分布相对均匀，从而增强种群的多样性；在随机搜寻阶段时，引入步长控制因子服从t分布的Lévy飞行策略对位置更新进行改进，在算法前期，由于较大步长，进行大幅度的扰动的概率更大，从而具有较好的全局探索能力；在算法后期，步长变小，进行小幅度扰动的概率更大，从而具有较好的局部探索能力，加快了算法的收敛速度，保持算法全局搜索和局部搜索之间的平衡状态，从而提升WOA跳出局部最优的能力，最终达到提升WOA的全局寻优能力和提高求解效率能力的目的。针对Lévy飞行策略无法保证其寻找到的新解一定优于原来的解这一问题，通过贪婪选择策略判断根是否保留新解。

仿真参数设置

在仿真实验中，空间维度设置为3，种群数量设置为30，最大迭代次数设置为500，适应度函数为本发明问题模型的目标函数，即处理每个比特任务所需的平均能耗。

仿真内容和结果分析

图4为本发明所提算法的收敛性示意图。从图中可以观察到，本发明所提的算法在寻找最小的能耗时的收敛速度较快，迭代次数少，不会多次陷入局部最优，在迭代大约110次时趋于平缓，对比未改进的鲸鱼算法及其他两种算法，均有明显优势。HS-WOA具有很强的全局优化能力，在算法前期不断寻找全局的最优解，且在后期具有良好的全局搜索能力。

图5为本发明对比不同算法的仿真实验中发射功率对于每辆车能耗的影响可视图。从图中可以观察到，随着发射功率的增加，每辆车的能耗是在增加的，因为发射功率越大，需要调动的能耗就越多。对比四种算法，可以看出，本发明所提出的算法所需要能耗更小，说明HS-WOA的性能更好。

图6为本发明在不同信息年龄阈值下对比不同算法的仿真实验中发射功率对于每辆车能耗的影响可视图。从图中可以观察到，随着发射功率的增加，每辆车的总能耗是均匀增加的；随着信息年龄阈值的增加，每辆车的能耗是降低的，这是因为信息年龄阈值的值越小，代表车辆对于信息新鲜度的要求是比较高的，因此车辆需要牺牲能耗来保证信息的及时性和有效性。

图7为本发明对比不同卸载策略的仿真实验中输入数据量对于系统总能耗的影响可视图。从图中可以观察到，只有本地计算时，当输入数据量小于500bit时，车辆总能耗很小，因为此时本地的计算资源足够处理这些任务，当本地资源不足时，即当输入数据量大于500bit后，车辆的总能耗就会迅速增加；只有边缘服务器进行卸载计算时，同理，当输入数据量小于1000bit时，车辆总能耗也很小，因为此时边缘服务器的计算资源足够处理这些任务，当边缘服务器计算资源不足时，即当输入数据量大于1000bit后，车辆总能耗就会迅速增加；本发明所提出的部分卸载策略，当输入数据量小于1500bit时，车辆的总能耗的变化曲线较为平缓，当输入数据量大于1500bit时，车辆总能耗的变化曲线远比前两种卸载策略增加的缓慢。因此，本发明所提出的部分卸载策略可以有效合理的分配本地和边缘服务器的计算资源，从而使车辆总能耗减小。

图8为本发明在不同信息年龄阈值条件下所提算法的仿真实验中输入数据量对于系统总能耗的影响可视图。从图中可以观察到，当输入数据量小于1500bit时，此时信息年龄阈值对于车辆总能耗的约束不明显，因为此时通过本发明提出的部分卸载策略的合理有效分配下，可以保证信息的新鲜程度，因此三条曲线重合。当输入数据量继续增加时，此时出现计算资源不足的情况，信息年龄阈值越小，车辆对于信息新鲜度的要求是越高的，因此车辆的总能耗也会增加。

综上所述，图4和图5可以有效证明本发明所改进算法的有效性，其收敛速度更快，可以用较少的迭代次数找到最好的适应度值。在初始化阶段采用分段Logistic混沌映射的策略，使鲸鱼个体的位置分布相对均匀，增加种群的多样性；在随机搜寻阶段引入步长控制因子服从t分布的Lévy飞行策略，有效扩大算法的搜索范围，避免种群陷入局部最优。图6、图7以及图8，有效证明了本发明所提的部分卸载策略的有效性，可以更加合理有效的分配计算资源，在保证信息新鲜度的前提下，实现了车辆与边缘服务器资源的协同调度，并有效降低了车辆处理任务所需的能耗，尤其是在用户输入数据量比特较多的情况下优势更加明显。

Claims (6)

1.一种信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，其特征在于，

包括下列步骤：

步骤1、构建多车辆单边缘计算服务器的车联网系统模型，所述车联网模型是一个由多个移动车辆及单边缘计算服务器组成的网络模型：

在道路旁部署单个路边单元RSU，并为其配备具有一定计算处理能力的边缘计算服务器，能够为车辆提供额外的计算资源，道路中有N辆车正在行驶，每辆车有若干大小不同且可分割的计算任务需要处理，计算任务选择完全在本地计算，或选择部分或全部卸载到边缘计算服务器处计算；

步骤2、建立基于移动边缘计算的车联网中车辆计算任务的通信模型、计算模型以及信息年龄模型：

所述通信模型为：

其中，R_i表示车辆i的上传速率；W是车辆和边缘服务器之间可用频谱带宽；P_i ^up表示车辆i的上行发射功率；h_i表示车辆i与边缘计算服务器之间的信道增益；n₀表示加性高斯白噪声；

所述的计算模型为：

a)本地计算模型：

其中，

和/>

分别表示车辆i所携带的任务k的本地计算时延和能耗；C_loc表示任务在本地计算一个比特数据所需要的CPU周期数；s_ik表示车辆i所携带的任务k通过本地计算完成的份数；d表示可分割的计算任务的基本单位，单位为bit；/>

表示车辆i为计算任务k的所消耗的本地计算资源；ξ是一个常数，其值取决于芯片的结构；

b)卸载计算模型

其中，

和/>

分别表示车辆i所携带的任务k的计算卸载时延和缷载能耗；C_mec表示边缘服务器计算一个比特数据所需要的CPU周期数；m_ik表示车辆i所携带的任务k通过卸载计算完成的份数；d表示可分割的计算任务的基本单位，单位为bit；/>

表示边缘计算服务器分配给车辆i计算任务k的计算资源；/>

表示RSU的电容常数，其值取决于芯片的结构；P_i ^up表示上行服务器的发射功率；R_i表示车辆i的上传速率；

所述信息年龄模型为：

其中，

表示车辆i的平均信息年龄；l_ik表示车辆i任务k可以分割的份数；a_ik表示车辆i所携带的任务k的信息年龄；K是每辆车携带的任务总数；T是时隙数量；

步骤3、在车联网通信资源、计算资源和信息年龄约束下，建立卸载方式、通信资源分配以及计算资源分配的联合优化问题模型，最小化处理计算任务所需的平均能耗；

步骤4、采用基于混合策略改进的鲸鱼优化算法HS-WOA(Hybrid Strategy ImprovedWhale Optimization Algorithm)求解联合优化问题模型中的优化问题。

2.根据权利要求1所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，其特征在于，步骤3所述的信息年龄是一种度量信息新鲜程度的指标，将信息年龄定义为最新被处理完成的车辆计算任务自生成开始所经历的时间，由于陈旧信息难以满足车联网中车辆对于信息及时性的要求，考虑在信息年龄约束下，最小化车辆处理任务所需的平均能耗，以满足车联网用户对于信息及时性的要求。

3.根据权利要求1所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，其特征在于，所述步骤3中所建立的联合优化问题模型表述为：

在信息年龄的约束下，以最小化处理计算任务所需的平均能耗为优化目标，建立任务卸载方式、通信资源分配以及边缘计算服务器计算资源分配的联合优化问题模型：

其中，约束条件C1表示车辆处理每个任务所需的平均能耗；约束条件C2表示对于车辆i信息年龄的约束，A_i ^max表示用户可接受的任务的最大信息年龄；约束条件C3表示边缘计算服务器分配给车辆的总计算资源不超过边缘计算服务器上的可用计算资源，(·)是指示器函数，当括号内取值为真时，(·)＝1，表示边缘计算服务器给车辆分配了任务所需的计算资源，反之(·)＝0，表示未分配计算资源；F_mec表示边缘服务器可用的计算资源总量；约束条件C4表示分配给车辆的子信道数量不超过边缘服务器的子信道总数；B_max表示边缘服务器最多可用的子信道数量；约束条件C5和C6表示车辆i任务k在本地计算的部分和在边缘计算服务器处计算的部分不超过任务k的总量。

4.根据权利要求3所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，其特征在于，所述步骤4采用基于混合策略改进的鲸鱼优化算法HS-WOA求解有约束条件的联合优化问题的步骤如下：

1)设置算法参数并初始化种群，根据搜索空间的每一维的上下界，初始化鲸鱼个体的位置

N为鲸鱼的种群规模，D为空间维度；采用分段Logistic混沌映射的策略使初始化的位置分布相对均匀；

2)计算每个鲸鱼个体的适应度值，按适应度值大小进行排序，同时记录当前最优鲸鱼的位置及适应度函数值；步骤(3)中所得到的联合优化问题模型的基于HS-WOA的适应度函数表示如下：

3)根据相应公式计算参数a、p和系数向量

a＝2·(1-t/MaxIter) (13)

p＝rand(1) (14)

其中，MaxIter是最大迭代次数；a的值随着迭代次数t的增加而减少，从2线性减少到0；p、r₁以及r₂是[0,1]之间的随机数；

表示收敛系数向量，/>

表示系数向量；

4)比较算法中参数

和p值的大小，选择相应的更新方案：

a)当p<0.5且

时，进行收缩包围猎物的动作，根据下面公式更新鲸鱼个体的位置：

其中，

为当前迭代中的最佳搜索鲸鱼个体位置；/>

为当前迭代中鲸鱼个体位置；

为下一次迭代中搜索鲸鱼个体的位置；

b)当p<0.5但

时，进行随机搜寻的动作，采用步长控制因子服从t分布的莱维Lévy飞行策略，改进鲸鱼个体的位置；

c)若p≥0.5时，进行气泡网捕食的动作，根据下面公式更新鲸鱼个体的位置：

其中，

表示鲸鱼与当前全局最优个体之间的距离；/>

表示当前迭代中的最佳搜索鲸鱼个体位置，b是对数螺线形状的常数，q是[0,1]中的一个随机数；

5)位置更新结束，计算每个鲸鱼个体的适应度值；虽然，莱维Lévy飞行能有效的使粒子通过随机游走产生新的解，经历新的搜索路径和领域，增加了种群的多样性，提高了发现更优解的概率，解决了易陷入局部极值的问题，但仍无法保证其寻找到的新解一定优于原来的解，因此需要根据下面公式判断是否保留新解：

其中，

是通过式(17)、(19)和(25)位置更新后产生的新位置；r_new和γ均为[0,1]之间的随机数；

6)判断当前计算是否达到最大迭代次数，如果是，则输出当前鲸鱼个体的位置

即最终的卸载决策和资源分配结果；否则进入下一次迭代，并返回步骤2)。

5.根据权利要求4所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，其特征在于，所述步骤1)中的采用分段Logistic混沌映射的策略进行算法位置初始化的具体过程为：

其中，式(10)采用分段Logistic混沌映射来产生混沌序列，使鲸鱼个体的位置分布相对均匀，增加种群多样性；ub和lb分别是搜索空间的上界和下界；⊕表示数组点乘；3.569946≤μ≤4，ε是(0,1)之间的数。

6.根据权利要求4所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法，其特征在于，所述步骤4)的b)中的在随机搜寻阶段引入步长控制因子服从t分布的Lévy飞行策略的具体过程为：

其中，

是随机选择鲸鱼位置的向量；/>

为当前迭代中鲸鱼个体位置；/>

为当前迭代中的最佳搜索鲸鱼个体位置；δ⊕Levi(β)表示对该位置进行莱维Lévy飞行搜索，其中δ为步长控制因子，用来控制步长，δ₀服从t分布，使步长从搜索前期的大步长逐渐缩小为后期的小步长，保持算法全局搜索和局部搜索之间的平衡状态；⊕表示点对点乘法，Levi(β)表示服从莱维分布的随机路径，满足Levi(β)～u＝t^-β,1<β<3，实际应用中，由于Lévy飞行具有较高的运算量，为保证运算效率，常使用Mantegna算法模拟，步长s计算公式为：

其中，u和v服从正态分布：

其中，Γ是Gamma函数，参数β是[0,2]之间的随机数。

Images