CN116405493A - 一种基于mogwo策略的边缘云协同任务卸载方法 - Google Patents

一种基于mogwo策略的边缘云协同任务卸载方法 Download PDF

Info

Publication number
CN116405493A
CN116405493A CN202310182173.9A CN202310182173A CN116405493A CN 116405493 A CN116405493 A CN 116405493A CN 202310182173 A CN202310182173 A CN 202310182173A CN 116405493 A CN116405493 A CN 116405493A
Authority
CN
China
Prior art keywords
vehicle
task
solution
server
wolves
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
CN202310182173.9A
Other languages
English (en)
Inventor
张德干
赵辉
张捷
曹利香
陈洪涛
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.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
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 Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN202310182173.9A priority Critical patent/CN116405493A/zh
Publication of CN116405493A publication Critical patent/CN116405493A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters 

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于MOGWO策略的边缘云协同任务卸载方法，属于物联网领域。随着智能车辆的普及，道路上的车辆快速增多，仅仅依赖边缘服务器难以满足所有车辆对于低能耗、低时延的需求。为了满足移动车辆的计算需要，本方法在多用户的环境中，依托云‑边‑端三层架构提出了一种结合重力参考点法(GravityReferencePoint Technique，GRPT)与多目标灰狼优化算法(Multi‑ObjectiveGreyWolfOptimization，MOGWO)的任务卸载方案。通过将时延和能耗归纳为两个目标函数，模仿灰狼群体的等级关系和捕猎活动设计一种优化搜索方法，目的是获得最优解，实现对能耗和计算时延的联合优化。与现有一些方法相比，本方法在任务卸载中的能耗和时延，明显低于其他方案，具有一定的实用价值。

Description

一种基于MOGWO策略的边缘云协同任务卸载方法
技术领域
本发明属于物联网领域，具体涉及一种基于MOGWO策略的边缘云协同任务卸载方法。
背景技术
随着科技的发展，车辆也变得更加智能。事实上，越来越多的汽车具备了强大的车载计算能力。然而，由于人工智能、增强现实等新的流行技术在车辆上的应用，给车辆造成了很大的资源压力。例如，一项研究表明在自动驾驶汽车的实时操作系统上，每秒钟需要处理的数据大约为1GB。
云计算是缓解车辆计算资源不足的一种有效范式，但无法解决车联网的核心问题：实现信息超低时延交互、大数据量的短回路传输和处理。快速计算和决策是提供低延迟、动态处理的必要条件。将原本位于云数据中心的服务和功能“下沉”到移动网络的边缘，利用附近的车辆、RSU、基站和移动边缘计算服务器等作为边缘节点，是一种可行的方案，这种方案被称为车辆边缘计算(Vehicular Edge Computing，VEC)。
VEC的关键问题是计算卸载(Computation Offloading)机制，即车辆在满足低延迟、低成本、低能耗的前提下，实时选择最优的边缘节点，将计算量大的任务合理分配给计算资源充足的代理服务器进行处理，再把运算完成的计算结果从代理服务器取回。VEC中多种通信模式共存使得卸载方式有多种选择，如何利用多种卸载方式更高效的完成计算任务也是一个值得深入研究的问题。因而，研究车辆边缘网络中的任务卸载方法具有重要的理论价值和实际意义。
发明内容
本发明的目的是解决意在多用户的环境中，通过考虑能耗和计算时间两个参数，找到最优卸载目标，提供一种基于MOGWO策略的边缘云协同任务卸载方法。本发明考虑了传统计算卸载架构无法满足车辆中复杂任务计算的问题，在多用户的场景中，依托于边缘云协同计算卸载模型，提出了一种结合重力参考点法与多目标灰狼优化算法的增强型多目标灰狼优化算法，实现对能耗和计算时延进行联合优化。最后仿真对比实验证明，本方法的性能明显优于其它相关算法，具有一定的实用价值。
本发明的基于MOGWO策略的边缘云协同任务卸载方法，主要包括如下关键步骤：
第1、系统模型的构建：
第1.1、建立本地计算模型；
第1.2、建立边缘服务器卸载模型；
第1.3、建立云服务器卸载模型；
第1.4、提出优化目标问题函数；
第2、基于MOGWO策略的边缘云协同计算卸载方法的设计：
第2.1、采用多目标灰狼优化算法MOGWO求取最优解，并将获得的非支配解根据拥挤度排序算法进行排序；
第2.2、采用GRPT算法使解集分布更加均匀；
第2.3、基于MOGWO策略的边缘云协同计算卸载方法描述。
步骤第1.1中建立了本地计算模型，即计算任务将在本地车辆上执行，影响时延的因素主要是车辆的计算能力、CPU的周期频率，以及任务的数据量。因此本地车辆的执行时延
Figure BDA0004102637180000021
如下：
Figure BDA0004102637180000022
其中，任务ri的数据量大小为Bi，Gi表示本地车辆计算1bit数据所需的CPU周期数，单位为cycle/bit，fi表示车辆的计算能力，即车辆CPU的周期频率，单位为cycle/s。因为任务只在本地计算，所以没有通信延迟。
车辆在执行计算任务的能耗
Figure BDA0004102637180000023
主要与任务数据量和CPU能耗有关，定义如下：
Figure BDA0004102637180000024
其中，ηi为车辆vi的计算功率，单位是J/Gigacycle；
步骤第1.2中建立边缘服务器卸载模型的方法如下，在本地车辆计算能力不足时，将任务卸载到配备MEC服务器的RSU上是一种可行的方法。假设任务产生车辆的当前位置在某一RSU的覆盖范围内，将计算任务卸载到该RSU配备的边缘服务器上进行处理，这个过程中总延迟包括三部分：任务从车辆到边缘服务器的传输时延、边缘服务器处理任务的计算时延，以及边缘服务器将结果回传到车辆的时延。因为处理前的任务数据量远远大于处理后的数据量，所以回传时延往往可以忽略不计。
车辆与边缘服务器的距离是影响传输速率的主要因素，根据香农公式，车辆将计算任务传送到MEC服务器的传输速率
Figure BDA0004102637180000025
如下。
Figure BDA0004102637180000026
其中，wi是为本地车辆分配的无线带宽，Pi为车辆的发射功率，单位w，Di表示车辆与边缘服务器之间的距离，单位是m，α是路径损耗指数，N0看作噪声功率谱密度，λ,η∈(0,1)是带宽分配因子。
将计算任务从产生车辆传输到MEC服务器的延迟为
Figure BDA0004102637180000031
可表示为：
Figure BDA0004102637180000032
MEC中的计算时延为
Figure BDA0004102637180000033
公式如下：
Figure BDA0004102637180000034
其中Bi为计算任务ri的数据量，fmec为MEC服务器CPU的周期频率，单位是GHZ。
则从车辆vi卸载到MEC处理的总时延
Figure BDA0004102637180000035
可表示为：
Figure BDA0004102637180000036
同理，从车辆vi卸载到MEC执行的总能耗
Figure BDA0004102637180000037
可表示为：
Figure BDA0004102637180000038
其中，Gm为MEC服务器的CPU数据处理能力，单位是cycle/bit；ηm是区域内边缘服务器的CPU计算功率，单位是J/Gigacycle。
步骤第1.3中建立云服务器卸载模型的方法如下：当本地车辆资源不足无法满足计算任务需要时，还可以将任务卸载到远程云中心处理，云服务器具备强大的计算能力。在整个过程中，计算任务需要先发送到距离车辆最近的边缘服务器中，再从边缘服务器传输到云服务器。边缘服务器将计算任务上传到远程云服务器的传输速率为
Figure BDA0004102637180000039
公式如下：
Figure BDA00041026371800000310
其中，wm为任务产生车辆所在覆盖范围内的MEC服务器分配的带宽，单位是赫兹(Hz)；pm为边缘服务器的发射功率，单位是w；Dm为车辆所在的边缘服务器到远程云服务器的距离，单位是米(m)。
计算任务从车辆到MEC服务器的传输时延为
Figure BDA00041026371800000311
如下所示。
Figure BDA0004102637180000041
卸载任务在云服务器上处理的计算时延主要与云服务器的CPU周期频率有关，则这一过程的计算时延
Figure BDA0004102637180000042
可以定义为：
Figure BDA0004102637180000043
其中，fcloud为远程云服务器的CPU周期频率，单位GHZ
从车辆vi到远程云服务器的总延迟
Figure BDA0004102637180000044
可以表示为：
Figure BDA0004102637180000045
同理，把计算任务卸载到云中心处理，能耗包括三部分，即任务从车端到边缘服务器的传输能耗、边缘服务器将接收到的计算任务再上传到云中心的传输能耗，以及云服务器执行任务的能耗，定义把任务从车辆vi卸载到云服务器处理的总能耗为
Figure BDA0004102637180000046
公式如下：
Figure BDA0004102637180000047
其中，Ge为远程云的数据处理能力，单位是cycle/bit；ηe是计算功率，单位是J/Gigacycle。
步骤第1.4中提出的优化目标问题函数如下，问题决策的表达式为：
Figure BDA0004102637180000048
其中，di为计算任务的卸载位置，任务不能被分割。0表示在本地处理，1表示卸载到MEC服务器，2表示卸载到远程云中心。
根据步骤1.1到步骤1.3可以得到：
Figure BDA0004102637180000049
Figure BDA00041026371800000410
进一步的，步骤第2.1中采用多目标灰狼优化算法MOGWO求取最优解，并将获得的非支配解根据拥挤度排序算法进行排序，灰狼优化算法是一种受自然启发的元启发式方法，其动机是灰狼种群的社会等级和狩猎风格。灰狼生活在5到12只狼的群体中。在一个特定的狼群中，有四个等级(α，β，δ，ω)。α狼是头狼(也称为支配狼)，负责对猎食、栖息、居住等方面作决策。β狼服从于α狼，并协助α狼完成决策。δ狼服从于α、β狼，同时支配ω狼。ω狼通常需要服从α、β、δ狼。需要注意的是α狼不一定是狼群中最强的狼，换句话说，α不一定是最优解，而是最接近优解的候选解，β和δ是次佳和第三最佳解。灰狼狩猎时会包围猎物，从四面八方攻击。包围猎物的第一阶段用方程式表示如下。
Figure BDA0004102637180000051
Figure BDA0004102637180000052
其中，
Figure BDA0004102637180000053
表示距离向量，/>
Figure BDA0004102637180000054
表示猎物的位置，t表示当前迭代，/>
Figure BDA0004102637180000055
表示灰狼的位置，/>
Figure BDA0004102637180000056
Figure BDA0004102637180000057
表示系数向量。
Figure BDA0004102637180000058
Figure BDA0004102637180000059
其中
Figure BDA00041026371800000510
和/>
Figure BDA00041026371800000511
是值在[0,1]之间的随机向量。在实验过程中/>
Figure BDA00041026371800000512
的值从2下降到0。
其他狼根据α，β和δ狼改变他们的位置。用方程式模拟灰狼的捕猎行为，如下。
Figure BDA00041026371800000513
则有
Figure BDA00041026371800000514
狼的最终位置可以用公式(22)计算。
Figure BDA00041026371800000515
攻击猎物的最后阶段是用向量
Figure BDA00041026371800000516
来表示的。/>
Figure BDA00041026371800000517
的值介于[-a,a]之间，迭代过程中/>
Figure BDA00041026371800000518
的值从2递减到0，用公式(23)表示如下：
Figure BDA0004102637180000061
MAXiter表示总迭代次数，t表示当前迭代次数。
假设所有物联网设备可能的卸载决策为灰狼创造了单一位置：
步骤1：随机初始化狼的数量；
Figure BDA0004102637180000062
式中，n表示狼的数量，d表示维数。
步骤2：计算狼种群的目标函数值。对于每只狼，有两个目标函数进行评价，即F1和F2；
Figure BDA0004102637180000063
所有非支配解的拥挤度Crowding Degree，记作CD用公式(24)计算。
Figure BDA0004102637180000064
其中，i表示第i个解，所有CD值按从大到小的顺序递减排列，并表示为集合St。然后用轮盘选择法得到最优解，不能保证最适合的解决方案被选择，但它确实增加了最佳解决方案被选择的概率。选择概率通过公式(25)计算。
Figure BDA0004102637180000065
其中Fi是第i个解的目标函数，St是解集，k表示St的个数。
Figure BDA0004102637180000066
Figure BDA0004102637180000071
步骤第2.2所述采用GRPT使解集分布更加均匀的方法如下，由于重力参考点技术(Gravity Reference PointTechnique，GRPT)的解集分布更加均匀，将其与多目标灰狼优化技术集成可以进一步提高其性能。当重力参考点接近当前解时，重量系数会增大。本方法分别定义了计算延迟和能量消耗两个函数。当F1(X)取最小值时，则将得到的解称为X1。当F2(X)取最小值时，得到的解为X2。当X＝X1时，根据公式(13)计算F1(X)和F2(X)，记为T1和E1。当X＝X2时，函数F1(X)和F2(X)对应的值，记作T2和E2。
然后计算每个集合的权重和距离参数如下：
计算当前解的能量消耗和计算延迟，然后估计X1、X2到当前解的距离。
Figure BDA0004102637180000072
然后，计算权重参数：
Figure BDA0004102637180000073
公式(28)被用于更新当前解。
Figure BDA0004102637180000074
其中，
Figure BDA0004102637180000075
Figure BDA0004102637180000081
步骤第2.3所述基于MOGWO策略的边缘云协同计算卸载方法描述如下：
Step1：随机初始化大小为n的灰狼狼群Wp[]、系数向量a、Av、位置向量a；
Step2：计算每个search agents的目标函数值，找到非支配解集并初始化archive；
Step3：从初始archive中选择α、β、δ狼，分别记作Xα、Xβ、Xδ；
Step4：根据公式(20)-(23)进行狼群中所有个体的位置更新；
Step5：全部灰狼的位置更新之后，计算更新之后种群的非支配解集
Step6：判断非支配解集是否超过规定的archive大小，若超过，根据网格坐标进行删除；
Step7：判断是否达到最大迭代次数，若是，输出archive，否则，转Step3。
Figure BDA0004102637180000082
Figure BDA0004102637180000091
本发明的优点和积极效果是：
本发明主要设计了一种基于MOGWO策略的边缘云协同任务卸载方法，在该方法中，主要研究了多用户的场景中，传统计算卸载架构无法满足车辆中复杂任务计算的问题。由于车辆边缘网络中计算密集型和延迟敏感应用的爆炸式增长，仅仅将任务卸载到附近的边缘服务器处理存在一定的局限性，因而需要协同边缘服务器和云服务器完成任务卸载。本发明依托于边缘云协同计算卸载模型，提供一种基于MOGWO策略的边缘云协同任务卸载方法，通过考虑能耗和计算时间两个参数，找到最优卸载目标。与现有一些方法相比，本方法在完成任务卸载过程中的时延和能耗明显低于其它相关算法，具有一定的实用价值。
附图说明
图1是车辆数对时延的影响；
图2是车辆数对能耗的影响；
图3是不同任务数量下的卸载时延；
图4是不同任务数量下的能量消耗；
图5是不同数量服务器下的卸载时延；
图6是不同数量服务器下的能量消耗；
图7是本发明基于MOGWO策略的边缘云协同任务卸载方法的流程图。
具体实施方式
实施例1
本实施例设计的方法是基于matlab进行模拟仿真实验。性能评估的主要目标是实现对能耗和计算时延的优化。将本方法与人工鱼群算法(Artificial FishSwarmAlgorithm，AFSA)、遗传算法(GeneticAlgorithm，GA)、集中启发式贪心卸载算法(CentralizedHeuristic Greedy Offloading，CHGO)和二代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ，NSGA-Ⅱ)进行对比分析。
参见附图7，本实施例基于MOGWO策略的边缘云协同计算卸载方法，主要包括如下关键步骤：
第1、系统模型的构建：
第1.1、建立本地计算模型；
第1.2、建立边缘服务器卸载模型；
第1.3、建立云服务器卸载模型；
第1.4、提出优化目标问题函数；
第2、基于MOGWO策略的边缘云协同计算卸载方法的设计：
第2.1、采用多目标灰狼优化算法MOGWO求取最优解，并将获得的非支配解根据拥挤度排序算法进行排序；
第2.2、采用GRPT算法使解集分布更加均匀；
第2.3、基于MOGWO策略的边缘云协同计算卸载方法描述。
步骤第1.1中建立了本地计算模型，即计算任务将在本地车辆上执行，影响时延的因素主要是车辆的计算能力、CPU的周期频率，以及任务的数据量。因此本地车辆的执行时延
Figure BDA0004102637180000101
如下：
Figure BDA0004102637180000102
其中，任务ri的数据量大小为Bi，Gi表示本地车辆计算1bit数据所需的CPU周期数，单位为cycle/bit，fi表示车辆的计算能力，即车辆CPU的周期频率，单位为cycle/s。因为任务只在本地计算，所以没有通信延迟。
车辆在执行计算任务的能耗
Figure BDA0004102637180000111
主要与任务数据量和CPU能耗有关，定义如下：
Figure BDA0004102637180000112
其中，ηi为车辆vi的计算功率，单位是J/Gigacycle；
步骤第1.2中建立边缘服务器卸载模型的方法如下，在本地车辆计算能力不足时，将任务卸载到配备MEC服务器的RSU上是一种可行的方法。假设任务产生车辆的当前位置在某一RSU的覆盖范围内，将计算任务卸载到该RSU配备的边缘服务器上进行处理，这个过程中总延迟包括三部分：任务从车辆到边缘服务器的传输时延、边缘服务器处理任务的计算时延，以及边缘服务器将结果回传到车辆的时延。因为处理前的任务数据量远远大于处理后的数据量，所以回传时延往往可以忽略不计。
车辆与边缘服务器的距离是影响传输速率的主要因素，根据香农公式，车辆将计算任务传送到MEC服务器的传输速率
Figure BDA0004102637180000113
如下。
Figure BDA0004102637180000114
其中，wi是为本地车辆分配的无线带宽，Pi为车辆的发射功率，单位w，Di表示车辆与边缘服务器之间的距离，单位是m，α是路径损耗指数，N0看作噪声功率谱密度，λ,η∈(0,1)是带宽分配因子。
将计算任务从产生车辆传输到MEC服务器的延迟为
Figure BDA0004102637180000115
可表示为：
Figure BDA0004102637180000116
MEC中的计算时延为
Figure BDA0004102637180000117
公式如下：
Figure BDA0004102637180000118
其中Bi为计算任务ri的数据量，fmec为MEC服务器CPU的周期频率，单位是GHZ。
则从车辆vi卸载到MEC处理的总时延
Figure BDA0004102637180000119
可表示为：
Figure BDA00041026371800001110
同理，从车辆vi卸载到MEC执行的总能耗
Figure BDA00041026371800001111
可表示为：
Figure BDA0004102637180000121
其中，Gm为MEC服务器的CPU数据处理能力，单位是cycle/bit；ηm是区域内边缘服务器的CPU计算功率，单位是J/Gigacycle。
步骤第1.3中建立云服务器卸载模型的方法如下：当本地车辆资源不足无法满足计算任务需要时，还可以将任务卸载到远程云中心处理，云服务器具备强大的计算能力。在整个过程中，计算任务需要先发送到距离车辆最近的边缘服务器中，再从边缘服务器传输到云服务器。边缘服务器将计算任务上传到远程云服务器的传输速率为
Figure BDA0004102637180000122
公式如下：
Figure BDA0004102637180000123
其中，wm为任务产生车辆所在覆盖范围内的MEC服务器分配的带宽，单位是赫兹(Hz)；pm为边缘服务器的发射功率，单位是w；Dm为车辆所在的边缘服务器到远程云服务器的距离，单位是米(m)。
计算任务从车辆到MEC服务器的传输时延为
Figure BDA0004102637180000124
如下所示。
Figure BDA0004102637180000125
卸载任务在云服务器上处理的计算时延主要与云服务器的CPU周期频率有关，则这一过程的计算时延
Figure BDA0004102637180000126
可以定义为：
Figure BDA0004102637180000127
其中，fcloud为远程云服务器的CPU周期频率，单位GHZ
从车辆vi到远程云服务器的总延迟
Figure BDA0004102637180000128
可以表示为：
Figure BDA0004102637180000129
同理，把计算任务卸载到云中心处理，能耗包括三部分，即任务从车端到边缘服务器的传输能耗、边缘服务器将接收到的计算任务再上传到云中心的传输能耗，以及云服务器执行任务的能耗，定义把任务从车辆vi卸载到云服务器处理的总能耗为
Figure BDA00041026371800001210
公式如下：
Figure BDA00041026371800001211
其中，Ge为远程云的数据处理能力，单位是cycle/bit；ηe是计算功率，单位是J/Gigacycle。
步骤第1.4中提出的优化目标问题函数如下，问题决策的表达式为：
Figure BDA0004102637180000131
其中，di为计算任务的卸载位置，任务不能被分割。0表示在本地处理，1表示卸载到MEC服务器，2表示卸载到远程云中心。
根据步骤2.1到步骤2.3可以得到：
Figure BDA0004102637180000132
Figure BDA0004102637180000133
/>
进一步的，步骤第2.1中采用多目标灰狼优化算法MOGWO求取最优解，并将获得的非支配解根据拥挤度排序算法进行排序，灰狼优化算法是一种受自然启发的元启发式方法，其动机是灰狼种群的社会等级和狩猎风格。灰狼生活在5到12只狼的群体中。在一个特定的狼群中，有四个等级(α，β，δ，ω)。α狼是头狼(也称为支配狼)，负责对猎食、栖息、居住等方面作决策。β狼服从于α狼，并协助α狼完成决策。δ狼服从于α、β狼，同时支配ω狼。ω狼通常需要服从α、β、δ狼。需要注意的是α狼不一定是狼群中最强的狼，换句话说，α不一定是最优解，而是最接近优解的候选解，β和δ是次佳和第三最佳解。灰狼狩猎时会包围猎物，从四面八方攻击。包围猎物的第一阶段用方程式表示如下。
Figure BDA0004102637180000134
Figure BDA0004102637180000135
其中，
Figure BDA0004102637180000136
表示距离向量，/>
Figure BDA0004102637180000137
表示猎物的位置，t表示当前迭代，/>
Figure BDA0004102637180000138
表示灰狼的位置，/>
Figure BDA0004102637180000139
Figure BDA00041026371800001310
表示系数向量。
Figure BDA00041026371800001311
Figure BDA00041026371800001312
其中
Figure BDA00041026371800001313
和/>
Figure BDA00041026371800001314
是值在[0,1]之间的随机向量。在实验过程中/>
Figure BDA00041026371800001315
的值从2下降到0。
其他狼根据α，β和δ狼改变他们的位置。用方程式模拟灰狼的捕猎行为，如下。
Figure BDA0004102637180000141
则有
Figure BDA0004102637180000142
狼的最终位置可以用公式(22)计算。
Figure BDA0004102637180000143
攻击猎物的最后阶段是用向量
Figure BDA0004102637180000144
来表示的。/>
Figure BDA0004102637180000145
的值介于[-a,a]之间，迭代过程中/>
Figure BDA0004102637180000146
的值从2递减到0，用公式(23)表示如下：
Figure BDA0004102637180000147
MAXiter表示总迭代次数，t表示当前迭代次数。
假设所有物联网设备可能的卸载决策为灰狼创造了单一位置：
步骤1：随机初始化狼的数量；
Figure BDA0004102637180000148
式中，n表示狼的数量，d表示维数。
步骤2：计算狼种群的目标函数值。对于每只狼，有F1和F2两个目标函数进行评价；
Figure BDA0004102637180000149
所有非支配解的拥挤度Crowding Degree，记作CD用公式(24)计算。
Figure BDA0004102637180000151
其中，i表示第i个解，所有CD值按从大到小的顺序递减排列，并表示为集合St。然后用轮盘选择法得到最优解，不能保证最适合的解决方案被选择，但它确实增加了最佳解决方案被选择的概率。选择概率通过公式(25)计算。
Figure BDA0004102637180000152
其中Fi是第i个解的目标函数，St是解集，k表示St的个数。
步骤第2.2所述采用GRPT使解集分布更加均匀的方法如下，由于重力参考点技术(Gravity Reference Point Technique，GRPT)的解集分布更加均匀，将其与多目标灰狼优化技术集成可以进一步提高其性能。当重力参考点接近当前解时，重量系数会增大。本方法分别定义了计算延迟和能量消耗两个函数。当F1(X)取最小值时，则将得到的解称为X1。当F2(X)取最小值时，得到的解为X2。当X＝X1时，根据公式(13)计算F1(X)和F2(X)，记为T1和E1。当X＝X2时，函数F1(X)和F2(X)对应的值，记作T2和E2。
然后计算每个集合的权重和距离参数如下：
计算当前解的能量消耗和计算延迟，然后估计X1、X2到当前解的距离。
Figure BDA0004102637180000153
然后，计算权重参数：
Figure BDA0004102637180000154
/>
公式(28)被用于更新当前解。
Figure BDA0004102637180000155
其中，
Figure BDA0004102637180000161
步骤第2.3所述基于MOGWO策略的边缘云协同计算卸载方法描述如下：
Step1：随机初始化大小为n的灰狼狼群Wp[]、系数向量a、Av、位置向量a；
Step2：计算每个search agents的目标函数值，找到非支配解集并初始化archive；
Step3：从初始archive中选择α、β、δ狼，分别记作Xα、Xβ、Xδ；
Step4：根据公式(20)-(23)进行狼群中所有个体的位置更新；
Step5：全部灰狼的位置更新之后，计算更新之后种群的非支配解集
Step6：判断非支配解集是否超过规定的archive大小，若超过，根据网格坐标进行删除；
Step7：判断是否达到最大迭代次数，若是，输出archive，否则，转Step3。
本实施例中设定了一个仿真场景，以评估所提算法的性能。在实验中，设置100个search agents进行50次迭代，archive大小为50，设参数GIP(Gridinflationparameter)为α＝0.1，LSP(Leader selectionparameter)为β＝0.4。
在不同数量的车辆、任务和边缘服务器下评估所提出方案的性能。本实验考虑的性能指标如下：(1)端到端延迟：将任务从任务车辆卸载到边缘/云服务器进行处理所消耗的时间，时延通常以秒(s)为单位。(2)能耗：从车辆向边缘/云服务器传输任务所产生的能源，以及处理任务所产生的能源。能量以焦耳(J)为单位。
表1参数设置
Figure BDA0004102637180000162
/>
Figure BDA0004102637180000171
本实施例的仿真实验结果如下：
1.车辆数对算法的影响
1)车辆数对时延的影响
2)车辆数对能耗的影响
附图1为车辆数对时延的影响，附图2为车辆数对能耗的影响。可以看出，本发明提出的算法在不同车辆数目下的时延与能耗均是最小的。本发明所提出的算法，随着车辆数目的增加与其他算法的能耗差距更加明显，时延也始终低于其他4种算法。本发明的能耗是计算能耗和传输能耗的总和，因为大多数任务是在边缘服务器或本地设备，而不是云层处理的，云中心仅用于计算资源最密集的任务，所以将边缘节点部署在靠近终端设备的位置，有助于减少传输能耗和总能耗。
2.任务数对算法的影响
3)不同任务数量下的卸载时延
附图3为不同任务数量下的卸载时延。如图所示，在所有方案中任务卸载时延与任务数量成正比。随着任务数量的增加，时延也会增加。本发明的性能优于其他四种方案，因为它以最小的卸载成本将任务分配到合适的边缘服务器上。
4)不同任务数量下的能量消耗
附图4为不同任务数量下的能量消耗，从图中可知，由于能量消耗取决于任务卸载过程中所消耗的时间，包括任务传输时间和执行时间，所以在所有方案中，能量消耗都随着任务数量的增加而增加。时延越高，边缘车辆网络中的能耗就越多。本发明的性能优于其他几种算法，因为在该方案中，该方法支持从任务车到边缘服务器的任务
3.边缘服务器数对算法的影响
5)不同数量服务器下的卸载时延
附图5为不同数量服务器下的卸载时延。从图中可以看出，在所有方案中，卸载时延与边缘服务器的数量成反比。当车辆边缘网络中有越多可用的边缘服务器时，卸载时可供选择的的边缘服务器数量越多，则卸载时延越低。在任务密集的车辆网络中，需要具备更多的边缘服务器数量。本发明对应的曲线一直处在图中下方，说明在相同的边缘服务器数量下，本方法卸载任务花费的时间更少。
6)不同数量服务器下的能量消耗
附图6为不同数量服务器下的能量消耗。从图中可以看出，在所有方案中，能量消耗与边缘服务器的数量成反比。随着边缘服务器数量的增加，能耗会降低。当大量的边缘服务器参与任务处理时，能量消耗大大降低。在5种算法对比中，本方法柱形高度更低，即在相同边缘服务器数量，本发明完成相同任务卸载所需能耗更低。
实验表明，本发明提出的任务卸载方法取得了较好的效果。在所有对比实验中，本发明在能耗、时延等方面均优于现有算法。传统云计算卸载模型是缓解车辆计算资源不足的一种范式，但无法解决车联网的核心问题，即实现信息超低时延交互、大数据量的短回路传输和处理。因此，将移动边缘计算与云计算相结合，能够相对充分利用所有的计算资源，满足快速计算和决策，进而实现低延迟、低能耗。

Claims (8)

1.一种基于MOGWO策略的边缘云协同任务卸载方法，其特征在于该方法主要包括如下步骤：
第1、系统模型的构建：
第1.1、建立本地计算模型；
第1.2、建立边缘服务器卸载模型；
第1.3、建立云服务器卸载模型；
第1.4、提出优化目标问题函数；
第2、基于MOGWO策略的边缘云协同计算卸载方法的设计：
第2.1、采用多目标灰狼优化算法MOGWO求取最优解，并将获得的非支配解根据拥挤度排序算法进行排序；
第2.2、采用GRPT算法使解集分布更加均匀；
第2.3、基于MOGWO策略的边缘云协同计算卸载方法描述。
2.如权利要求1所述的基于MOGWO策略的边缘云协同任务卸载方法，其特征在于，步骤第1.1中建立了本地计算模型，即计算任务将在本地车辆上执行，影响时延的因素主要是车辆的计算能力、CPU的周期频率，以及任务的数据量，因此本地车辆的执行时延
Figure FDA0004102637170000011
如下：
Figure FDA0004102637170000012
其中，任务ri的数据量大小为Bi，Gi表示本地车辆计算1bit数据所需的CPU周期数，单位为cycle/bit，fi表示车辆的计算能力，即车辆CPU的周期频率，单位为cycle/s，因为任务只在本地计算，所以没有通信延迟，
车辆在执行计算任务的能耗
Figure FDA0004102637170000013
主要与任务数据量和CPU能耗有关，定义如下：
Figure FDA0004102637170000014
其中，ηi为车辆vi的计算功率，单位是J/Gigacycle。
3.如权利要求1所述的基于MOGWO策略的边缘云协同任务卸载方法，其特征在于，步骤第1.2中建立边缘服务器卸载模型的方法如下，在本地车辆计算能力不足时，将任务卸载到配备MEC服务器的RSU上是一种可行的方法，假设任务产生车辆的当前位置在某一RSU的覆盖范围内，将计算任务卸载到该RSU配备的边缘服务器上进行处理，这个过程中总延迟包括三部分：任务从车辆到边缘服务器的传输时延、边缘服务器处理任务的计算时延，以及边缘服务器将结果回传到车辆的时延，因为处理前的任务数据量远远大于处理后的数据量，所以回传时延忽略不计，
车辆与边缘服务器的距离是影响传输速率的主要因素，根据香农公式，车辆将计算任务传送到MEC服务器的传输速率
Figure FDA0004102637170000021
如下：
Figure FDA0004102637170000022
其中，wi是为本地车辆分配的无线带宽，Pi为车辆的发射功率，单位w，Di表示车辆与边缘服务器之间的距离，单位是m，α是路径损耗指数，N0看作噪声功率谱密度，λ,η∈(0,1)是带宽分配因子，
将计算任务从产生车辆传输到MEC服务器的延迟为
Figure FDA0004102637170000023
可表示为：
Figure FDA0004102637170000024
MEC中的计算时延为
Figure FDA0004102637170000025
公式如下：
Figure FDA0004102637170000026
其中Bi为计算任务ri的数据量，fmec为MEC服务器CPU的周期频率，单位是GHZ，
则从车辆vi卸载到MEC处理的总时延
Figure FDA0004102637170000027
可表示为：
Figure FDA0004102637170000028
同理，从车辆vi卸载到MEC执行的总能耗
Figure FDA0004102637170000029
可表示为：
Figure FDA00041026371700000210
其中，Gm为MEC服务器的CPU数据处理能力，单位是cycle/bit；ηm是区域内边缘服务器的CPU计算功率，单位是J/Gigacycle。
4.如权利要求1所述的基于MOGWO策略的边缘云协同任务卸载方法，其特征在于，步骤第1.3中建立云服务器卸载模型的方法如下：当本地车辆资源不足无法满足计算任务需要时，将任务卸载到远程云中心处理，云服务器具备强大的计算能力，在整个过程中，计算任务需要先发送到距离车辆最近的边缘服务器中，再从边缘服务器传输到云服务器，边缘服务器将计算任务上传到远程云服务器的传输速率为
Figure FDA00041026371700000211
公式如下：
Figure FDA0004102637170000031
其中，wm为任务产生车辆所在覆盖范围内的MEC服务器分配的带宽，单位是赫兹(Hz)；pm为边缘服务器的发射功率，单位是w；Dm为车辆所在的边缘服务器到远程云服务器的距离，单位是米(m)，
计算任务从车辆到MEC服务器的传输时延为
Figure FDA0004102637170000032
如下所示：
Figure FDA0004102637170000033
卸载任务在云服务器上处理的计算时延主要与云服务器的CPU周期频率有关，则这一过程的计算时延
Figure FDA0004102637170000034
定义为：
Figure FDA0004102637170000035
其中，fcloud为远程云服务器的CPU周期频率，单位GHZ
从车辆vi到远程云服务器的总延迟
Figure FDA0004102637170000036
表示为：
Figure FDA0004102637170000037
同理，把计算任务卸载到云中心处理，能耗包括三部分，即任务从车端到边缘服务器的传输能耗、边缘服务器将接收到的计算任务再上传到云中心的传输能耗，以及云服务器执行任务的能耗，则定义把任务从车辆vi卸载到云服务器处理的总能耗为
Figure FDA0004102637170000038
公式如下：
Figure FDA0004102637170000039
其中，Ge为远程云的数据处理能力，单位是cycle/bit；ηe是计算功率，单位是J/Gigacycle。
5.如权利要求1所述的基于MOGWO策略的边缘云协同任务卸载方法，其特征在于，步骤第1.4中提出的优化目标问题函数如下，问题决策的表达式为：
MinF(x)＝(T(x),E(x))
s.t. (13)
di∈{0,1,2}
其中，di为计算任务的卸载位置，任务不能被分割，0表示在本地处理，1表示卸载到MEC服务器，2表示卸载到远程云中心，
根据步骤1.1到步骤1.3得到：
Figure FDA0004102637170000041
Figure FDA0004102637170000042
6.如权利要求1所述的基于MOGWO策略的边缘云协同计算卸载方法，其特征在于，步骤第2.1中采用多目标灰狼优化算法MOGWO求取最优解，并将获得的非支配解根据拥挤度排序算法进行排序，灰狼优化算法是一种受自然启发的元启发式方法，其动机是灰狼种群的社会等级和狩猎风格，灰狼生活在5到12只狼的群体中，在一个特定的狼群中，有四个等级(α，β，δ，ω)，α狼是头狼(也称为支配狼)，负责对猎食、栖息、居住等方面作决策，β狼服从于α狼，并协助α狼完成决策，δ狼服从于α、β狼，同时支配ω狼，ω狼通常需要服从α、β、δ狼，需要注意的是α狼不一定是狼群中最强的狼，换句话说，α不一定是最优解，而是最接近优解的候选解，β和δ是次佳和第三最佳解，灰狼狩猎时会包围猎物，从四面八方攻击，包围猎物的第一阶段用方程式表示如下：
Figure FDA0004102637170000043
Figure FDA0004102637170000044
其中，
Figure FDA0004102637170000045
表示距离向量，/>
Figure FDA0004102637170000046
表示猎物的位置，t表示当前迭代，/>
Figure FDA0004102637170000047
表示灰狼的位置，/>
Figure FDA0004102637170000048
Figure FDA0004102637170000049
表示系数向量，
Figure FDA00041026371700000410
Figure FDA00041026371700000411
其中
Figure FDA00041026371700000412
和/>
Figure FDA00041026371700000413
是值在[0,1]之间的随机向量，在实验过程中/>
Figure FDA00041026371700000414
的值从2下降到0，
其他狼根据α，β和δ狼改变他们的位置，用方程式模拟灰狼的捕猎行为，如下：
Figure FDA00041026371700000415
则有
Figure FDA0004102637170000051
狼的最终位置用公式(22)计算，
Figure FDA0004102637170000052
攻击猎物的最后阶段是用向量
Figure FDA0004102637170000053
来表示的，/>
Figure FDA0004102637170000054
的值介于[-a,a]之间，迭代过程中/>
Figure FDA0004102637170000055
的值从2递减到0，用公式(23)表示如下：
Figure FDA0004102637170000056
MAXiter表示总迭代次数，t表示当前迭代次数，
假设所有物联网设备可能的卸载决策为灰狼创造了单一位置：
步骤1：随机初始化狼的数量；
Figure FDA0004102637170000057
式中，n表示狼的数量，d表示维数，
步骤2：计算狼种群的目标函数值，对于每只狼，有两个目标函数进行评价，即F1和F2；
Figure FDA0004102637170000058
所有非支配解的拥挤度Crowding Degree，记作CD用公式(24)计算，
Figure FDA0004102637170000059
其中，i表示第i个解，所有CD值按从大到小的顺序递减排列，并表示为集合St，然后用轮盘选择法得到最优解，不能保证最适合的解决方案被选择，但它确实增加了最佳解决方案被选择的概率，选择概率通过公式(25)计算，
Figure FDA0004102637170000061
其中Fi是第i个解的目标函数，St是解集，k表示St的个数，
算法1：拥挤度排序算法sort()
函数：
Figure FDA0004102637170000062
//EAp代表外部归档
输入：EAp，Wp，capacity；
输出：EAp，
Figure FDA0004102637170000063
1将Wp添加到EAp；
2根据公式(13)中的目标函数，用Wp的非支配解更新EAp；
3利用公式(24)对EAp中的解进行排序；
4 If(EAp>capacity)then
5执行不包括拥挤度差的方案；
6 End if
7利用公式(25)和轮盘赌法选择最优解。
7.如权利要求1所述的基于MOGWO策略的边缘云协同任务卸载方法，其特征在于，步骤第2.2所述采用GRPT使解集分布更加均匀的方法如下，由于重力参考点技术(GravityReference Point Technique，GRPT)的解集分布更加均匀，将其与多目标灰狼优化技术集成进一步提高其性能，当重力参考点接近当前解时，重量系数会增大，本方法分别定义了计算延迟和能量消耗两个函数，当F1(X)取最小值时，则将得到的解称为X1，当F2(X)取最小值时，得到的解为X2，当X＝X1时，根据公式(13)计算F1(X)和F2(X)，记为T1和E1，当X＝X2时，函数F1(X)和F2(X)对应的值，记作T2和E2，
然后计算每个集合的权重和距离参数如下：
计算当前解的能量消耗和计算延迟，然后估计X1、X2到当前解的距离，
Figure FDA0004102637170000064
然后，计算权重参数：
Figure FDA0004102637170000071
公式(28)被用于更新当前解，
Figure FDA0004102637170000072
其中，
Figure FDA0004102637170000073
算法2：GRPT
函数：EAG＝Gravity(EAp,capacity)；//EAp代表外部归档
输入：EAp，capacity；
输出：EAG.
1EAG←EAp；
2For(EAp中的全体)do
3使用公式(28)修改当前狼的位置；
4Endfor
5调用算法1，计算
Figure FDA0004102637170000074
8.如权利要求1所述的基于MOGWO策略的边缘云协同任务卸载方法，其特征在于，步骤第2.3所述基于MOGWO策略的边缘云协同计算卸载方法描述如下：
Step1：随机初始化大小为n的灰狼狼群Wp[]、系数向量a、Av、位置向量a；
Step2：计算每个search agents的目标函数值，找到非支配解集并初始化archive；
Step3：从初始archive中选择α、β、δ狼，分别记作Xα、Xβ、Xδ；
Step4：根据公式(20)-(23)进行狼群中所有个体的位置更新；
Step5：全部灰狼的位置更新之后，计算更新之后种群的非支配解集
Step6：判断非支配解集是否超过规定的archive大小，若超过，根据网格坐标进行删除；
Step7：判断是否达到最大迭代次数，若是，输出archive，否则，转Step3；
算法3：基于MOGWO策略的边缘云协同计算卸载方法
1 Initialize Wp[]、a、Av、Cv；
2 Calculate the F(x)for each search agent；
3 EAp←[]；//EAp代表外部归档
4 Find the non-dominant solution and initialize the archive；
5 Select the best solution from the archive as Xα；
6 Temporarily delete α from the archive to avoid the solution of the samesolution；
7 Select the second-best solution from the archive as Xβ；
8 Temporarily delete β from the archive；
9 Select the third-best solution from the archive as Xδ；
10 Add the selected solution back to archive；
11 t＝1；
12 While(t<MAXiter)do
13 For(each grey wolf)do
14 Update the position of current wolf according to formula(20)-(23)；
15 End for
16 Update a,Avand Cv；
17 Call algorithm 1，calculate
Figure FDA0004102637170000081
18 Call algorithm 2，calculate EAG；
19 Repeat steps 5 to 9；
20 Put α and β back to the archive；
21 End while
22 return EAG。
CN202310182173.9A 2023-03-01 2023-03-01 一种基于mogwo策略的边缘云协同任务卸载方法 Pending CN116405493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310182173.9A CN116405493A (zh) 2023-03-01 2023-03-01 一种基于mogwo策略的边缘云协同任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310182173.9A CN116405493A (zh) 2023-03-01 2023-03-01 一种基于mogwo策略的边缘云协同任务卸载方法

Publications (1)

Publication Number Publication Date
CN116405493A true CN116405493A (zh) 2023-07-07

Family

ID=87014932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310182173.9A Pending CN116405493A (zh) 2023-03-01 2023-03-01 一种基于mogwo策略的边缘云协同任务卸载方法

Country Status (1)

Country Link
CN (1) CN116405493A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117042051A (zh) * 2023-08-29 2023-11-10 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117042051A (zh) * 2023-08-29 2023-11-10 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质
CN117042051B (zh) * 2023-08-29 2024-03-08 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN111726826B (zh) 一种基站密集型边缘计算网络中的在线任务卸载方法
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN113296845B (zh) 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法
CN112380008B (zh) 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
Jiang et al. Distributed resource scheduling for large-scale MEC systems: A multiagent ensemble deep reinforcement learning with imitation acceleration
CN112784362A (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
CN113286317B (zh) 一种基于无线供能边缘网络的任务调度方法
Xu et al. Joint task offloading and resource optimization in noma-based vehicular edge computing: A game-theoretic drl approach
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
Zhang et al. New computing tasks offloading method for MEC based on prospect theory framework
CN115134242B (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
CN116405493A (zh) 一种基于mogwo策略的边缘云协同任务卸载方法
Ebrahim et al. A deep learning approach for task offloading in multi-UAV aided mobile edge computing
Agrawal et al. FLIHSBC: fuzzy logic and improved harmony search based clustering algorithm for wireless sensor networks to prolong the network lifetime
Jiang et al. A reinforcement learning-based computing offloading and resource allocation scheme in F-RAN
CN116185523A (zh) 一种任务卸载和部署的方法
CN115696452A (zh) 云边协同计算中的卸载决策与资源配置联合优化的博弈方法
CN116112953A (zh) 基于移动边缘计算的区块链任务卸载和资源分配方法
Zhang et al. A deep reinforcement learning approach for online computation offloading in mobile edge computing
CN113973113B (zh) 一种面向移动边缘计算的分布式服务迁移方法
Yin et al. Predictive gan-powered multi-objective optimization for hybrid federated split learning
Luo et al. Joint game theory and greedy optimization scheme of computation offloading for UAV-aided network
CN117221951A (zh) 车载边缘环境下基于深度强化学习的任务卸载方法
CN116663644A (zh) 一种多压缩版本的云边端dnn协同推理加速方法

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