CN116801309A - 一种面向不同时延敏感型任务的车辆卸载决策优化方法 - Google Patents

Abstract

本发明提供了一种面向不同时延敏感型任务的车辆卸载决策优化方法，首先，建立了一个多用户车联网移动边缘计算场景；其次，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；然后，基于不同时延敏感型任务的类别提出资源倾向性分配策略并应用改进的天鹰算法来求出任务卸载决策问题数学模型的最优解；最后，将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法；本方法通过所提的基于资源倾向性分配策略的改进天鹰算法来求解有限资源下卸载决策问题，能够有效地解决车辆计算资源不足的问题，节省了大量的时延敏感型任务的处理时延和能耗，提高了任务的完成率和可靠性，满足车联网环境下时延和能耗的要求。

Description

一种面向不同时延敏感型任务的车辆卸载决策优化方法

技术领域

本发明涉及移动边缘计算领域，更具体的，涉及一种面向不同时延敏感型任务的车辆卸载决策优化方法。

背景技术

随着车联网产业的迅速发展，车辆用户的基础通信、在线导航和在线娱乐的需求已经得到极大的满足，但计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战。对于当今的车联网移动边缘计算而言，移动边缘计算服务器在处理时延敏感度不同的计算任务时，如何将其可用的计算资源合理分配，降低整个车联网系统的运营成本并提高用户的满意度至关重要。

发明内容

本发明为了解决现有技术存在的技术问题，提供了一种面向不同时延敏感型任务的车辆卸载决策优化方法。该方法能够使系统内的车辆合理利用边缘计算服务器的计算资源，选择更好的任务卸载决策方案，进而降低任务总的平均时延和平均能耗，提高任务的成功率。

本发明的具体技术方案如下：

一种面向不同时延敏感型任务的车辆卸载决策优化方法，现有车载设备的计算和存储资源无法满足车载服务产生的海量数据的需求，边缘计算服务器ECS将计算下沉至用户端，可以同时降低数据传输延迟和设备能耗，本方法针对时延敏感度不同的任务，提出了优先级因子的概念，基于优先级因子提出资源倾向性分配策略，建立不同车辆任务关于时延和能耗的本地计算模型和边缘计算模型，建立的数学模型通过改进的天鹰优化算法求解，最后得到所有车辆任务在有限资源下的最优卸载决策方法；其中，通过对原始天鹰算法采用Tent混沌映射进行种群初始化，并融入反向学习策略到原始天鹰算法的位置更新中得到了改进后的天鹰算法，本方法的步骤如下：

步骤一，建立一个多用户车联网移动边缘计算场景：由边缘计算服务器ECS、路侧单元RSU和车辆构成；

步骤二，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；

步骤三，通过基于资源倾向性分配策略的改进天鹰优化算法ROAO得出数学模型的最优解，并将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法。

进一步的技术方案为：

步骤一中，建立一个多用户车联网移动边缘计算场景指的是：k个边缘计算服务器ECS与N个车辆产生的计算任务合理分配的问题；路侧单元RSU与车辆端通过车联网通信协议V2X进行通讯；路侧单元RSU与边缘计算服务器ECS通过5G专网进行通信，假设单位时间每个车辆产生一个计算任务。

步骤二的具体过程为：

车辆集合表示为边缘计算服务器ECS集合用/>表示，车辆i的计算任务被定义为/>其中H_i表示当前任务的数据量大小，Z_i表示完成该任务所需的计算量，T_i ^MAX表示当前任务可容忍最大时延；假设N个任务中有p个对时延敏感的A类任务和N-p个时延敏感度不高的B类任务需要处理，计算任务可以选择本地计算或者进行卸载到其中一个边缘计算服务器ECS进行计算；定义一个任务矩阵C＝[c₁,c₂,…,c_N]，c_i∈{0,1}表示车辆i需要处理的任务的分类，当c_i＝1时表示车辆i需要处理A类任务，当c_i＝0时表示车辆i需要处理B类任务，表述如下：

其中，a_i∈{0,1}表示任务计算模式的选择，当a_i＝1时表示车辆i选择本地计算模式，a_i＝0时表示车辆i选择卸载计算模式；b_i,n∈{0,1}表示车辆i的连接选择，b_i,n取值为1表示卸载到当前的边缘计算服务器ECS，取值为0则不是；γ_i表示车辆i的任务卸载决策；

(1)本地计算模型

计算任务在本地执行时，任务的时延主要是任务的处理时延，f_v,i表示车辆i分配给计算任务的计算频率；

一个计算周期的能量消耗可以用κf_v,i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此产生的能耗为：

E_v,i＝κf_v,i ²Z_i

(2)边缘计算模型

对于任意车辆i来说，其计算任务卸载到其中的一个边缘计算服务器ECS产生的时延可以分为三个部分：任务传输时延和任务处理时延和任务回传时延；而产生的能耗可以分为任务传输能耗和任务处理能耗，在本系统中由于边缘计算服务器ECS通过电缆供电，因此不考虑边缘计算服务器ECS的任务处理能耗；

考虑到A、B类任务对于时延的敏感度不同，A类任务所需的时延更短，因此在处理不同计算任务时，提出了一种资源倾向性分配策略：

为了满足A类任务相对B类任务更高的时延要求，本方法提出一个优先级因子Q的概念，且Q∈[0,1)；该数值的选取要遵循这个原则：对时延越敏感的任务其数值就要越大；优先级因子概念的提出使得在分配资源的过程中，能根据任务的紧急程度动态的分配计算资源，极大地提高了边缘计算服务器ECS的系统资源的利用率；则不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源分别为：

其中，p_n,A为第n个ECS上A类任务的个数，q_n,B为第n个ECS上B类任务的个数；

则不同的边缘计算服务器ECS上A类任务和B类任务产生的时延分别为：

不同的边缘计算服务器ECS上A类任务和B类任务产生的能耗为：

其中，表示不同的边缘计算服务器ECS上A类任务被分配的资源，/>表示不同的边缘计算服务器ECS上B类任务被分配的资源，K_i表示当前任务回传数据的大小，tr_VR表示网联车与路侧单元RSU之间的数据传输速率，tr_RE表示表示路侧单元RSU与边缘计算服务器ECS之间的数据传输速率，tr_EV表示边缘计算服务器ECS与网联车之间的数据传输速率，P_VR表示网联车在无线传输信道上的数据传输功率，P_RE表示路侧单元RSU与边缘计算服务器ECS之间的数据传输功率，P_EV表示网联车接收数据功率；

本方法的目标是分别最小化本系统中的N个任务所需的总平均时延和总平均能耗，其数学模型表述如下：

最终建立优化问题：

f＝min{T,E}

所述约束条件为：

其中，为第n个ECS上可利用的最大计算资源，/> 为A类任务能容忍的最大时延，/>为B类任务能容忍的最大时延。

步骤三的具体过程为：

过程(一)，算法初始化

(1)初始化任务

随机生成规模为N的任务群，任务类型分为两种，A类任务和B类任务，A类任务是时延敏感度高的任务，B类任务对时延敏感度要求不高；计算任务可以选择本地计算或者卸载到其中一个边缘计算服务器ECS进行计算；

(2)Tent混沌映射初始化鹰群

进行天鹰算法的基本参数设置，设置决策变量维度为N，当前迭代次数为t，最大迭代次数为T，随机生成的初始天鹰鹰群的规模为M，每只天鹰代表所有车辆的一种任务卸载决策方案

本方法采用Tent混沌映射对天鹰优化算法ROAO进行种群初始化，Tent混沌映射表达式如下：

公式中，x_n是0到1之间的随机值，x_n+1是混沌系数，当u＝0.5时，其Tent混沌映射的均匀性最好；虽然Tent混沌映射能使初始种群分布尽可能地均匀，但Tent混沌映射也有缺点，由于计算机的字节长度有限，当x_n是某个值时，经过一定次数的迭代后，x_n的值将不随着迭代次数而改变；有两种情况会使Tent混沌映射陷入非随机循环：其中一种情况是，若x_n的初始值属于{0.2，0.4，0.6，0.8}，需要对x_n重新取值，另一种情况是在计算过程中，若x_n+1的值属于{0，0.25，0.5，0.75}，需要加入随机偏移量，使Tent混沌映射跳出非随机循环；种群初始化算法过程中，要考虑以上两种情况；

由Tent混沌映射初始化鹰群得到的个体位置的公式为：

其中，表示第0代的第i只天鹰第j维变量的位置，UB和LB分别表示问题解的上界和下界；最终得到Tent混沌映射初始化种群的位置矩阵：

过程(二)，资源倾向性分配策略

应用步骤二中所述的资源倾向性分配策略对初始鹰群进行资源分配，得到不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源；

过程(三)，确定适应度函数

由步骤二知，本方法涉及的车联网场景系统的目标函数为：

f＝min{T,E}

确定评估天鹰位置优劣的适应度函数为：

Fitness＝f

Fitness越小表示适应能力越强，天鹰离猎物的距离越近，Fitness越大表示适应能力越弱，天鹰离猎物的距离越远；

计算天鹰鹰群内所有个体的适应度，并利用适应度函数评估天鹰位置的优劣，选出当前天鹰鹰群中适应度值最小的个体作为最优天鹰；

过程(四)，天鹰捕猎过程

天鹰优化算法ROAO通过模拟天鹰四种飞行捕食行为进行建模，它能够根据不同的猎物灵活地改变狩猎策略，每个阶段的具体描述如下：

(1)扩展探索X1阶段

在第一阶段即扩展探索X1阶段中，天鹰完成识别猎物区域以及垂直俯冲的高空飞行，选择最佳狩猎区域，此时天鹰在高空飞行识别猎物位置，其数学模型如下所示：

式中，X₁(t+1)为第一阶段生成的第t+1次迭代的解；X_best(t)是迭代到第t次的最佳解，它反映了猎物的大致位置，这个方程用于通过迭代次数来控制拓展探索，X_mean(t)表示第t次迭代时当前解的平均值，rand是0到1之间的随机值，t和T分别表示当前迭代次数和最大迭代次数；

(2)窄域探索X2阶段

在第二阶段即窄域探索X2阶段中，当从高空发现猎物区域时，天鹰在目标猎物上方盘旋，准备着陆，然后攻击，在这里，天鹰狭窄地探索目标猎物的选定区域，为攻击做准备，数学公式为：

X₂(t+1)＝X_best(t)×Levy(D)+X_R(t)+(y-x)×rand

y＝r×cos(θ)

x＝r×sin(θ)

r＝r₁+U×D₁

θ＝-w×D₁+θ₁

其中，X₂(t+1)是第二阶段生成的第t+1次迭代的解，Levy(D)是Levy飞行分布函数，X_R(t)是在第t次迭代时在[1,M]范围内获得的随机解；s＝0.01，u和v为[0,1]之间的随机数，β＝1.5；y和x用于表示搜索中的螺旋形状，r₁是搜索步长，r₁∈[1,20]，U,w为固定常数，U＝0.00565,w＝0.005,D₁是从1到搜索空间维数N的整数；

(3)扩展开发X3阶段

在第三阶段即扩展开发X3阶段中，当天鹰处于猎物区域，准备好着陆和攻击时，将采取垂直下降的方法进行初步攻击，数学公式为：

X₃(t+1)＝(X_best(t)-X_mean(t))×α-rand+((UB-LB)×rand+LB)×δ

其中，X₃(t+1)是第三阶段生成的第t+1次迭代的解，α和δ是开发调整参数，固定为较小值0.1；

(4)窄域开发X4阶段

在这个第四阶段即窄域开发X4阶段中，天鹰接近猎物，以及向猎物发起带有一定随机性的攻击，行走和抓取猎物的数学公式为：

X₄(t+1)＝QF(t)×X_best(t)-(G₁×X(t)×rand)-G₂×Levy(D)+rand×G₁

G₁＝2×rand-1

其中，X₄(t+1)是第四阶段生成的第t+1次迭代的解，QF(t)表示在第t次迭代时用于平衡搜索策略的质量函数，G₁表示在搜索猎物期间用于跟踪猎物的天鹰的各种运动，G₂呈现从2到0的递减值，表示天鹰的飞行速率，用于天鹰在从第一个位置到最后一个位置的过程中跟踪猎物；

通过天鹰优化算法模拟天鹰四种飞行捕食行为后，鹰群中个体的位置发生了改变，对更新后的天鹰进行资源倾向性分配，并计算当前所有个体适应度，若当前鹰群中个体适应度的最小值小于更新前最优天鹰的适应度值，则将该个体作为新的最优天鹰，否则保留原来的最优天鹰，继续追捕猎物；

过程(五)，反向学习策略

将反向学习策略融入到天鹰算法的位置更新中，数学表征如下：

X_b'_est(t)＝UB+rand×(LB-X_best(t))

其中，X_b'_est(t)是第t次迭代最优天鹰的反向解，是经过反向学习得到的新位置，b₁是为信息交流系数；对得到的新位置进行资源倾向性分配，并计算其适应度大小，通过比较新旧两个位置的适应度值，确定是否要更新位置；数学描述如下：

过程(六)，循环迭代得到最优解

进入循环迭代阶段，迭代次数t加1，跳转至过程(四)，继续执行过程(四)至过程(六)，直到达到最大迭代次数T，停止迭代；采用天鹰优化算法追捕猎物并采用反向学习策略加快追捕猎物的速度，使算法收敛更快，最终得到全局最优解，将得到的全局最优解所对应的任务卸载决策方案作为最终的卸载决策方案。

与现有技术相比本发明的有益效果是：

本发明提出了一种面向不同时延敏感型任务的车载终端卸载决策的优化方法，基于资源倾向性分配策略的改进天鹰算法ROAO，针对时延敏感度不同的任务，提出了优先级因子Q的概念，优先级因子可以有效反映不同任务处理的紧急程度，在实际车联网场景应用中，需要分析评估任务时延敏感度等级，从而确定系统标定Q值，使得在满足任务时延要求的同时，尽量降低系统总时延，充分利用系统资源，有效提升了系统的性能。基于优先级因子的概念，提出了资源倾向性分配策略，建立不同车辆任务关于时延和能耗的本地计算模型和边缘计算模型，建立的数学模型通过改进的天鹰优化算法求解，最后得到所有车辆任务在有限资源下的最优卸载决策方法，将该方法应用于车联网移动边缘计算系统中，使得系统内的车辆能更加合理地利用边缘计算服务器的计算资源，快速选择更好的任务卸载决策方案，能够降低任务总的平均时延和平均能耗，提高任务的成功率。

附图说明

下面结合附图对本发明作进一步的说明：

图1为本发明提供的一种面向不同时延敏感型任务的车辆卸载决策优化方法的流程图。

图2为本方法中步骤三中的Tent混沌映射种群初始化流程图。

图3为本方法中的步骤三中的基于资源倾向性分配策略的改进天鹰算法ROAO的流程图。

图4为本方法的时延仿真示意图。

图5为本方法的能耗仿真示意图。

图6为优先级因子与系统平均时延关系示意图。

图7为优先级因子与A、B类任务平均时延关系示意图。

具体实施方式

下面结合附图对本发明作详细的描述：

如图1，本发明提供的是一种面向不同时延敏感型任务的车辆卸载决策优化方法，现有车载设备的计算和存储资源无法满足车载服务产生的海量数据的需求，边缘计算服务器ECS将计算下沉至用户端，可以同时降低数据传输延迟和设备能耗，本方法针对时延敏感度不同的任务，提出了优先级因子的概念，基于优先级因子提出资源倾向性分配策略，建立不同车辆任务关于时延和能耗的本地计算模型和边缘计算模型，建立的数学模型通过改进的天鹰优化算法求解，最后得到所有车辆任务在有限资源下的最优卸载决策方法；其中，通过对原始天鹰算法采用Tent混沌映射进行种群初始化，并融入反向学习策略到原始天鹰算法的位置更新中得到了改进后的天鹰算法，包括下述步骤：

步骤一，建立一个多用户车联网移动边缘计算场景：由边缘计算服务器ECS、路侧单元RSU和车辆构成；建立一个多用户车联网移动边缘计算场景指的是：k个边缘计算服务器ECS与N个车辆产生的计算任务合理分配的问题，路侧单元RSU与车辆端通过车联网通信协议V2X进行通讯；路侧单元RSU与边缘计算服务器ECS通过5G专网进行通信，假设单位时间每个车辆产生一个计算任务，具体的，本实施例中，边缘计算服务器ECS的个数设置为3，路侧单元RSU的个数设置为3，车辆数N设置为100。

步骤二，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型，具体过程为：

车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务的数据量大小，设置为0.7MB至0.8MB之间随机分布，Z_i表示完成该任务所需的计算量，设置为0.4GHz至1.4GHz之间，为第n个ECS上可利用的最大计算资源，分别设置为80GHz，140GHz和200GHz，T_i ^MAX表示当前任务可容忍最大时延，/>为A类任务能容忍的最大时延，设置为0.8秒，/>为B类任务能容忍的最大时延，设置为1.5秒。

假设N个任务中有p个对时延敏感的A类任务和N-p个时延敏感度不高的B类任务需要处理，计算任务可以选择本地计算或者进行卸载到其中一个边缘计算服务器ECS进行计算；定义一个任务矩阵C＝[c₁,c₂,…,c_N]，c_i∈{0,1}表示车辆i需要处理的任务的分类，当c_i＝1时表示车辆i需要处理A类任务，当c_i＝0时表示车辆i需要处理B类任务，表述如下：

其中，a_i∈{0,1}表示任务计算模式的选择，当a_i＝1时表示车辆i选择本地计算模式，a_i＝0时表示车辆i选择卸载计算模式；b_i,n∈{0,1}表示车辆i的连接选择，b_i,n取值为1表示卸载到当前的边缘计算服务器ECS，取值为0则不是；γ_i表示车辆i的任务卸载决策；

(1)本地计算模型

计算任务在本地执行时，任务的时延主要是任务的处理时延，f_v,i表示车辆i分配给计算任务的计算频率；

一个计算周期的能量消耗可以用κf_v,i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此产生的能耗为：

E_v,i＝κf_v,i ²Z_i

(2)边缘计算模型

对于任意车辆i来说，其计算任务卸载到其中的一个边缘计算服务器ECS产生的时延可以分为三个部分：任务传输时延和任务处理时延和任务回传时延；而产生的能耗可以分为任务传输能耗和任务处理能耗，在本系统中由于边缘计算服务器ECS通过电缆供电，因此不考虑边缘计算服务器ECS的任务处理能耗；

考虑到A、B类任务对于时延的敏感度不同，A类任务所需的时延更短，因此在处理不同计算任务时，提出了一种资源倾向性分配策略：

为了满足A类任务相对B类任务更高的时延要求，本方法提出一个优先级因子Q的概念，且Q∈[0,1)；该数值的选取要遵循这个原则：对时延越敏感的任务其数值就要越大；优先级因子概念的提出使得在分配资源的过程中，能根据任务的紧急程度动态的分配计算资源，极大地提高了边缘计算服务器ECS的系统资源的利用率；则不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源分别为：

其中，p_n,A为第n个ECS上A类任务的个数，q_n,B为第n个ECS上B类任务的个数；

则不同的边缘计算服务器ECS上A类任务和B类任务产生的时延分别为：

不同的边缘计算服务器ECS上A类任务和B类任务产生的能耗为：

其中，表示不同的边缘计算服务器ECS上A类任务被分配的资源，/>表示不同的边缘计算服务器ECS上B类任务被分配的资源，K_i表示当前任务回传数据的大小，tr_VR表示网联车与路侧单元RSU之间的数据传输速率，tr_RE表示表示路侧单元RSU与边缘计算服务器ECS之间的数据传输速率，tr_EV表示边缘计算服务器ECS与网联车之间的数据传输速率，P_VR表示网联车在无线传输信道上的数据传输功率，P_RE表示路侧单元RSU与边缘计算服务器ECS之间的数据传输功率，P_EV表示网联车接收数据功率；

本方法的目标是分别最小化本系统中的N个任务所需的总平均时延和总平均能耗，其数学模型表述如下：

最终建立优化问题：

f＝min{T,E}

所述约束条件为：

其中，为第n个ECS上可利用的最大计算资源，/> 为A类任务能容忍的最大时延，/>为B类任务能容忍的最大时延。

步骤三，基于资源倾向性分配策略及改进的天鹰算法得出数学模型的最优解，具体过程为：

过程(一)，算法初始化

(1)初始化任务

随机生成规模为N的任务群，任务类型分为两种，A类任务和B类任务，A类任务是时延敏感度高的任务，B类任务对时延敏感度要求不高；计算任务可以选择本地计算或者卸载到其中一个边缘计算服务器ECS进行计算；

(2)Tent混沌映射初始化鹰群

进行天鹰算法的基本参数设置，设置决策变量维度N为100(即车辆数)，当前迭代次数t为1，最大迭代次数T为1000，随机生成初始天鹰鹰群的规模M为50，每只天鹰代表所有车辆的一种任务卸载决策方案

本方法采用Tent混沌映射对天鹰优化算法ROAO进行种群初始化，Tent混沌映射表达式如下：

公式中，x_n是0到1之间的随机值，x_n+1是混沌系数，当u＝0.5时，其Tent混沌映射的均匀性最好；虽然Tent混沌映射能使初始种群分布尽可能地均匀，但Tent混沌映射也有缺点，由于计算机的字节长度有限，当x_n是某个值时，经过一定次数的迭代后，x_n的值将不随着迭代次数而改变；有两种情况会使Tent混沌映射陷入非随机循环：其中一种情况是，若x_n的初始值属于{0.2，0.4，0.6，0.8}，需要对x_n重新取值，另一种情况是在计算过程中，若x_n+1的值属于{0，0.25，0.5，0.75}，需要加入随机偏移量，使Tent混沌映射跳出非随机循环；种群初始化算法过程中，要考虑以上两种情况；

由Tent混沌映射初始化鹰群得到的个体位置的公式为：

其中，表示第0代的第i只天鹰第j维变量的位置，UB和LB分别表示问题解的上界和下界；最终得到Tent混沌映射初始化种群的位置矩阵：

过程(二)，资源倾向性分配策略

应用步骤二中所述的资源倾向性分配策略对初始鹰群进行资源分配，得到不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源；

过程(三)，确定适应度函数

由步骤二知，本方法涉及的车联网场景系统的目标函数为：

f＝min{T,E}

确定评估天鹰位置优劣的适应度函数为：

Fitness＝f

Fitness越小表示适应能力越强，天鹰离猎物的距离越近，Fitness越大表示适应能力越弱，天鹰离猎物的距离越远；

计算天鹰鹰群内所有个体的适应度，并利用适应度函数评估天鹰位置的优劣，选出当前天鹰鹰群中适应度值最小的个体作为最优天鹰；

过程(四)，天鹰捕猎过程

天鹰优化算法ROAO通过模拟天鹰四种飞行捕食行为进行建模，它能够根据不同的猎物灵活地改变狩猎策略，每个阶段的具体描述如下：

(1)扩展探索X1阶段

在第一阶段即扩展探索X1阶段中，天鹰完成识别猎物区域以及垂直俯冲的高空飞行，选择最佳狩猎区域，此时天鹰在高空飞行识别猎物位置，其数学模型如下所示：

式中，X₁(t+1)为第一阶段生成的第t+1次迭代的解；X_best(t)是迭代到第t次的最佳解，它反映了猎物的大致位置，这个方程用于通过迭代次数来控制拓展探索，X_mean(t)表示第t次迭代时当前解的平均值，rand是0到1之间的随机值，t和T分别表示当前迭代次数和最大迭代次数；/>

(2)窄域探索X2阶段

在第二阶段即窄域探索X2阶段中，当从高空发现猎物区域时，天鹰在目标猎物上方盘旋，准备着陆，然后攻击，在这里，天鹰狭窄地探索目标猎物的选定区域，为攻击做准备，数学公式为：

X₂(t+1)＝X_best(t)×Levy(D)+X_R(t)+(y-x)×rand

y＝r×cos(θ)

x＝r×sin(θ)

r＝r₁+U×D₁

θ＝-w×D₁+θ₁

其中，X₂(t+1)是第二阶段生成的第t+1次迭代的解，Levy(D)是Levy飞行分布函数，X_R(t)是在第t次迭代时在[1,M]范围内获得的随机解；s＝0.01，u和v为[0,1]之间的随机数，β＝1.5；y和x用于表示搜索中的螺旋形状，r₁是搜索步长，r₁∈[1,20]，U,w为固定常数，U＝0.00565,w＝0.005,D₁是从1到搜索空间维数N的整数；(3)扩展开发X3阶段

在第三阶段即扩展开发X3阶段中，当天鹰处于猎物区域，准备好着陆和攻击时，将采取垂直下降的方法进行初步攻击，数学公式为：

X₃(t+1)＝(X_best(t)-X_mean(t))×α-rand+((UB-LB)×rand+LB)×δ

其中，X₃(t+1)是第三阶段生成的第t+1次迭代的解，α和δ是开发调整参数，固定为较小值0.1；

(4)窄域开发X4阶段

在这个第四阶段即窄域开发X4阶段中，天鹰接近猎物，以及向猎物发起带有一定随机性的攻击，行走和抓取猎物的数学公式为：

X₄(t+1)＝QF(t)×X_best(t)-(G₁×X(t)×rand)-G₂×Levy(D)+rand×G₁

G₁＝2×rand-1

其中，X₄(t+1)是第四阶段生成的第t+1次迭代的解，QF(t)表示在第t次迭代时用于平衡搜索策略的质量函数，G₁表示在搜索猎物期间用于跟踪猎物的天鹰的各种运动，G₂呈现从2到0的递减值，表示天鹰的飞行速率，用于天鹰在从第一个位置到最后一个位置的过程中跟踪猎物；

通过天鹰优化算法模拟天鹰四种飞行捕食行为后，鹰群中个体的位置发生了改变，对更新后的天鹰进行资源倾向性分配，并计算当前所有个体适应度，若当前鹰群中个体适应度的最小值小于更新前最优天鹰的适应度值，则将该个体作为新的最优天鹰，否则保留原来的最优天鹰，继续追捕猎物；

过程(五)，反向学习策略

将反向学习策略融入到天鹰算法的位置更新中，数学表征如下：

X_b'_est(t)＝UB+rand×(LB-X_best(t))

其中，X_b'_est(t)是第t次迭代最优天鹰的反向解，是经过反向学习得到的新位置，b₁是为信息交流系数；对得到的新位置进行资源倾向性分配，并计算其适应度大小，通过比较新旧两个位置的适应度值，确定是否要更新位置；数学描述如下：

过程(六)，循环迭代得到最优解

进入循环迭代阶段，迭代次数t加1，跳转至过程(四)，继续执行过程(四)至过程(六)，直到达到最大迭代次数T，停止迭代；采用天鹰优化算法追捕猎物并采用反向学习策略加快追捕猎物的速度，使算法收敛更快，最终得到全局最优解，将得到的全局最优解所对应的任务卸载决策方案作为最终的卸载决策方案。

基于资源倾向性分配策略的改进天鹰算法ROAO流程图如图3所示，其中，rand是0到1之间的随机数，当时，若rand小于0.5，执行扩展探索X1阶段，否则执行窄域探索X2阶段，当/>时，若rand小于0.5，执行扩展开发X3阶段，否则执行窄域开发X4阶段。

取优先级因子Q为0.5时进行上述步骤得到仿真结果，如图4和图5所示。取任务所需计算量Z为0.5GHz时，以优先级因子Q为自变量进行上述步骤得到仿真结果，如图6和图7所示。

图4为本方法所述的时延仿真示意图，分析了平均时延与任务所需计算量之间的关系。随着任务所需计算量的增加，系统的平均时延在增加。本方法提出的ROAO方案在系统平均时延优化方面性能强于随机卸载方案，在任务所需计算量为1GHz时，将时延减少了25.5％。

图5为本方法所述的能耗仿真示意图，分析了平均能耗与任务所需计算量之间的关系。随着任务所需计算量的增加，系统的平均能耗在增加。本方法提出的ROAO方案在系统平均能耗优化方面性能强于随机卸载方案，在任务所需计算量为1GHz时，将能耗减少了24.5％。

图6为优先级因子与系统平均时延关系示意图，图7为优先级因子与A、B类任务总时延关系示意图。优先级因子越大，表示A类任务对时延的要求越高，车联网系统资源向A类任务的倾向性越多，优先级因子越小，表示A类任务对时延的要求越低，车联网系统资源向A类任务的倾向性越少，当优先级因子为0时，表示系统资源分配时不再向A类任务倾斜。由图6及图7分析可知，在车联网系统可分配资源一定的情况下，Q值越大，处理A类任务的时延越低，但由于B类任务所分得的资源较少，处理B类任务的时延越高，这使得系统总时延增加，为了满足A类任务对时延的高敏感度，需要牺牲系统总时延为代价。所以，在实际车联网场景应用中，需要分析评估任务时延敏感度等级，从而确定系统标定Q值，使得在满足任务时延要求的同时，尽量降低系统总时延，充分利用系统资源，提升系统性能。

Claims (4)

1.一种面向不同时延敏感型任务的车辆卸载决策优化方法，现有车载设备的计算和存储资源无法满足车载服务产生的海量数据的需求，边缘计算服务器ECS将计算下沉至用户端，可以同时降低数据传输延迟和设备能耗，本方法针对时延敏感度不同的任务，提出了优先级因子的概念，基于优先级因子提出资源倾向性分配策略，建立不同车辆任务关于时延和能耗的本地计算模型和边缘计算模型，建立的数学模型通过改进的天鹰优化算法求解，最后得到所有车辆任务在有限资源下的最优卸载决策方法；其中，通过对原始天鹰算法采用Tent混沌映射进行种群初始化，并融入反向学习策略到原始天鹰算法的位置更新中得到了改进后的天鹰算法，其特征在于，本方法的步骤如下：

步骤一，建立一个多用户车联网移动边缘计算场景：由边缘计算服务器ECS、路侧单元RSU和车辆构成；

步骤二，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；

步骤三，通过基于资源倾向性分配策略的改进天鹰优化算法ROAO得出数学模型的最优解，并将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法。

2.根据权利要求1所述的一种面向不同时延敏感型任务的车辆卸载决策优化方法，其特征在于，步骤一中，建立一个多用户车联网移动边缘计算场景指的是：k个边缘计算服务器ECS与N个车辆产生的计算任务合理分配的问题；路侧单元RSU与车辆端通过车联网通信协议V2X进行通讯；路侧单元RSU与边缘计算服务器ECS通过5G专网进行通信，假设单位时间每个车辆产生一个计算任务。

3.根据权利要求2所述的一种面向不同时延敏感型任务的车辆卸载决策优化方法，其特征在于，步骤二的具体过程为：

车辆集合表示为边缘计算服务器ECS集合用/>表示，车辆i的计算任务被定义为/>其中H_i表示当前任务的数据量大小，Z_i表示完成该任务所需的计算量，T_i ^MAX表示当前任务可容忍最大时延；假设N个任务中有p个对时延敏感的A类任务和N-p个时延敏感度不高的B类任务需要处理，计算任务可以选择本地计算或者进行卸载到其中一个边缘计算服务器ECS进行计算；定义一个任务矩阵C＝[c₁,c₂,…,c_N]，c_i∈{0,1}表示车辆i需要处理的任务的分类，当c_i＝1时表示车辆i需要处理A类任务，当c_i＝0时表示车辆i需要处理B类任务，表述如下：

其中，a_i∈{0,1}表示任务计算模式的选择，当a_i＝1时表示车辆i选择本地计算模式，a_i＝0时表示车辆i选择卸载计算模式；b_i,n∈{0,1}表示车辆i的连接选择，b_i,n取值为1表示卸载到当前的边缘计算服务器ECS，取值为0则不是；γ_i表示车辆i的任务卸载决策；

(1)本地计算模型

计算任务在本地执行时，任务的时延主要是任务的处理时延，f_v,i表示车辆i分配给计算任务的计算频率；

一个计算周期的能量消耗可以用κf_v,i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此产生的能耗为：

E_v,i＝κf_v,i ²Z_i

(2)边缘计算模型

对于任意车辆i来说，其计算任务卸载到其中的一个边缘计算服务器ECS产生的时延可以分为三个部分：任务传输时延和任务处理时延和任务回传时延；而产生的能耗可以分为任务传输能耗和任务处理能耗，在本系统中由于边缘计算服务器ECS通过电缆供电，因此不考虑边缘计算服务器ECS的任务处理能耗；

考虑到A、B类任务对于时延的敏感度不同，A类任务所需的时延更短，因此在处理不同计算任务时，提出了一种资源倾向性分配策略：

为了满足A类任务相对B类任务更高的时延要求，本方法提出一个优先级因子Q的概念，且Q∈[0,1)；该数值的选取要遵循这个原则：对时延越敏感的任务其数值就要越大；优先级因子概念的提出使得在分配资源的过程中，能根据任务的紧急程度动态的分配计算资源，极大地提高了边缘计算服务器ECS的系统资源的利用率；则不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源分别为：

其中，p_n,A为第n个ECS上A类任务的个数，q_n,B为第n个ECS上B类任务的个数；

则不同的边缘计算服务器ECS上A类任务和B类任务产生的时延分别为：

不同的边缘计算服务器ECS上A类任务和B类任务产生的能耗为：

其中，f_ECSn,A,i表示不同的边缘计算服务器ECS上A类任务被分配的资源，f_ECSn,B,i表示不同的边缘计算服务器ECS上B类任务被分配的资源，K_i表示当前任务回传数据的大小，tr_VR表示网联车与路侧单元RSU之间的数据传输速率，tr_RE表示表示路侧单元RSU与边缘计算服务器ECS之间的数据传输速率，tr_EV表示边缘计算服务器ECS与网联车之间的数据传输速率，P_VR表示网联车在无线传输信道上的数据传输功率，P_RE表示路侧单元RSU与边缘计算服务器ECS之间的数据传输功率，P_EV表示网联车接收数据功率；

本方法的目标是分别最小化本系统中的N个任务所需的总平均时延和总平均能耗，其数学模型表述如下：

最终建立优化问题：

f＝min{T,E}

所述约束条件为：

其中，为第n个ECS上可利用的最大计算资源，/>为A类任务能容忍的最大时延，/>为B类任务能容忍的最大时延。

4.根据权利要求3所述的一种面向不同时延敏感型任务的车辆卸载决策优化方法，其特征在于，步骤三的具体过程为：

过程(一)，算法初始化

(1)初始化任务

随机生成规模为N的任务群，任务类型分为两种，A类任务和B类任务，A类任务是时延敏感度高的任务，B类任务对时延敏感度要求不高；计算任务可以选择本地计算或者卸载到其中一个边缘计算服务器ECS进行计算；

(2)Tent混沌映射初始化鹰群

进行天鹰算法的基本参数设置，设置决策变量维度为N，当前迭代次数为t，最大迭代次数为T，随机生成的初始天鹰鹰群的规模为M，每只天鹰代表所有车辆的一种任务卸载决策方案

本方法采用Tent混沌映射对天鹰优化算法ROAO进行种群初始化，Tent混沌映射表达式如下：

公式中，x_n是0到1之间的随机值，x_n+1是混沌系数，当u＝0.5时，其Tent混沌映射的均匀性最好；虽然Tent混沌映射能使初始种群分布尽可能地均匀，但Tent混沌映射也有缺点，由于计算机的字节长度有限，当x_n是某个值时，经过一定次数的迭代后，x_n的值将不随着迭代次数而改变；有两种情况会使Tent混沌映射陷入非随机循环：其中一种情况是，若x_n的初始值属于{0.2，0.4，0.6，0.8}，需要对x_n重新取值，另一种情况是在计算过程中，若x_n+1的值属于{0，0.25，0.5，0.75}，需要加入随机偏移量，使Tent混沌映射跳出非随机循环；种群初始化算法过程中，要考虑以上两种情况；

由Tent混沌映射初始化鹰群得到的个体位置的公式为：

其中，表示第0代的第i只天鹰第j维变量的位置，UB和LB分别表示问题解的上界和下界；最终得到Tent混沌映射初始化种群的位置矩阵：

过程(二)，资源倾向性分配策略

应用步骤二中所述的资源倾向性分配策略对初始鹰群进行资源分配，得到不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源；

过程(三)，确定适应度函数

由步骤二知，本方法涉及的车联网场景系统的目标函数为：

f＝min{T,E}

确定评估天鹰位置优劣的适应度函数为：

Fitness＝f

Fitness越小表示适应能力越强，天鹰离猎物的距离越近，Fitness越大表示适应能力越弱，天鹰离猎物的距离越远；

计算天鹰鹰群内所有个体的适应度，并利用适应度函数评估天鹰位置的优劣，选出当前天鹰鹰群中适应度值最小的个体作为最优天鹰；

过程(四)，天鹰捕猎过程

天鹰优化算法ROAO通过模拟天鹰四种飞行捕食行为进行建模，它能够根据不同的猎物灵活地改变狩猎策略，每个阶段的具体描述如下：

(1)扩展探索X1阶段

在第一阶段即扩展探索X1阶段中，天鹰完成识别猎物区域以及垂直俯冲的高空飞行，选择最佳狩猎区域，此时天鹰在高空飞行识别猎物位置，其数学模型如下所示：

式中，X₁(t+1)为第一阶段生成的第t+1次迭代的解；X_best(t)是迭代到第t次的最佳解，它反映了猎物的大致位置，这个方程用于通过迭代次数来控制拓展探索，X_mean(t)表示第t次迭代时当前解的平均值，rand是0到1之间的随机值，t和T分别表示当前迭代次数和最大迭代次数；

(2)窄域探索X2阶段

在第二阶段即窄域探索X2阶段中，当从高空发现猎物区域时，天鹰在目标猎物上方盘旋，准备着陆，然后攻击，在这里，天鹰狭窄地探索目标猎物的选定区域，为攻击做准备，数学公式为：

X₂(t+1)＝X_best(t)×Levy(D)+X_R(t)+(y-x)×rand

y＝r×cos(θ)

x＝r×sin(θ)

r＝r₁+U×D₁

θ＝-w×D₁+θ₁

其中，X₂(t+1)是第二阶段生成的第t+1次迭代的解，Levy(D)是Levy飞行分布函数，X_R(t)是在第t次迭代时在[1,M]范围内获得的随机解；s＝0.01，u和v为[0,1]之间的随机数，β＝1.5；y和x用于表示搜索中的螺旋形状，r₁是搜索步长，r₁∈[1,20]，U,w为固定常数，U＝0.00565,w＝0.005,D₁是从1到搜索空间维数N的整数；

(3)扩展开发X3阶段

在第三阶段即扩展开发X3阶段中，当天鹰处于猎物区域，准备好着陆和攻击时，将采取垂直下降的方法进行初步攻击，数学公式为：

X₃(t+1)＝(X_best(t)-X_mean(t))×α-rand+((UB-LB)×rand+LB)×δ

其中，X₃(t+1)是第三阶段生成的第t+1次迭代的解，α和δ是开发调整参数，固定为较小值0.1；

(4)窄域开发X4阶段

在这个第四阶段即窄域开发X4阶段中，天鹰接近猎物，以及向猎物发起带有一定随机性的攻击，行走和抓取猎物的数学公式为：

X₄(t+1)＝QF(t)×X_best(t)-(G₁×X(t)×rand)-G₂×Levy(D)+rand×G₁

G₁＝2×rand-1

其中，X₄(t+1)是第四阶段生成的第t+1次迭代的解，QF(t)表示在第t次迭代时用于平衡搜索策略的质量函数，G₁表示在搜索猎物期间用于跟踪猎物的天鹰的各种运动，G₂呈现从2到0的递减值，表示天鹰的飞行速率，用于天鹰在从第一个位置到最后一个位置的过程中跟踪猎物；

通过天鹰优化算法模拟天鹰四种飞行捕食行为后，鹰群中个体的位置发生了改变，对更新后的天鹰进行资源倾向性分配，并计算当前所有个体适应度，若当前鹰群中个体适应度的最小值小于更新前最优天鹰的适应度值，则将该个体作为新的最优天鹰，否则保留原来的最优天鹰，继续追捕猎物；

过程(五)，反向学习策略

将反向学习策略融入到天鹰算法的位置更新中，数学表征如下：

X′_best(t)＝UB+rand×(LB-X_best(t))

其中，X′_best(t)是第t次迭代最优天鹰的反向解，是经过反向学习得到的新位置，b₁是为信息交流系数；对得到的新位置进行资源倾向性分配，并计算其适应度大小，通过比较新旧两个位置的适应度值，确定是否要更新位置；数学描述如下：

过程(六)，循环迭代得到最优解

进入循环迭代阶段，迭代次数t加1，跳转至过程(四)，继续执行过程(四)至过程(六)，直到达到最大迭代次数T，停止迭代；采用天鹰优化算法追捕猎物并采用反向学习策略加快追捕猎物的速度，使算法收敛更快，最终得到全局最优解，将得到的全局最优解所对应的任务卸载决策方案作为最终的卸载决策方案。