CN116916272A - 基于自动驾驶汽车网络的资源分配和任务卸载方法及系统 - Google Patents
基于自动驾驶汽车网络的资源分配和任务卸载方法及系统 Download PDFInfo
- Publication number
- CN116916272A CN116916272A CN202310920462.4A CN202310920462A CN116916272A CN 116916272 A CN116916272 A CN 116916272A CN 202310920462 A CN202310920462 A CN 202310920462A CN 116916272 A CN116916272 A CN 116916272A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- decision
- task
- optimal
- unloading
- 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
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 239000002245 particle Substances 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 59
- 238000005265 energy consumption Methods 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于无线通信技术领域,提出了一种基于自动驾驶汽车网络的资源分配和任务卸载方法及系统,包括:构建边缘计算系统;构建系统评价函数;将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;循环迭代得到最优的资源分配决策和任务卸载决策。本申请利用遗传算法求解离散变量的优点和粒子群算法求解连续变量的优点进行联合求解,能够避免传统算法快速进入局部最优解的困境。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种基于自动驾驶汽车网络的资源分配和任务卸载方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近年来,移动互联网技术飞速发展,车联网在减少交通事故、缓解交通拥堵、提供各种实时便捷服务等方面的显著优势引起了人们的广泛关注。比如在智能导航的情况下,交通场景被实时传输到车载计算机,车载计算机会自动为驾驶员规划出最便捷的路线。这些应用大多需要对视频数据进行动态处理和实时交互,这需要车辆具有强大的计算能力和严格的延迟约束。其中为了解决关键数据包传输时延和可靠性的严格要求,为了促进自动驾驶技术的发展,超可靠低延迟通信(Ultra Reliable Low Latency Communication,URLLC)被设计产生。为了满足自动驾驶车机系统的低延迟高数据量的要求,单个汽车的计算能力可能不足,因此需要移动边缘计算(Mobile Edge Computing,MEC),通过将任务卸载到附近的MEC服务器来帮助减轻终端的工作量,在满足服务质量的要求下,为自动驾驶车机网络进行合理的任务卸载和资源分配是个非常严峻的挑战。当车辆任务被卸载到边缘节点时,需要考虑分配在车辆设备上进行计算和卸载时的能耗和时延比例,才能更好地卸载任务。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于自动驾驶汽车网络的资源分配和任务卸载方法及系统,以满足自动驾驶车机系统任务处理地最小化时延和能耗。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种基于自动驾驶汽车网络的资源分配和任务卸载方法,包括:
步骤S1、构建基于边缘服务器的满足自动驾驶需求的边缘计算系统;
步骤S2、基于系统的时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统评价函数;
步骤S3、将资源分配和任务卸载的联合优化问题分解,将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;
步骤S4、基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;
所述基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,包括:根据初始给定资源分配决策确定任务卸载决策的初始种群;
根据系统评价函数计算初始种群中每个个体的适应度,根据适应度确定个体被选择的概率;
设置交叉机制对被选择的个体中的基因进行交叉,更新初始种群;
基于变异操作对新的种群中的个体进行变异,根据每个个体的适应度决定个体的变异概率;
重复对新的种群中的个体进行交叉和变异,直至满足迭代次数,得到最优的任务卸载决策;
步骤S5、基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;
步骤S6、循环迭代步骤S4-步骤S5直至达到设定循环次数,得到最优的资源分配决策和任务卸载决策。
本发明第二方面提供了一种基于自动驾驶汽车网络的资源分配和任务卸载系统,包括:
边缘计算系统构建模块,被配置为:构建基于边缘服务器的满足自动驾驶需求的边缘计算系统;
系统评价函数构建模块,被配置为:基于系统的时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统评价函数;
联合优化分解模块,被配置为:将资源分配和任务卸载的联合优化问题分解,将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;
最优卸载决策求解模块,被配置为:基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;
所述基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,包括:根据初始给定资源分配决策确定任务卸载决策的初始种群;
根据系统评价函数计算初始种群中每个个体的适应度,根据适应度确定个体被选择的概率;
设置交叉机制对被选择的个体中的基因进行交叉,更新初始种群;
基于变异操作对新的种群中的个体进行变异,根据每个个体的适应度决定个体的变异概率;
重复对新的种群中的个体进行交叉和变异,直至满足迭代次数,得到最优的任务卸载决策;
最优资源分配决策求解模块,被配置为:基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;
循环迭代模块,被配置为:循环迭代最优卸载决策求解过程和最优资源分配决策求解过程直至达到设定循环次数,得到最优的资源分配决策和任务卸载决策。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本申请采用了改进后的联合算法求解最优任务卸载、通信带宽和计算资源分配方案,利用遗传算法求解离散变量的优点和粒子群算法求解连续变量的优点进行联合求解,能够避免传统算法快速进入局部最优解的困境。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的一种基于自动驾驶汽车网络的资源分配和任务卸载方法流程图。
图2为第一个实施例的任务卸载和资源分配模型示意图。
图3为第一个实施例的任务卸载方法所用到的遗传算法流程图。
图4为第一个实施例的资源分配方法所用到的粒子群算法流程图。
具体实施方式
实施例一
如图1所示,本实施例公开了一种基于自动驾驶汽车网络的资源分配和任务卸载方法,包括:
步骤S1:构建基于边缘服务器的满足自动驾驶需求的边缘计算系统;
步骤S2:基于系统的时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统评价函数;
步骤S3:将资源分配和任务卸载的联合优化问题分解,将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;
步骤S4:基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;
步骤S5:基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;
步骤S6:循环迭代步骤S4和步骤S5,直至达到设定循环次数T,得到最优任务卸载决策和最优资源分配决策。
在步骤S1中,边缘计算系统为基于边缘计算网络的自动驾驶车机系统模型,其网络架构为:假设在车联网系统中有N个车机接入,表示为N={1,2,3…,N},且每个车机同一时间内只有一个任务,则第i个车机需要处理的应用为Ai,用一个多元数组来表示这个应用任务为:
其中,为车机选择卸载任务到边缘节点时需要上传的数据量,Si为CPU处理应用需要上传的指令数,/>是车机从边缘节点下载任务结果时需要下载的数据量,/>是处理Ai的所能忍受的最大时延,Li(m,n)为车辆所处位置。
本实施例中假设每个车机的任务同一时间内只有一个。所以N个自动驾驶车辆产生的任务集合表示为A={A1,A2,A3…,AN};信道带宽为W,根据车辆数量对信道带宽进行分配;假设每个边缘节点的计算能力是相同且有限的,记作FMEC;假设每部车机的计算能力是相同的,记作FA,系统云资源由一个中心云和k个边缘节点构成,中心云除了是控制中心,且是一个具有丰富计算资源的云平台,中心云CPU处理速度为Fc,无论服务多少车机,每个车机的计算资源保持不变。第K个边缘节点的计算能力表示为且/>
对边缘计算系统进行建模包括:
S101:自动驾驶通信模型(又称自动驾驶车机网络的传输速率模型):
假设在边缘计算模型中有M个基站,每个基站后与一个边缘节点连接,每个车机通过一个共享信道接入基站,本实施例假定无线通信符合瑞利信道模型。车机连接到基站的信道增益为:
gi.m=(di.m)-αβi.m (2)
di.m表示车机系统连接到边缘节点的距离,α表示路径损耗因子,β表示信道衰落因子。
则该车机的数据上传功率为:
表示基站的传输带宽,Pi为车机i的发射功率,Cm为连接基站m的所有车机,Cm\{i}表示为除了车机i外连接基站m的所有用户,N0为噪声功率。本实施例中不考虑车机之间的干扰。该车机的下载功率同上传功率。
S102:车机的时延模型:
假如选择将任务卸载到本地,为CPU处理该任务所需的指令数,移动设备的处理能力为fli,则时延模型为:
假如选择应用任务卸载到边缘节点,则时延模型为:
本实施例中假设每个车机的任务同一时间内只有一个。其中表示处理车机i的应用任务花费的总时延,/>表示上传该任务到边缘节点花费的时间,/>表示在边缘服务器上处理该任务花费的时间,/>表示任务处理好后从边缘节点下载所花费的时间。
其中,D表示该应用任务的数据量,表示此时的传输速度,fi表示边缘节点的处理能力;/>表示此时的下载速度。
S103:计算资源和能量损耗模型(能耗模型)
假如选择把任务卸载到本地,则能耗模型为:
El=κ(fii)2Si (9)
其中,κ表示由芯片结构得来的能量因子,由芯片内部电路的设计和组织方式来决定,根据以往文献将其设定为κ=10-11,fii表示车机本地的CPU处理速度,Si为处理该任务所需的指令数。
假如选择把任务卸载到边缘节点上,则能耗模型为:
其中,Pn表示车机传输数据和接受数据的功率,Pexcution为边缘节点计算任务和等待时消耗的功率;表示在边缘节点计算任务和等待时消耗的时间。
在步骤S2中,基于时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统模型中所有的自动驾驶车辆车机时延和能耗的加权成本模型,表示为:
其中,Q表示自动驾驶车机时延和能耗的加权成本总和,αi表示每个设备上的任务的处理决策分为本地处理或者卸载处理,αi=1表示任务在车机本地处理,αi=0表示卸载到边缘节点处理;和/>表示任务本地处理和卸载到边缘节点的时延;/>和/>表示任务本地处理和卸载到边缘节点的能耗。
C6:αi∈{0,1}(17)
C1中表示车机i分配到的计算资源,/>表示边缘节点的计算资源,表示如果车机选择卸载到边缘节点,即为车机i分配的计算资源不能超过边缘节点;C2表示所有连接到同一个微云的设备被分配到的计算资源总数/>不能超过总的计算资源/>C3和C4表示连接到同一个基站的所有车机上行带宽BWi up和下行带宽BWi down不超过基站可以提供的总的带宽/>和/>C5表示每个任务在本地处理花费的能量/>和卸载到边缘节点花费的能量EC在阈值/>内;C6表示每个设备上的任务的处理决策分为本地处理或者卸载处理。
步骤S3包括:
步骤S301:设置初始种群,种群中每个个体为一种任务卸载及资源分配方案,种群定义为:
G={C1,C2,…Cj,…,Cs} (18)
G表示初始种群,Cj表示第j个个体,j=1,2,…,S,初始种群共S个个体,每个个体包含云选择、计算资源分配和通信带宽分配三个部分,被编码为一个整数和实数字符串,代表相应的方案,表示为:
其中,Cj表示第j种任务卸载及资源分配方案,其中,xji表示第j种方案下第i个车机选择的卸载位置,i值为正整数;yji∈[0,1]表示第j种方案下第i个车机分配到的计算资源;zji∈[0,1]表示第j种方案下第i个车机分配到的通信带宽资源;i=1,2,…,N。
步骤S302:设置整体迭代次数T,表示为交替循环遗传算法和粒子群算法的次数。
在步骤S4中:将给定初始资源分配条件下的卸载决策函数分解为卸载到车机设备的功率和时延函数以及卸载到边缘节点的功率和时延函数;
如图3所示,步骤S4包括:
步骤S401:固定计算资源和通信带宽资源分配策略,首次进行遗传算法迭代则初始化一组计算资源和通信带宽资源分配策略,交替循环步骤S4和步骤S5时,则将步骤S5中的最优资源分配策略作为遗传算法迭代过程中的给定的计算资源和通信带宽资源分配策略;
步骤S402:随机生成S个卸载决策,联合S401中得到的计算资源分配和通信带宽分配策略得到一个初始遗传算法种群,种群中个体拥有相同的计算资源分配和通信带宽分配策略;
步骤S403:设置迭代次数T1,为单次遗传算法中迭代次数;设置适应度函数,本发明将卸载策略的时延和功耗的加权即式(11)作为适应度评价函数,计算每个个体的加权成本即为当前该个体的适应度,加权成本越高适应度越大;种群中个体即每种卸载策略的适应度表示为:
QT={q1,q2,…qj…qS} (20)
整个种群的总适应度为:
所以每个个体被选中的概率为:
相当于一个转盘被分为S个部分,每个部分占比为Pj,每次挑选个体时,适应度高的个体被选的概率比较大。
步骤S404:执行交叉操作对种群中的个体进行交叉;
具体的,生成一个总个数为(N+2)*1的交叉因子序列,N为接入网络的车机数量,序列由0和1组成,且0和1根据交叉概率出现;
在交叉因子为1时,个体相应位置的基因互换,为0时,相应位置保持不变。交叉因子序列中的后两位表示对计算资源和通信带宽资源的改变,对于计算资源和通信带宽资源,如果交叉因子保持不变;如果交叉因子为1,则随机乘一个交叉数,这个数字分布在0和1之间,且遵从以下规则:
aj′=(1-β)×aj+β×bj (23)
bj'=(1-β)×bj+β×aj (24)
β是一个随机的加权数,代表对计算资源和通信带宽资源影响的程度,aj和bj是父类个体中当前个体j的资源分配或通信带宽分配方案。
步骤S405:变异过程:对于每个个体生成一个二进制的3×1的变异因子序列,根据每个个体的适应度决定变异概率:
该概率公式表示适应度越高的个体,发生变异的概率更高,可以防止很快陷入局部最优解。
在选择卸载位置部分,如果变异因子为1,则随机选择两个变异点进行决策交换;如果变异因子为0,则各个位置保持不变。选择原则为采取挑选变异点的原则为变异概率最高的基因为变异点,子代该点的变异值为0-1的随机值。
步骤S406:重复以上过程直到达到迭代次数T1。
如图5所示,步骤S5:基于粒子群算法求解基于任务卸载优化结果下的最优资源分配和通信带宽分配策略,包括:
步骤S501:获得S4中生成的最优任务卸载策略;
步骤S502:随机生成S个资源分配和通信带宽分配策略,联合S501中得到的任务卸载策略得到一个初始粒子群算法种群,种群中个体拥有相同的任务卸载策略;设置迭代次数T2;
步骤S503:在粒子迭代中,通过适应度函数进行评价即:
适应度函数Q值越小表示当前方案更优,通过记录历史数据,获得整个种群的最优和个体粒子最优;每次迭代都选择每个粒子自身的最优解,并选择具有最佳适应度的粒子作为当前迭代中的全局最优解;
步骤S504:粒子进行迭代时速度和位置更新过程通过下式实现:
其中,为第γ个粒子在第t代中第d维空间上的速度;/>相应表示为第γ个粒子的位置;/>为第γ个粒子的个体最优解;/>为全局最优解;c1和c2为学习因子,表示粒子向个体最优解和全局最优解靠近的程度;r1和r2为[0,1]内的随机数;w为惯性权重,决定当前粒子速度继承的程度.较大的惯性权重w有利于跳出局部最优,进行全局寻优;较小的w值有利于局部寻优,加速算法收敛。根据此速度与位置更新公式更新每个粒子,并重新计算每个粒子的适应度;
步骤S504更新每个粒子的个人最佳粒子;如果存在比原始最优粒子更好的解,则更新全局最优粒子。
步骤S505:迭代步骤S503-步骤S504,直到达到规定次数T2,获得最优资源分配和通信带宽分配方案。
在步骤S6中,交替迭代步骤S4和步骤S5至规定次数T,获得整体最优卸载决策、资源分配和通信带宽分配方案。
实施例二
本实施例公开了一种基于自动驾驶汽车网络的资源分配和任务卸载系统,包括:
边缘计算系统构建模块,被配置为:构建基于边缘服务器的满足自动驾驶需求的边缘计算系统;
系统评价函数构建模块,被配置为:基于系统的时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统评价函数;
联合优化分解模块,被配置为:将资源分配和任务卸载的联合优化问题分解,将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;
最优卸载决策求解模块,被配置为:基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;
所述基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,包括:根据初始给定资源分配决策确定任务卸载决策的初始种群;
根据系统评价函数计算初始种群中每个个体的适应度,根据适应度确定个体被选择的概率;
设置交叉机制对被选择的个体中的基因进行交叉,更新初始种群;
基于变异操作对新的种群中的个体进行变异,根据每个个体的适应度决定个体的变异概率;
重复对新的种群中的个体进行交叉和变异,直至满足迭代次数,得到最优的任务卸载决策;
最优资源分配决策求解模块,被配置为:基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;
循环迭代模块,被配置为:循环迭代最优卸载决策求解过程和最优资源分配决策求解过程直至达到设定循环次数,得到最优的资源分配决策和任务卸载决策。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例1所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,包括:
步骤S1、构建基于边缘服务器的满足自动驾驶需求的边缘计算系统;
步骤S2、基于系统的时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统评价函数;
步骤S3、将资源分配和任务卸载的联合优化问题分解,将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;
步骤S4、基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;
所述基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,包括:根据初始给定资源分配决策确定任务卸载决策的初始种群;
根据系统评价函数计算初始种群中每个个体的适应度,根据适应度确定个体被选择的概率;
设置交叉机制对被选择的个体中的基因进行交叉,更新初始种群;
基于变异操作对新的种群中的个体进行变异,根据每个个体的适应度决定个体的变异概率;
重复对新的种群中的个体进行交叉和变异,直至满足迭代次数,得到最优的任务卸载决策;
步骤S5、基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;
步骤S6、循环迭代步骤S4-步骤S5直至达到设定循环次数,得到最优的资源分配决策和任务卸载决策。
2.如权利要求1所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,所述边缘计算系统的网络架构包括系统云资源和自动驾驶车机系统,所述系统云资源包括一个中心云服务器和多个边缘服务器,自动驾驶车机系统通过共享信道接入基站,基站连接边缘服务器,自动驾驶车机系统从边缘服务器下载任务以及卸载任务至边缘服务器;
对所述边缘计算系统进行建模,包括建立自动驾驶通信模型,时延模型以及计算资源和能量损耗模型。
3.如权利要求1所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,所述设置交叉机制对被选择的个体的基因进行交叉,包括:
生成一个总个数为(N+2)*1的交叉因子序列,N为接入系统的车机数量,序列由0和1组成,且0和1根据交叉概率出现;
在交叉因子为1时,个体相应位置的基因互换;为0时,相应位置保持不变;
交叉因子序列中的后两位表示对计算资源和通信带宽资源的改变,对于计算资源和通信带宽资源,如果交叉因子为0,则保持不变;如果交叉因子为1,则随机乘一个交叉数;
交叉数分布在0和1之间,且遵从以下规则:
a′j=(1-β)×aj+β×bj
bj′=(1-β)×bj+β×aj
β是一个随机的加权数,代表对计算资源和通信带宽资源影响的程度,aj和bj是父类个体中当前个体j的资源分配或通信带宽分配方案。
4.如权利要求1所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,所述基于变异操作对新的种群中的个体进行变异,包括:对于每个个体生成一个二进制的变异因子序列;
在选择卸载位置部分,如果变异因子为1,则随机选择两个变异点进行卸载决策交换;如果变异因子为0,则各个位置保持不变。
5.如权利要求1所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,所述步骤S5包括:
根据步骤S4得到的任务卸载决策以及初始化的资源分配决策得到粒子群;
将系统联合优化函数作为适应度评价函数,在粒子迭代中,根据适应度评价函数计算粒子群中每个粒子的适应度;
根据每个粒子的适应度选择个体最佳粒子和全局最优粒子;
根据粒子更新策略更新个体最佳粒子和全局最优粒子,直至满足迭代次数,得到最优的资源分配决策。
6.如权利要求5所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,所述粒子更新策略包括:
选择个体最佳粒子,并选择具有最优适应度的粒子作为当前迭代中的全局最优粒子;
更新粒子的位置和速度,重新计算每个粒子的适应度;
更新个体最佳粒子,如果存在比原始全局最优粒子更好的解,则更新全局最优粒子。
7.如权利要求6所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法,其特征在于,所述更新粒子的位置和速度为:
其中,为第γ个粒子在第t代中第d维空间上的速度;/>表示为第γ个粒子的位置;/>为第γ个粒子的个体最优解;/>为全局最优解;c1和c2为学习因子,表示粒子向个体最优解和全局最优解靠近的程度;r1和r2为[0,1]内的随机数;w为惯性权重,决定当前粒子速度继承的程度。
8.一种基于自动驾驶汽车网络的资源分配和任务卸载系统,其特征在于:包括:
边缘计算系统构建模块,被配置为:构建基于边缘服务器的满足自动驾驶需求的边缘计算系统;
系统评价函数构建模块,被配置为:基于系统的时延和能耗的优化目标,联合卸载决策、通信功率、时延和能耗,加权后构建系统评价函数;
联合优化分解模块,被配置为:将资源分配和任务卸载的联合优化问题分解,将系统评价函数分解为初始给定资源分配决策下的任务卸载优化函数和在基于任务卸载优化结果下的资源分配优化函数;
最优卸载决策求解模块,被配置为:基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,得到最优任务卸载决策;
所述基于改进的遗传算法求解在初始给定资源分配决策下的任务卸载优化函数,包括:根据初始给定资源分配决策确定任务卸载决策的初始种群;
根据系统评价函数计算初始种群中每个个体的适应度,根据适应度确定个体被选择的概率;
设置交叉机制对被选择的个体中的基因进行交叉,更新初始种群;
基于变异操作对新的种群中的个体进行变异,根据每个个体的适应度决定个体的变异概率;
重复对新的种群中的个体进行交叉和变异,直至满足迭代次数,得到最优的任务卸载决策;
最优资源分配决策求解模块,被配置为:基于粒子群算法求解基于任务卸载优化结果下的资源分配优化函数,得到最优资源分配决策;
循环迭代模块,被配置为:循环迭代最优卸载决策求解过程和最优资源分配决策求解过程直至达到设定循环次数,得到最优的资源分配决策和任务卸载决策。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法中的步骤。
10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于自动驾驶汽车网络的资源分配和任务卸载方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310920462.4A CN116916272A (zh) | 2023-07-24 | 2023-07-24 | 基于自动驾驶汽车网络的资源分配和任务卸载方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310920462.4A CN116916272A (zh) | 2023-07-24 | 2023-07-24 | 基于自动驾驶汽车网络的资源分配和任务卸载方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116916272A true CN116916272A (zh) | 2023-10-20 |
Family
ID=88350851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310920462.4A Pending CN116916272A (zh) | 2023-07-24 | 2023-07-24 | 基于自动驾驶汽车网络的资源分配和任务卸载方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116916272A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117596122A (zh) * | 2024-01-17 | 2024-02-23 | 北京交通大学 | 一种通算融合网络架构及资源适配方法 |
-
2023
- 2023-07-24 CN CN202310920462.4A patent/CN116916272A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117596122A (zh) * | 2024-01-17 | 2024-02-23 | 北京交通大学 | 一种通算融合网络架构及资源适配方法 |
CN117596122B (zh) * | 2024-01-17 | 2024-04-09 | 北京交通大学 | 一种通算融合网络架构及资源适配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109756378B (zh) | 一种车载网络下的智能计算卸载方法 | |
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
Chen et al. | iRAF: A deep reinforcement learning approach for collaborative mobile edge computing IoT networks | |
Chen et al. | Efficiency and fairness oriented dynamic task offloading in internet of vehicles | |
CN111586696A (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN114143346B (zh) | 一种车联网任务卸载和服务缓存的联合优化方法及系统 | |
CN111447005B (zh) | 软件定义卫星网络的链路规划方法和装置 | |
CN111629380A (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
CN113867843B (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
Nguyen et al. | DRL‐based intelligent resource allocation for diverse QoS in 5G and toward 6G vehicular networks: a comprehensive survey | |
CN113645273B (zh) | 基于业务优先级的车联网任务卸载方法 | |
CN116916272A (zh) | 基于自动驾驶汽车网络的资源分配和任务卸载方法及系统 | |
CN115065683B (zh) | 基于车辆聚类的车辆边缘网络任务分配卸载方法 | |
Lan et al. | Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks | |
CN116541106A (zh) | 计算任务卸载方法、计算设备及存储介质 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN114785397A (zh) | 无人机基站控制方法、飞行轨迹优化模型构建、训练方法 | |
CN115037751A (zh) | 一种无人机辅助的异构车联网任务迁移与资源分配方法 | |
CN113783959B (zh) | 一种车联网联合优化计算任务卸载比率和资源分配方法 | |
Wang et al. | Improving the performance of tasks offloading for internet of vehicles via deep reinforcement learning methods | |
CN114629769A (zh) | 自组织网络的流量图谱生成方法 | |
CN116996511A (zh) | 端边云动态卸载框架中智能车辆的卸载任务分配方法 | |
CN116737391A (zh) | 一种联邦模式下基于混合策略的边缘计算协作方法 | |
CN116744367A (zh) | 车联网下基于双层卸载机制和多智能体算法的卸载方法 | |
CN114637552B (zh) | 一种基于模糊逻辑策略的雾计算任务卸载方法 |
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 |