CN117528653A - 一种基于车辆边缘计算系统的任务卸载方法 - Google Patents

一种基于车辆边缘计算系统的任务卸载方法 Download PDF

Info

Publication number
CN117528653A
CN117528653A CN202311634936.5A CN202311634936A CN117528653A CN 117528653 A CN117528653 A CN 117528653A CN 202311634936 A CN202311634936 A CN 202311634936A CN 117528653 A CN117528653 A CN 117528653A
Authority
CN
China
Prior art keywords
task
solution
cost
vehicle
objective function
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
CN202311634936.5A
Other languages
English (en)
Inventor
王忠峰
申佳胤
姜慧良
黄磊
尹利周
高鹏
费汉明
贾建刚
张悠
刘飞
钱知雄
王丹
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.)
China Academy of Railway Sciences Corp Ltd CARS
China Railway Jixun Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
China Railway Jixun Technology Co Ltd
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 China Academy of Railway Sciences Corp Ltd CARS, China Railway Jixun Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202311634936.5A priority Critical patent/CN117528653A/zh
Publication of CN117528653A publication Critical patent/CN117528653A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及边缘计算优化技术领域，提供一种基于车辆边缘计算系统的任务卸载方法。该方法包括：基于RSU区域建立任务队列模型；根据所述任务队列模型的计算方式，建立解算所述任务队列模型所需计算成本和通信成本的目标函数；通过贪婪算法选取多个结点，基于路径构造算法建立以相邻结点最小间距寻优的结点关系；根据所述结点关系基于模拟退火算法构建邻域结构；通过所述邻域结构对所述目标函数进行求解，获得全局最优解；通过所述全局最优解对待卸载任务进行卸载。本发明降低了造成的计算资源和通信资源的浪费，在满足车辆任务被顺利完成时达到最小化能耗的目的。

Description

一种基于车辆边缘计算系统的任务卸载方法
技术领域
本发明涉及边缘计算优化技术领域，尤其涉及一种基于车辆边缘计算系统的任务卸载方法。
背景技术
随着车联网技术和边缘计算技术的快速发展，车辆产生的数据量持续激增，包括车辆状态、行驶路线、驾驶行为、环境信息等数据信息，需要及时对这些数据进行准确的处理和分析。上述应用通常有大量的需要处理数据，需要非常大的计算资源，因此会产生大量的能耗，但车载设备计算资源有限且能量供应有限，往往无法满足这些应用的需求，边缘计算逐渐成为研究热点。
车辆边缘计算利用各种通信、计算和缓存资源，并通过边缘计算将计算迁移到更接近车辆的路边单元，从而更高效地完成车辆任务的卸载计算，高效的卸载决策不仅可以提高用户体验，还可以减少车联网整体系统成本。
但是在计算任务卸载过程中，车辆自身的计算能力难以满足对时延敏感型任务的要求，车辆的无规则移动和车速的动态变化也是计算任务卸载的巨大挑战，这将大大增加卸载方案的复杂性并且会造成计算资源和通信资源的极大浪费。
发明内容
本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种基于车辆边缘计算系统的任务卸载方法。
本发明提供一种基于车辆边缘计算系统的任务卸载方法，包括：
S1：基于RSU区域建立任务队列模型；
S2：根据所述任务队列模型的计算方式，建立解算所述任务队列模型所需计算成本和通信成本的目标函数；
S3：通过贪婪算法选取多个结点，基于路径构造算法建立以相邻结点最小间距寻优的结点关系；
S4：根据所述结点关系基于模拟退火算法构建邻域结构；
S5：通过所述邻域结构对所述目标函数进行求解，获得全局最优解；
S6：通过所述全局最优解对待卸载任务进行卸载。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S1中的所述任务队列模型符合泊松分布。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S1中的所述RSU区域包括边缘服务器和多个车辆设备。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S1中的所述任务队列模型的动态变化方程为：
Qm(t+1)＝max[Qm(t)―bi(t),0]+Dm(t)；
其中，Qm(t+1)为在第t+1个时间片内第m个队列的任务量，Qm(t)为在第t个时间片内第m个队列的任务量，bi(t)为车辆设备i在第t个时间片内处理计算的任务数据量，Dm(t)为第t个时间片内到达第m个队列的数据量，i为车辆设备索引值，N为车辆设备总数，m∈{0,1,…,N}为任务队列索引值，xi,m(t)为卸载决策，ai(t)为车辆设备i在第t个时间片内产生的任务数据量。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S2中所述计算方式包括：
在本地进行对任务队列模型进行计算；
在邻近车辆设备上对任务队列模型进行计算；
在所述边缘服务器上对任务队列模型进行计算。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S2中所述目标函数中计算成本和通信成本的决策方式包括：
在本地进行对任务队列模型进行计算时，所述目标函数中包括第一成本，所述第一成本包括第一计算成本，所述第一成本的表达式为：
其中，为第一成本，Pm为每个车辆设备和边缘服务器的计算单位数据量的成本；
在邻近车辆设备上及在所述边缘服务器上对任务队列模型进行计算，所述目标函数中包括第二成本，所述第二成本包括第二计算成本和通信成本，所述第二成本的表达式为：
其中，为第二成本，α为信道传输单位数据量的成本。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S2中的所述目标函数的表达式为：
其中，x(t)为每个时间片内求解任务卸载决策向量；
其中，所述目标函数的约束条件为：
xi,m(t)＝{0,1}；
其中，的约束条件表示在一个时间片内，一个队列只能接收一个车辆设备任务，xi,m(t)＝{0,1}的约束条件表示每个车辆设备任务只能被单一卸载计算。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S4中的所述邻域结构包括交流结构、逆转结构及插入结构，所述邻域结构通过轮盘赌选择法进行选择。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S6中进一步包括：
S61：获取目标函数当前解及更新解；
S62：判断所述更新解的距离是否小于所述当前解的距离；
若所述更新解的距离小于所述当前解的距离，则进入步骤S63；
若所述更新解的距离大于等于所述当前解的距离，则进入步骤S64；
S63：当所述更新解的距离小于所述当前解的距离时，所述目标函数接受更新解；
S64：当所述更新解的距离大于等于所述当前解的距离时，所述目标函数概率接受更新解；
S65：根据步骤S63及步骤S64迭代目标函数的解，获得全局最优解。
根据本发明提供的一种基于车辆边缘计算系统的任务卸载方法，步骤S64中进一步包括：
S641：计算所述更新解的增量，所述增量的表达式为：
其中，df为更新解的增量，f(xnew)为更新解总距离，f(x0)为当前解总距离；
S642：根据所述增量计算更新解的接受概率，所述接受概率的表达式为：
其中，p为接受概率，T为当前温度；
S643：随机产生均匀分布的随机数，比较所述随机数和所述接受概率；
若所述随机数大于所述接受概率，则所述目标函数接受更新解；
若所述随机数小于等于所述接受概率，则所述目标函数保留当前解。
本发明提供的一种基于车辆边缘计算系统的任务卸载方法，为形式化车辆边缘计算系统提供了最小化成本的任务卸载方法，通过建立模型为TSP问题，也是NP难问题，解决很难在常数时间内求解的问题，采用模拟退火算法在常数时间内求出最优解，实现减小任务卸载成本并保证卸载任务队列的稳定性，不但可以有效保证车辆卸载任务时队列的稳定性，而且还最小化车辆的任务卸载成本。
本发明的附加方面和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
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于车辆边缘计算系统的任务卸载方法。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本发明实施例的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。
在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
下面结合图1描述本发明的实施例。
本发明提供一种基于车辆边缘计算系统的任务卸载方法，包括：
S1：基于RSU区域建立任务队列模型；
其中，步骤S1中的所述任务队列模型符合泊松分布。
其中，步骤S1中的所述RSU区域包括边缘服务器和多个车辆设备。
进一步的，该车辆卸载问题是一个RSU区域内的任务卸载调度问题，该区域包含一个边缘服务器和N个车辆设备，该问题可定义为：车辆设备记为1,2,...,N，MEC服务器编号为0，每个车辆设备可以在本地计算任务，也可以将任务卸载到相邻的车辆或MEC服务器上进行计算。
其中，步骤S1中的所述任务队列模型的动态变化方程为：
Qm(t+1)＝max[Qm(t)―bi(t),0]+Dm(t)；
其中，Qm(t+1)为在第t+1个时间片内第m个队列的任务量，Qm(t)为在第t个时间片内第m个队列的任务量，bi(t)为车辆设备i在第t个时间片内处理计算的任务数据量，Dm(t)为第t个时间片内到达第m个队列的数据量，i为车辆设备索引值，N为车辆设备总数，m∈{0,1,…,N}为任务队列索引值，xi,m(t)为卸载决策，ai(t)为车辆设备i在第t个时间片内产生的任务数据量。
进一步的，每一个队列模型为一个由1台MEC服务器和N台移动设备组成的系统，其中有N+1个队列需要处理的任务，从而可以建立一个任务队列模型，记作Qm(t)，还可以车辆设备在时间片内产生的任务数据量为ai(t)，处理计算的任务数据量为bi(t)。
假设任务的产生符合泊松分布，其均值为λi，每个车辆设备在每个时间片内只有一个任务卸载方向，使用变量xi,m(t)来表示卸载决策，该变量只能取0或1的值，当xi,m(t)＝1时，表示车辆设备将任务卸载到第m个队列；当xi,m(t)＝0时，表示车辆设备不卸载任务，在同一时间片内，一个队列最多只能接受一个车辆设备的任务，因此可以得到：
而对于在时间片内到达第m个队列的数据量定义为Dm(t)，其值等于所有到达该队列的设备在该时间片内所发送的数据量：可以进一步得到任务队列模型的动态变化方程表示如上。
S2：根据所述任务队列模型的计算方式，建立解算所述任务队列模型所需计算成本和通信成本的目标函数；
步骤S2中所述计算方式包括：
在本地进行对任务队列模型进行计算；
在邻近车辆设备上对任务队列模型进行计算；
在所述边缘服务器上对任务队列模型进行计算。
其中，步骤S2中所述目标函数中计算成本和通信成本的决策方式包括：
在本地进行对任务队列模型进行计算时，所述目标函数中包括第一成本，所述第一成本包括第一计算成本，所述第一成本的表达式为：
其中，为第一成本，Pm为每个车辆设备和边缘服务器的计算单位数据量的成本；
在邻近车辆设备上及在所述边缘服务器上对任务队列模型进行计算，所述目标函数中包括第二成本，所述第二成本包括第二计算成本和通信成本，所述第二成本的表达式为：
其中，为第二成本，α为信道传输单位数据量的成本。
进一步的，每个车辆设备和边缘服务器的计算单位数据量的成本为Pm，任务可以在本地、其他设备和边缘服务器上进行计算。如果任务在本地计算，则只需考虑计算成本；任务可以在本地、其他设备和边缘服务器上进行计算。
如果任务在本地计算，则只需考虑计算成本：对于第m个队列，计算成本定义为计算单位数据量的成本Pm与车辆设备在时间片内处理计算的任务数据量之积记为其表达式如上；
如果任务需要卸载到其他设备或边缘服务器上进行计算，则需要考虑相应的传输成本：即当xi,m(t)中i≠m时，假设信道传输单位数据量的成本为α，那么在每个时间片内，传输数据到第m个队列所需的成本为：其表达式如上，在时间片内，任务成本可表示为任务计算成本和任务传输成本之和，特别地，考虑到i＝m的情况有：进而可以得到定义最小化目标为成本最小化的表达式为：
其中，步骤S2中的所述目标函数的表达式为：
其中，x(t)为每个时间片内求解任务卸载决策向量；
进一步的，只有满足条件时，系统才能够保证队列稳定性，在每个时间片内求解任务卸载决策向量x(t)，因为边缘服务器不生产任务，所以决策变量有N个，进而可以得到最小化成本的表达式如上。
其中，所述目标函数的约束条件为：
xi,m(t)＝{0,1}；
其中，的约束条件表示在一个时间片内，一个队列只能接收一个车辆设备任务，xi,m(t)＝{0,1}的约束条件表示每个车辆设备任务只能被单一卸载计算。
进一步的，单一卸载计算，即队列不能同时接收多个任务，而每个任务也只能被卸载到一个目标位置上进行计算，而MEC服务器和车辆设备可以被视为路线上的顶点v(t)，而任务卸载决策向量x(t)则代表了访问这些顶点的顺序，所以可以进一步通过后续步骤对获得的目标函数求解。
S3：通过贪婪算法选取多个结点，基于路径构造算法建立以相邻结点最小间距寻优的结点关系；
进一步的，步骤S3的具体步骤为：在路线顶点集合中将任选一点作为初始点，然后在N次迭代中，初始设置任意两点间距离为无穷大，将最近加入路径的点与其他点之间的距离进行比较，取最小距离的点加入路径中。
然后重复上述步骤，将所有点加入到路径中，连接起始点和最后加入的点，继续将离当前结点距离最小的结点加入初始解中，更新当前结点，通过最邻近算法，贪婪的选取一组访问结点作为初始解，该初始解将用于模拟退火算法以达到更优的效果。
S4：根据所述结点关系基于模拟退火算法构建邻域结构；
进一步的，采用模拟退火算法的核心思想就是以一定概率接受比当前解更差的解，然后用这个更差的解继续搜索。
其中，步骤S4中的所述邻域结构包括交流结构、逆转结构及插入结构，所述邻域结构通过轮盘赌选择法进行选择。
进一步的，邻域结构就是利用邻域结构在初始解的基础上迭代产生新的解，本发明中采用如下三种邻域结构：
交换结构：任选当前解的两个位置，交换这两个元素；
逆转结构：任选当前解的两个位置，颠倒这两个元素之间的元素；
插入结构：任选当前解的两个位置，将第一元素插入第二个元素之后。
在搜索过程中，为了确定使用哪个邻域结构，将为每种邻域结构赋予不同的权重，并采用轮盘赌的方式进行选择。
S5：通过所述邻域结构对所述目标函数进行求解，获得全局最优解；
S6：通过所述全局最优解对待卸载任务进行卸载。
其中，步骤S6中进一步包括：
S61：获取目标函数当前解及更新解；
S62：判断所述更新解的距离是否小于所述当前解的距离；
若所述更新解的距离小于所述当前解的距离，则进入步骤S63；
若所述更新解的距离大于等于所述当前解的距离，则进入步骤S64；
S63：当所述更新解的距离小于所述当前解的距离时，所述目标函数接受更新解；
S64：当所述更新解的距离大于等于所述当前解的距离时，所述目标函数概率接受更新解；
S65：根据步骤S63及步骤S64迭代目标函数的解，获得全局最优解。
其中，步骤S64中进一步包括：
S641：计算所述更新解的增量，所述增量的表达式为：
其中，df为更新解的增量，f(xnew)为更新解总距离，f(x0)为当前解总距离；
S642：根据所述增量计算更新解的接受概率，所述接受概率的表达式为：
其中，p为接受概率，T为当前温度；
S643：随机产生均匀分布的随机数，比较所述随机数和所述接受概率；
若所述随机数大于所述接受概率，则所述目标函数接受更新解；
若所述随机数小于等于所述接受概率，则所述目标函数保留当前解。
进一步的，当前解的某个领域产生的一个新解为上述中的更新解，另外随机的产生的随机数选择区域为(0，1),另外上述的当前温度也会随着迭代而越来越小。
本发明提供的一种基于车辆边缘计算系统的任务卸载方法，降低了造成的计算资源和通信资源的浪费，解决了一直是边缘计算模型中的重要因素能耗问题，通过计算卸载的决策决定了任务的执行方式，得出更优的卸载决策，在满足车辆任务被顺利完成时达到最小化能耗的目的。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于车辆边缘计算系统的任务卸载方法，其特征在于，包括：
S1：基于RSU区域建立任务队列模型；
S2：根据所述任务队列模型的计算方式，建立解算所述任务队列模型所需计算成本和通信成本的目标函数；
S3：通过贪婪算法选取多个结点，基于路径构造算法建立以相邻结点最小间距寻优的结点关系；
S4：根据所述结点关系基于模拟退火算法构建邻域结构；
S5：通过所述邻域结构对所述目标函数进行求解，获得全局最优解；
S6：通过所述全局最优解对待卸载任务进行卸载。
2.根据权利要求1所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S1中的所述任务队列模型符合泊松分布。
3.根据权利要求1所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S1中的所述RSU区域包括边缘服务器和多个车辆设备。
4.根据权利要求3所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S1中的所述任务队列模型的动态变化方程为：
Qm(t+1)＝max[Qm(t)―bi(t),0]+Dm(t)；
其中，Qm(t+1)为在第t+1个时间片内第m个队列的任务量，Qm(t)为在第t个时间片内第m个队列的任务量，bi(t)为车辆设备i在第t个时间片内处理计算的任务数据量，Dm(t)为第t个时间片内到达第m个队列的数据量，i为车辆设备索引值，N为车辆设备总数，m∈{0,1,…,N}为任务队列索引值，xi,m(t)为卸载决策，ai(t)为车辆设备i在第t个时间片内产生的任务数据量。
5.根据权利要求4所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S2中所述计算方式包括：
在本地进行对任务队列模型进行计算；
在邻近车辆设备上对任务队列模型进行计算；
在所述边缘服务器上对任务队列模型进行计算。
6.根据权利要求5所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S2中所述目标函数中计算成本和通信成本的决策方式包括：
在本地进行对任务队列模型进行计算时，所述目标函数中包括第一成本，所述第一成本包括第一计算成本，所述第一成本的表达式为：
其中，为第一成本，Pm为每个车辆设备和边缘服务器的计算单位数据量的成本；
在邻近车辆设备上及在所述边缘服务器上对任务队列模型进行计算，所述目标函数中包括第二成本，所述第二成本包括第二计算成本和通信成本，所述第二成本的表达式为：
其中，为第二成本，α为信道传输单位数据量的成本。
7.根据权利要求6所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S2中的所述目标函数的表达式为：
其中，x(t)为每个时间片内求解任务卸载决策向量；
其中，所述目标函数的约束条件为：
xi,m(t)＝{0,1}；
其中，的约束条件表示在一个时间片内，一个队列只能接收一个车辆设备任务，xi,m(t)＝{0,1}的约束条件表示每个车辆设备任务只能被单一卸载计算。
8.根据权利要求1所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S4中的所述邻域结构包括交流结构、逆转结构及插入结构，所述邻域结构通过轮盘赌选择法进行选择。
9.根据权利要求1所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S6中进一步包括：
S61：获取目标函数当前解及更新解；
S62：判断所述更新解的距离是否小于所述当前解的距离；
若所述更新解的距离小于所述当前解的距离，则进入步骤S63；
若所述更新解的距离大于等于所述当前解的距离，则进入步骤S64；
S63：当所述更新解的距离小于所述当前解的距离时，所述目标函数接受更新解；
S64：当所述更新解的距离大于等于所述当前解的距离时，所述目标函数概率接受更新解；
S65：根据步骤S63及步骤S64迭代目标函数的解，获得全局最优解。
10.根据权利要求9所述的一种基于车辆边缘计算系统的任务卸载方法，其特征在于，步骤S64中进一步包括：
S641：计算所述更新解的增量，所述增量的表达式为：
其中，df为更新解的增量，f(xnew)为更新解总距离，f(x0)为当前解总距离；
S642：根据所述增量计算更新解的接受概率，所述接受概率的表达式为：
其中，p为接受概率，T为当前温度；
S643：随机产生均匀分布的随机数，比较所述随机数和所述接受概率；
若所述随机数大于所述接受概率，则所述目标函数接受更新解；
若所述随机数小于等于所述接受概率，则所述目标函数保留当前解。
CN202311634936.5A 2023-12-01 2023-12-01 一种基于车辆边缘计算系统的任务卸载方法 Pending CN117528653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311634936.5A CN117528653A (zh) 2023-12-01 2023-12-01 一种基于车辆边缘计算系统的任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311634936.5A CN117528653A (zh) 2023-12-01 2023-12-01 一种基于车辆边缘计算系统的任务卸载方法

Publications (1)

Publication Number Publication Date
CN117528653A true CN117528653A (zh) 2024-02-06

Family

ID=89747650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311634936.5A Pending CN117528653A (zh) 2023-12-01 2023-12-01 一种基于车辆边缘计算系统的任务卸载方法

Country Status (1)

Country Link
CN (1) CN117528653A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118504660A (zh) * 2024-07-18 2024-08-16 湖南红普创新科技发展有限公司 车联网异构数据处理方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118504660A (zh) * 2024-07-18 2024-08-16 湖南红普创新科技发展有限公司 车联网异构数据处理方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
Zhou et al. Deep reinforcement learning for energy-efficient computation offloading in mobile-edge computing
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Wang et al. Machine learning for 5G and beyond: From model-based to data-driven mobile wireless networks
Chen et al. Efficiency and fairness oriented dynamic task offloading in internet of vehicles
Li et al. Energy-latency tradeoffs for edge caching and dynamic service migration based on DQN in mobile edge computing
Zhang et al. Joint optimization of cooperative edge caching and radio resource allocation in 5G-enabled massive IoT networks
Patra et al. Improved genetic algorithm for channel allocation with channel borrowing in mobile computing
CN117528653A (zh) 一种基于车辆边缘计算系统的任务卸载方法
CN114126066B (zh) 面向mec的服务器资源配置与选址联合优化决策方法
CN112995289A (zh) 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法
CN112540845B (zh) 一种基于移动边缘计算的协作系统及方法
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
CN114595049A (zh) 一种云边协同任务调度方法及装置
Zhu et al. Reliability-optimal offloading in low-latency edge computing networks: Analytical and reinforcement learning based designs
CN112511336A (zh) 一种边缘计算系统中的在线服务放置方法
Lan et al. Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks
CN113641504A (zh) 用于提升多智能体强化学习边缘计算效果的信息交互方法
CN115134242A (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
CN113821346A (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
CN113347255A (zh) 边缘服务器选址部署模型及其求解方法
CN117762515A (zh) 一种基于混合遗传算法的页面加载方法及系统
Wei et al. TBOMC: A task-block-based overlapping matching-coalition scheme for task offloading in vehicular fog computing
Maleki et al. Reinforcement learning-based decision-making for vehicular edge computing
Lai et al. Mobility-aware task offloading in MEC with task migration and result caching

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