CN116932086A - 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 - Google Patents
一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 Download PDFInfo
- Publication number
- CN116932086A CN116932086A CN202310939777.3A CN202310939777A CN116932086A CN 116932086 A CN116932086 A CN 116932086A CN 202310939777 A CN202310939777 A CN 202310939777A CN 116932086 A CN116932086 A CN 116932086A
- Authority
- CN
- China
- Prior art keywords
- unloading
- task
- computing
- algorithm
- mobile edge
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005265 energy consumption Methods 0.000 claims abstract description 43
- 238000013468 resource allocation Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 26
- 230000005540 biological transmission Effects 0.000 description 14
- 241000283973 Oryctolagus cuniculus Species 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009189 diving Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 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
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统，涉及计算卸载技术领域，基于获取的当前移动边缘计算网络信息，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型；基于哈里斯鹰算法，以优化目标和约束条件建立适应度函数，确定最优卸载决策和资源分配方案；基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源；本发明结合本地终端设备的电量信息及充电状态信息，综合考虑能耗和时延卸载成本，建立多用户多任务多服务器场景下的边缘计算卸载系统模型，采用哈里斯鹰算法对卸载决策和资源分配变量进行求解，最终获得最优的卸载决策和资源分配方案。
Description
技术领域
本发明属于计算卸载技术领域，尤其涉及一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统。
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。
随着移动互联网和芯片技术的发展，终端设备(如智能手机、平板电脑)及其应用数据不断增加，用户对计算资源的需求也在不断增加；针对本地终端设备计算资源不足的问题，业界推出了移动云计算(MCC)解决方案；移动云计算将任务转移到云计算中心，在具有足够计算能力的远程数据中心进行计算，再将计算结果返回到本地终端设备，有效地解决了本地终端设备计算资源不足的问题。
然而，近年来，虚拟现实、增强现实、自动驾驶、网络游戏等新的计算任务在本地终端设备上不断增加，对计算能力和网络传输时延提出了更高的要求；通常，需要强大的计算能力以极低的延迟处理和返回结果；对于移动云计算解决方案，由于其服务器部署在远程数据中心，网络传输延迟高，无法处理此类任务；2014年，业界针对新任务提出了移动边缘计算的最新解决方案；其核心思想是将计算资源部署在网络的边缘，以获得较低的网络传输延迟，从而满足新任务的运行要求。
移动边缘计算作为第5代移动通信技术(5G)的关键技术，解决了计算和传输延迟问题，同时降低了本地终端设备的功耗，计算卸载技术是移动边缘计算的关键技术；如何合理地卸载任务和分配资源，降低边缘系统的卸载成本，提高用户的边缘计算体验，是边缘网络需要解决的关键问题。
现有的移动边缘计算卸载方案，没有考虑在多设备多任务多服务器的场景下边缘服务器的计算资源分配问题，所以方案的适用性不高、鲁棒性差，性能有待进一步提高。
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哈里斯鹰算法的移动边缘计算卸载方法及系统，结合本地终端设备的电量信息及充电状态信息，综合考虑能耗和时延卸载成本，建立多用户多任务多服务器场景下的边缘计算卸载系统模型，采用哈里斯鹰算法对卸载决策和资源分配变量进行求解，最终获得最优的卸载决策和资源分配方案。
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哈里斯鹰算法的移动边缘计算卸载方法。
一种基于哈里斯鹰算法的移动边缘计算卸载方法，用于多用户多任务多边缘服务器场景下移动边缘计算网络的任务卸载，具体步骤包括：
基于获取的当前移动边缘计算网络信息，在时延、能耗权重自适应的情况下，联合优化任务卸载决策和计算资源分配，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型；
基于哈里斯鹰算法，以优化目标和约束条件建立适应度函数，最终确定所述移动边缘计算网络的最优卸载决策和资源分配方案；
基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源。
进一步的，所述移动边缘计算网络信息，包括：
用户数、每个用户的任务数、每个任务的计算量；
每个用户的计算资源数、剩余电量比和充电状态；
边缘服务器数、每个边缘服务器的计算资源数。
进一步的，所述时延、能耗权重自适应，是基于用户的电量信息和充电状态信息，自动计算时延、能耗权重，具体公式为：
其中，λn表示用户n的时延权重，1-λn为用户n的能耗权重，表示用户n的剩余电量比，/>表示用户n的充电状态，ε为比例系数，用于调整λn与/>的比例。
进一步的，所述以卸载总成本最低为优化目标，定义为：
其中，N表示用户数，Kn表示用户n的任务数，表示用户n的任务i的卸载成本，具体公式为：
其中，λn表示用户n的时延权重，1-λn为用户n的能耗权重，表示时延成本，/>表示能耗成本。
进一步的，所述以计算资源为约束条件，具体为：
每个边缘服务器给所处理的所有任务分配的计算资源数之和不超过自身的总计算资源数；
每个任务最多被分配给一台边缘服务器；
每个边缘服务器为任务分配的计算资源数为非负数。
进一步的，所述哈里斯鹰算法的求解过程为：
(1)初始化哈里斯鹰算法，在解空间内随机产生M的个体的种群，随机产生各矩阵，包含位置矩阵A、F；
(2)计算初始适应度，将适应度最优的个体位置设为当前猎物位置，即当前最优解；
(3)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或开发行为中对应的位置更新策略；
(4)计算适应度，计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置；
(5)重复步骤(3)和步骤(4)，当算法迭代次数达到最大迭代次数时，输出当前猎物位置作为目标的估计位置，即最优卸载决策和资源分配。
(6)根据算法求得的卸载位置信息A，选择每个任务的目标处理位置，若任务卸载到边缘服务器，则根据求得的F为任务分配计算资源。
进一步的，所述适应度函数，具体为：
Fitness_fun＝cost+penalty_fun
其中，cost为卸载成本，penalty_fun表示罚函数，当边缘服务器给各个任务分配的计算资源满足条件时，其值为0，在不满足条件时，则重新计算。
本发明第二方面提供了一种基于哈里斯鹰算法的移动边缘计算卸载系统。
一种基于哈里斯鹰算法的移动边缘计算卸载系统，用于多用户多任务多边缘服务器场景下移动边缘计算网络的任务卸载，包括：
建模模块，被配置为：基于获取的当前移动边缘计算网络信息，在时延、能耗权重自适应的情况下，联合优化任务卸载决策和计算资源分配，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型；
求解模块，被配置为：基于哈里斯鹰算法，以优化目标和约束条件建立适应度函数，最终确定所述移动边缘计算网络的最优卸载决策和资源分配方案；
卸载模块，被配置为：基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源。
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哈里斯鹰算法的移动边缘计算卸载方法中的步骤。
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哈里斯鹰算法的移动边缘计算卸载方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明结合本地终端设备的电量信息、充电状态信息以及边缘服务器的计算资源，综合考虑能耗和时延卸载成本，将计算卸载问题被建模为非线性规划问题，建立多设备多任务多服务器场景下的边缘计算卸载系统模型。
本发明对于计算卸载的非线性规划问题，采用哈里斯鹰算法对卸载决策和资源分配变量进行求解，最终获得最优的卸载决策和资源分配方案。
本发明在多设备多任务多服务器的场景下，克服现有计算卸载方法中没有考虑边缘服务器的计算资源分配问题，提高方案的适用性、鲁棒性和性能。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为第一个实施例的方法流程图。
图2为第一个实施例移动边缘计算网络的结构图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于哈里斯鹰算法的移动边缘计算卸载方法，用于多用户多任务多边缘服务器场景下移动边缘计算网络的任务卸载，如图1所示，包括如下步骤：
步骤S1：基于获取的当前移动边缘计算网络信息，对所述移动边缘计算网络的任务卸载问题进行分析，在时延、能耗权重自适应的情况下，联合优化任务卸载决策和计算资源分配，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型。
图2是移动边缘计算网络的结构示意图，如图2所示，在一个多个用户和多个边缘服务器的移动边缘计算网络中，有多个用户，每个用户有一个本地终端设备，可以用于计算，用户有任务计算需求，可以放在本地终端设备计算，也可以利用边缘服务器为其提供计算服务。本地终端设备同时有多个计算任务，任务可在本地终端设备执行或者卸载到边缘服务器进行计算。本地终端设备通过无线的方式连接到基站，边缘服务器部署于基站处，本地终端设备与基站通过无线直连，此种部署方式可使得任务数据传输到服务器的跳数最少，有利于减少通信延时。
假设当前移动边缘计算网络中包含N个本地终端设备，即N个用户，本地终端设备序号n∈{1,2,...,N}，M个边缘服务器，边缘服务器序号m∈{1,2,...,M}，在一个决策周期内，每个本地终端设备产生一个或多个需要计算的任务，设本地终端设备n共产生Kn个任务需要计算，任务数Kn∈{1,2,...,K}，K为产生最多任务的本地终端设备产生的任务数，设第n个本地终端设备的第i个任务为i∈{1,2,...,K},可以将任务表示为一个二元组其中，/>代表该任务的所有数据量，指的是在计算卸载过程中需要上传到远程服务器的所有数据的总量，这包括原始数据、中间计算结果以及最终结果等，所有数据量的大小取决于待处理数据的规模和计算卸载任务的复杂度。/>代表该任务需要计算的数据量，指的是在计算卸载过程中实际需要进行计算的数据的量，这些数据可能是原始数据的子集，或者是经过一些筛选、过滤等预处理步骤后的数据，需要计算的数据量的大小取决于计算卸载算法的设计和实际需求。
通常情况下，计算卸载的目的是将计算任务从本地设备转移到远程服务器上进行处理，以减轻本地设备的计算负载；在计算卸载过程中，为了将数据传输到远程服务器进行计算，需要上传所有相关的数据；然而，并不是所有上传的数据都需要在远程服务器上进行计算，可能只有一部分数据需要进行实际的计算操作。
每一任务可以分配到某一边缘服务器或在本地进行计算，则每个任务共M+1种分配选择，所有任务的分配选择构成卸载决策向量，表示为：
其中,表示着第n个设备上第i个任务是否卸载到边缘服务器m, 表示任务/>卸载到边缘服务器m执行；/>表示任务/>没有卸载到边缘服务器m，此时任务/>可能在本地终端设备上执行，也可能卸载到其他的边缘服务器，若任务分配到边缘服务器，则需要为任务分配CPU计算资源，由各边缘服务器为各任务分配的CPU资源数量构成资源分配向量为：
其中，表示边缘服务器m为第n个设备上第i个任务所分配的CPU资源大小，单位为GHz。
本地计算的时延和能耗
当某一任务在本地执行时，任务的计算时延就等于任务本地执行时间，任务的计算能耗即等于任务本地执行时所消耗的能量；比如，任务在本地执行，本地终端设备n的计算能力，用计算资源数表示为/>则任务/>在本地计算的时延/>为：
其中，代表任务/>需要计算的数据量。
本地终端设备的能耗主要为任务计算期间设备自身的CPU运行所消耗的能量，本实施例采用经典的能耗计算模型，即E＝kf2C，其中，k为本地终端设备CPU能耗参数，一般取10-26，c为任务所需要计算的数据量，则任务在本地执行的本地计算能耗/>为：
当某一任务卸载到边缘服务器执行时，任务的计算总时延分为任务传输时延、边缘服务器执行时延和结果传输时延，由于结果数据往往不大，其传输时延远远小于上载任务传输时延和边缘服务器执行时延，因此忽略结果传输时延，任务的边缘计算能耗即为任务传输时所消耗的能量。
边缘计算的时延和能耗
当任务被卸载到边缘服务器上执行时，需要先将任务数据传输到边缘服务器，设本地终端设备n到边缘服务器m的信道增益为/>本地终端设备n的发射功率pn，则根据香农定理描述，本地终端设备n到边缘服务器m的传输速率/>可表示为：
其中，B为本地终端设备和边缘服务器之间的通信带宽,б2为信道内部的高斯噪声功率；
对于任务的所有数据量/>上传任务/>的传输时延/>为：
当任务的所有数据/>到达边缘服务器m后，设服务器m为任务/>分配的计算资源大小为/>则任务/>在边缘服务器m的执行时延/>为：
那么，任务在边缘服务器m上的总时延/>为传输时延/>和执行时延之和，公式为：
当任务卸载到边缘服务器上计算时，能耗主要包括本地终端设备的数据传输能耗和服务器计算能耗，由于边缘服务器是电缆供电，本实施例不考虑服务器能耗，只考虑大多数采用电池供电的用户本地终端设备能耗，则任务的边缘计算能耗/>为：
其中，pn表示本地终端设备n的发射功，表示任务/>的传输时延。
任务的时延和能耗
对于某个任务其计算的时延成本和能耗成本分别表示为：
其中，其值可为0或者1，分别表示任务/>是在本地终端设备执行还是卸载到边缘服务器执行，将任务/>的代价定义为任务执行时延和能耗的加权和，表示为:
其中，λn为本地终端设备n的时延权重，1-λn为本地终端设备n的能耗权重，λn∈[0,1]。
λn一般为固定参数，可表示系统对时延和能耗的敏感程度，若对时延敏感，则λn较大，反之λn较小；
对于反应设备时延和权重的能耗因子λn，其对能量的敏感程度与本地终端设备的当前剩余电量有关，当本地终端设备剩余电量较低时，用户更希望降低处理任务的能耗，即对能量更敏感，λn较小，反之，当剩余电量比较高时，用户希望处理任务的时延降低，以达到最好的用户体验，此时λn较大，因此λn与设备的剩余电量比成正比，设用户本地终端设备的当前电量为Bn，电池能容纳的总电量为/>则该本地终端设备当前的剩余电量比为：
则，时延权重的公式为：
其中，ε为比例系数，用于调整λn与设备的剩余电量比的比例。
此外，设备的充电状态也会影响时延和能耗的权重，若本地终端设备处于充电状态，则不用在意设备的能耗，此时时延权重因子λn增大；若本地终端设备未处于充电状态，则不做任何处理，假设本地终端设备n的充电状态定义为当/>时，设备处于充电状态，当/>时，设备处于未充电状态，结合之前的剩余电量比/>则，时延权重λn的最终公式为：
其中，λn表示用户n的时延权重，1-λn为用户n的能耗权重，表示用户n的剩余电量比，/>表示用户n的充电状态，ε为比例系数，用于调整λn与/>的比例。
综上所述，本实施例中的计算卸载问题可以描述为在时延、能耗权重自适应的情况下，联合优化卸载决策和资源分配，使系统总代价最低，即卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型，这样计算卸载问题被建模为非线性规划问题。
以卸载总成本最低为优化目标，具体公式为：
其中，N表示用户数，Kn表示用户n的任务数，表示用户n的任务i的卸载成本。
以计算资源为约束条件，具体公式为：
C1：
C2：
C3：
C4:
其中，C1表示任意的边缘服务器m给所处理的所有任务分配的计算资源之和不超过自身的总计算资源，表示边缘服务器m的计算资源数，表征边缘服务器m的CPU计算能力；C2表示任意的某一任务/>最多被分配到一台边缘服务器；C3表示/>为二进制变量，就是说，/>只能取0或者1；C4表示服务器m为任务/>分配的计算资源/>为非负数。
步骤S2：基于哈里斯鹰算法，以个体的位置表示一个可行解，以优化目标和约束条件建立适应度函数，迭代过程中，评判每个解的优劣，最终确定所述移动边缘计算网络的最优卸载决策和资源分配方案。
先对哈里斯鹰算法进行说明，哈里斯鹰算法(HHO算法)是一种模拟哈里斯鹰捕食行为的智能优化算法，主要由3部分组成：搜索阶段、搜索与开发的转换和开发阶段。
a、搜索阶段
哈里斯鹰随机栖息在某个地方，通过2种策略找到猎物：
其中，X(t)、X(t+1)分别为当前和下一次迭代时个体的位置，t为迭代次数，Xrand(t)为随机出现的个体的位置，为猎物位置，即拥有最有适应度的个体的位置，个体的位置都代表一个可行解，r1、r2、r3、r4、q都是[0,1]之间的随机数，q用来随机要选择的策略，Xm(t)为个体平均位置，公式为：
其中，Xk(t)为种群中第k个个体的位置，M为种群规模。
b、搜索与开发的转换
HHO算法根据猎物的逃逸能量在搜索和不同的开发行为之间转换，逃逸能量定义为：
其中，E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新，t为迭代次数，T为最大迭代次数；当∣E∣≥1时进入搜索阶段，当∣E∣<1时进入开发阶段。
c、开发阶段
定义r为[0,1]之间的随机数，用于选择不同的开发策略。
当0.5≤∣E∣<1且r≥0.5时，采取软围攻策略进行位置更新，公式为：
X(t+1)＝ΔX(t)-E∣JXrabbit(t)-X(t)∣ (17)
其中，ΔX(t)＝Xrabbit(t)-X(t)表示猎物位置与个体当前位置的差值，J为[0,2]之间的随机数。
当∣E∣<0.5且r≥0.5时采取硬围攻策略进行位置更新，公式为：
X(t+1)＝Xrabbit(t)-E∣ΔX(t)∣ (18)
当0.5≤∣E∣<1且r<0.5时，采取渐近式快速俯冲的软包围策略进行位置更新，公式为：
Y＝Xrabbit(t)-E∣JXrabbit(t)-X(t)∣ (20)
Z＝Y+S×LF(2) (21)
其中，f()为适应度函数，在本实施例中，即为下面公式(26)中的Fitness_fun，S为2维随机向量，元素为[0,1]之间的随机数，LF()是莱维飞行的数学表达式。
当∣E∣<0.5且r<0.5时，采取渐近式快速俯冲的硬包围策略进行位置更新，公式为：
Y＝Xrabbit(t)-E∣JXrabbit(t)-Xm(t)∣ (24)
Z＝Y+S×LF(2) (25)
基于上面的哈里斯鹰算法，求解最优的卸载决策和资源分配方案，具体为：
设种群的规模为M，个体序号mi∈{1,2，3，M}，本地设备个数为N，本地设备n所产生的任务个数为Kn，n∈{1,2,...,N}，用矩阵A＝[an,i]N×K和F＝[fn,i]N×K表示个体的位置，矩阵A描述任务卸载决策，矩阵F描述任务的资源分配情况。
矩阵A的元素值an,i表示任务的卸载决策，即卸载位置信息，an，i∈
{0,1,2,...,M}；当an，i＝m时，代表本地设备n的第i个任务分配的边缘服务器编号为m，当an，i＝0时，代表将任务分配到本地设备。
矩阵F的元素值表示资源分配数量，矩阵F的元素值fn,i代表边缘服务器给第i个任务分配的计算资源量，单位为GHz，考虑到每个本地设备产生的任务数不一定相同，将设备最大任务数K作为矩阵A和F的列数，若Kn<K，令an，i＝-1，fn，i＝-1，其中Kn<i≤K，表示此处并无相关任务在卸载决策矩阵A中，采用整数编码，在资源分配矩阵F中，采用实数编码，若A矩阵中an，i＝[0231]，i＝1,2,3,4,即表示了第n个设备上第1-4个任务的执行位置，“0”代表此任务在本地设备执行，“231”分别代表第2-4个任务在第2、3、1号边缘服务器上执行，若F矩阵中fn，i＝[01.50.81]，i＝1,2,3,4，表示了服务器为第n个设备上第1-4个任务分配的计算资源量，“0”代表无需为本地任务分配计算资源，“1.5,0.8,1”分别代表对应的边缘服务器为第2-4个任务分配的计算资源量为1.5、0.8、1。
在哈里斯鹰算法中，个体的位置都代表一个可行解，迭代过程中，为了评判每个解的优劣构造适应度函数，适应度函数内容包括优化目标和约束条件，通常是将优化目标和罚函数相加处理，罚函数的功能是对非可行解或超出边界的解赋予一个极大值，初始化的时候，罚函数的值为0，只有当数据不满足约束条件时，就会对罚函数重新赋值，从而影响最后的适应度函数，这样可以将带有约束的最优化问题转化为求解无约束的最优化问题。合理的罚函数可以在算法搜索到不可行解时，适应度函数值变得极大，离约束条件越远惩罚会越大。本实施例中的约束条件为计算资源约束，为超出约束的解构建远超正常解的罚函数，以此来保证最终的结果满足约束条件。
因此，当边缘服务器分配给任务的计算资源总和超过自身的计算资源时，给罚函数赋一个相对比较大的值，这样最后的适应度就会足够大，此方案就不会被选取，从而得到使适应度函数最小的卸载决策和资源分配方案，具体的关于罚函数和适应度函数，用下列伪代码表示：
计算卸载成本cost，即根据公式(13)算出来的值
初始化penalty_fun＝0
公式(26)为本实施例构造的适应度函数，其中penalty_fun为罚函数，初始值为0，只有当边缘服务器分配给任务的计算资源总和超过自身的计算资源时，就会对罚函数重新计算幅值，从而保证最后的适应度函数Fitness_fun足够大，其中500是一个系数，其取值只是为了让这个罚函数足够大，从而使该方案不是最优。为了更好地说明，给出一个具体的求解例子，流程如下：
(1)初始化所有本地终端设备上的任务数据量任务计算量/>每个本地设备的计算能力/>每个边缘服务器的计算能力/>每个设备的剩余电量比/>和充电状态/>
(2)初始化哈里斯鹰算法，在解空间内随机产生M的个体的种群，随机产生各矩阵，包含位置矩阵A、F。
(3)按照公式(26)计算初始适应度，将适应度最优的个体位置设为当前猎物位置，即当前最优解。
(4)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或开发行为中对应的位置更新策略。
(5)计算适应度，计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置。
(6)重复步骤(3)和步骤(4)，当算法迭代次数达到最大迭代次数时,输出当前猎物位置作为目标的估计位置，即最优卸载决策和资源分配。
步骤S3：基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源。
根据步骤S2求得的卸载位置信息A，选择每个任务的目标处理位置，若任务卸载到边缘服务器，则根据求得的F为任务分配计算资源。
实施例二
在一个或多个实施例中，公开了一种基于哈里斯鹰算法的移动边缘计算卸载系统，用于多用户多任务多边缘服务器场景下移动边缘计算网络的任务卸载，包括：
建模模块，被配置为：基于获取的当前移动边缘计算网络信息，在时延、能耗权重自适应的情况下，联合优化任务卸载决策和计算资源分配，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型；
求解模块，被配置为：基于哈里斯鹰算法，以优化目标和约束条件建立适应度函数，最终确定所述移动边缘计算网络的最优卸载决策和资源分配方案；
卸载模块，被配置为：基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源。
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一所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法中的步骤。
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一所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，用于多用户多任务多边缘服务器场景下移动边缘计算网络的任务卸载，具体步骤包括：
基于获取的当前移动边缘计算网络信息，在时延、能耗权重自适应的情况下，联合优化任务卸载决策和计算资源分配，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型；
基于哈里斯鹰算法，以优化目标和约束条件建立适应度函数，最终确定所述移动边缘计算网络的最优卸载决策和资源分配方案；
基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源。
2.如权利要求1所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，所述移动边缘计算网络信息，包括：
用户数、每个用户的任务数、每个任务的计算量；
每个用户的计算资源数、剩余电量比和充电状态；
边缘服务器数、每个边缘服务器的计算资源数。
3.如权利要求1所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，所述时延、能耗权重自适应，是基于用户的电量信息和充电状态信息，自动计算时延、能耗权重，具体公式为：
其中，λn表示用户n的时延权重，1-λn为用户n的能耗权重，表示用户n的剩余电量比，表示用户n的充电状态，ε为比例系数，用于调整λn与/>的比例。
4.如权利要求1所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，所述以卸载总成本最低为优化目标，定义为：
其中，N表示用户数，Kn表示用户n的任务数，表示用户n的任务i的卸载成本，具体公式为：
其中，λn表示用户n的时延权重，1-λn为用户n的能耗权重，表示时延成本，/>表示能耗成本。
5.如权利要求1所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，所述以计算资源为约束条件，具体为：
每个边缘服务器给所处理的所有任务分配的计算资源数之和不超过自身的总计算资源数；
每个任务最多被分配给一台边缘服务器；
每个边缘服务器为任务分配的计算资源数为非负数。
6.如权利要求1所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，所述哈里斯鹰算法的求解过程为：
(1)初始化哈里斯鹰算法，在解空间内随机产生M的个体的种群，随机产生各矩阵，包含位置矩阵A、F；
(2)计算初始适应度，将适应度最优的个体位置设为当前猎物位置，即当前最优解；
(3)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或开发行为中对应的位置更新策略；
(4)计算适应度，计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置；
(5)重复步骤(3)和步骤(4)，当算法迭代次数达到最大迭代次数时，输出当前猎物位置作为目标的估计位置，即最优卸载决策和资源分配。
(6)根据算法求得的卸载位置信息A，选择每个任务的目标处理位置，若任务卸载到边缘服务器，则根据求得的F为任务分配计算资源。
7.如权利要求1所述的一种基于哈里斯鹰算法的移动边缘计算卸载方法，其特征在于，所述适应度函数，具体为：
Fitness_fun＝cost+penalty_fun
其中，cost为卸载成本，penalty_fun表示罚函数，当边缘服务器给各个任务分配的计算资源满足条件时，其值为0，在不满足条件时，则重新计算。
8.一种基于哈里斯鹰算法的移动边缘计算卸载系统，其特征在于，用于多用户多任务多边缘服务器场景下移动边缘计算网络的任务卸载，包括：
建模模块，被配置为：基于获取的当前移动边缘计算网络信息，在时延、能耗权重自适应的情况下，联合优化任务卸载决策和计算资源分配，以卸载总成本最低为优化目标，以计算资源为约束条件，建立边缘计算卸载系统模型；
求解模块，被配置为：基于哈里斯鹰算法，以优化目标和约束条件建立适应度函数，最终确定所述移动边缘计算网络的最优卸载决策和资源分配方案；
卸载模块，被配置为：基于最优卸载决策，选择每个任务的目标处理位置，基于资源分配方案，为任务分配计算资源。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310939777.3A CN116932086A (zh) | 2023-07-27 | 2023-07-27 | 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310939777.3A CN116932086A (zh) | 2023-07-27 | 2023-07-27 | 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116932086A true CN116932086A (zh) | 2023-10-24 |
Family
ID=88392246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310939777.3A Pending CN116932086A (zh) | 2023-07-27 | 2023-07-27 | 一种基于哈里斯鹰算法的移动边缘计算卸载方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116932086A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117707792A (zh) * | 2024-02-04 | 2024-03-15 | 国网上海能源互联网研究院有限公司 | 基于fpga加速器的异地并行加速装置、方法和系统 |
-
2023
- 2023-07-27 CN CN202310939777.3A patent/CN116932086A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117707792A (zh) * | 2024-02-04 | 2024-03-15 | 国网上海能源互联网研究院有限公司 | 基于fpga加速器的异地并行加速装置、方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108920280B (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
| CN110971706B (zh) | Mec中近似最优化与基于强化学习的任务卸载方法 | |
| CN112512056B (zh) | 一种移动边缘计算网络中多目标优化的计算卸载方法 | |
| CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
| CN113225377B (zh) | 物联网边缘任务卸载方法及装置 | |
| CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
| CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
| CN111176820B (zh) | 一种基于深度神经网络的边缘计算任务的分配方法及装置 | |
| CN113434212A (zh) | 基于元强化学习的缓存辅助任务协作卸载与资源分配方法 | |
| CN112286677A (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
| CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
| CN115396953B (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 | |
| 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 | |
| CN113032149B (zh) | 基于演化博弈的边缘计算服务放置和请求分配方法及系统 | |
| CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
| CN109144719A (zh) | 移动云计算系统中基于马尔科夫决策过程的协作卸载方法 | |
| CN112256413A (zh) | 基于物联网的边缘计算任务的调度方法和装置 | |
| CN116339932A (zh) | 资源调度方法、装置和服务器 | |
| CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
| CN112312299A (zh) | 服务卸载方法、装置及系统 | |
| CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质 | |
| CN113342504A (zh) | 基于缓存的智能制造边缘计算任务调度方法及系统 | |
| CN111538560B (zh) | 一种虚拟机部署方法、装置、电子设备及其存储介质 | |
| CN117156450A (zh) | 一种基于改进人工蜂鸟算法的移动边缘计算任务卸载方法 | |
| CN111930435A (zh) | 一种基于pd-bpso技术的任务卸载决策方法 |
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 |