移动朵云中基于粒子群和模拟退火优化的任务分配方法组成比例

本发明专利技术提供一种移动朵云中基于粒子群和模拟退火优化的任务分配方法。该分配方法涉及多个的移动节点。移动节点在无基础网络设施的情况下通过无线的方式组成自组织网络并共享计算资源。该任务分配方法包括四个阶段：(1)发起任务卸载请求。当主节点上有复杂的计算任务，而该主节点没有足够的计算资源来对该任务进行处理时，该主节点向从节点发送任务卸载请求。(2)建立代价函数。主节点根据从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数。(3)求解优化问题。执行基于粒子群和模拟退火优化的任务分配算法，得到任务分配的结果。(4)分发任务。主节点根据优化结果向各个从节点分配计算任务。

Task allocation method based on particle swarm optimization and simulated annealing optimization in moving cloud

The present invention provides a task allocation method based on particle swarm optimization and simulated annealing optimization in a moving cloud. The allocation method involves multiple mobile nodes. In the absence of basic network facilities, mobile nodes make up a self organizing network and share computing resources in a wireless way. The task allocation method consists of four stages: (1) initiating a task uninstall request. When the main node has complex computing tasks and the main node does not have enough computing resources to process the task, the master node sends the task uninstall request to the slave node. (2) establish a cost function. The main node generates a task unload cost function based on the information of the remaining computing resources from the node and the related information that needs to be handled by the complex computing task. (3) solving the optimization problem. The task allocation algorithm based on particle swarm optimization and simulated annealing optimization is carried out to get the result of task assignment. (4) the distribution of the task. The main node assigns computing tasks to each slave node according to the optimization results.

【技术实现步骤摘要】
移动朵云中基于粒子群和模拟退火优化的任务分配方法
本专利技术涉及移动朵云中基于粒子群和模拟退火优化的任务分配方法，属于移动云计算

技术介绍
智能手机和平板电脑等移动设备在过去几年获得了巨大的普及，但是,由于受到CPU性能、电池容量、存储容量等因素的限制,移动设备在处理计算密集型的任务时却表现欠佳,比如运算速度缓慢、掉电迅速等。为了解决这些问题，研究人员开始考虑建立一种称为移动云计算(MCC，MobileCloudComputing)的系统，其主要思路为：通过把移动客户端上的计算密集型任务卸载到目标代理中去执行，不仅可以大大缩减任务的处理时间而且还可以最大限度的降低移动设备的能耗。目前，MCC主要有三种模式:第一种由移动终端和远程云组成。该模式中，计算应用服务过程在云端进行，移动终端负责计算数据的输入和计算结果接收，但需要所在的环境有网络覆盖，会受到网络不稳定性的影响。第二种由移动终端和本地云组成。本地云由移动终端附近的可用资源(如闲置的计算机、局域网)连网组成。这种模式可充分利用本地资源，降低任务卸载的通信开销和时间开销，但服务资源有限。第三种模式是由一系列的移动终端组成的移动自组织云，云中的移动终端兼具数据的接收和转发功能，高性能移动终端提供计算服务。移动自组织云,也叫移动朵云或移动设备云,是移动云计算的一种计算模式，是移动云计算在移动自组织网络中的运用，它由不同计算能力的移动终端设备组成,作为一种移动云计算服务提供给需要的用户(如私人云)，终端本身可能既是服务的提供者，又是服务的享受者，主要应用于移动设备无法接入网络中心、大型云计算服务提供商的情形。网络环境的异构性、大规模非集中式分布、节点的自治性，以及任务调度的可扩展性和动态自适应性要求等特点决定了任务分配度算法的多样性。现有的任务分配算法主要包括传统的作业调度算法、启发式智能调度算法、基于经济学模型的调度算法以及其他改进的调度算法几个方面。其中启发式智能算法由于具有自适应、算法复杂度低等特性使得其成为当前被广泛使用的一种任务分配问题的解决方式。例如粒子群算法(PSO)、蚁群算法(ACO)以及相关改进算法都是当前比较成熟的寻求任务分配问题最优解的方法。然而，现有算法的重点主要放在缩短任务完成时间上，这样容易导致整个系统负载失衡从而降低系统效率。
技术实现思路
技术问题：本专利技术针对现有技术存在的问题，提供一种移动朵云中基于粒子群和模拟退火优化的任务分配方法，本方法基于粒子群和模拟退火优化，充分利用各移动终端的计算资源，在一定的时延条件下，综合考虑节点的卸载需求、信道状态以及时延等限制，在保证任务实时性的情况下，最小化网络中所有节点的计算能耗与通信能耗并同时兼顾任务分配的公平性。技术方案：本专利技术所述的基于粒子群和模拟退火优化的移动朵云中的任务分配方法包括：(1)移动朵云中的主节点发起任务卸载请求。移动朵云中涉及两种类型的节点：需要邻近节点协助并分发任务的移动设备成为主节点；相反，提供资源完成协助计算的移动设备称为从节点。当主节点上有复杂的计算任务，而该主节点没有足够的计算资源来对该任务进行处理时，该主节点向移动朵云的其他从节点发送任务卸载请求。当从节点接收到主节点的任务卸载请求后，从节点收集该节点的剩余的计算资源信息，并回传给发起任务卸载请求的主节点。(2)建立任务卸载代价函数。收到各从节点的响应后，发起任务卸载请求的主节点根据各个从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数。该任务卸载代价函数包含能耗代价和公平性代价，能耗代价是节点进行任务卸载时消耗的能量，包括执行任务消耗的能量与任务传送产生的能耗，公平性代价是对任务卸载时节点实际产生的能耗与期望产生的能耗之间偏差的评估值；每个节点在进行一次任务卸载之前会被要求设定期望能耗值。当更加注重降低能耗代价时，通过提高代价函数中能耗影响因子权重使能耗占据更高的权重；如果更加注重任务公平性，则可以提高代价函数中公平性影响因子权重。(3)求解优化问题。在建立了任务卸载代价函数之后，开始执行基于粒子群和模拟退火优化的任务分配方法，每一次的迭代中首先采用粒子群优化的方法，粒子的位置代表任务分配的策略，在粒子群优化中，每个粒子都会根据个体最优解与当前种群的最优解不断调整位置和变化速度，使得最后的结果趋近最优解。在粒子群优化对粒子进行处理之后，使用模拟退火优化对粒子群优化的结果进行优化，使得该方法在保证收敛速度的同时避免陷入局部最优解。具体方法如下：判断粒子当前适应度值是否小于粒子原先的适应度值，若小于则接受本次粒子位置的更新；反之则根据粒子的当前适应度值和原先的适应度值生成一个本次粒子位置更新被接受的概率，并通过生成一个随机数与该概率比较大小的方式确定本次粒子位置更新是否被接受。之后判断根据粒子的当前解是否优于个体最优解，若是则将当前粒子更新为个体最优解。模拟退火优化结束后判断当前迭代次数是否等于规定的最大迭代次数，若等于最大迭代次数则将所有个体最优解中适应度值最小的粒子的位置作为分配结果，反之根据当前种群中所有粒子的个体最优解产生的适应度值计算出被选择为种群最优解的概率选举出新的种群最优解，之后更新相关参数。(4)分发任务。主节点根据优化结果向各个从节点分配计算任务，从节点接收到发送来的任务后进行计算处理，并将计算结果返回给主节点。主节点接收到从节点的计算结果后，根据任务的标号重新整理计算结果。进一步地，所述的节点任务卸载代价函数既考虑节点能耗，也考虑任务卸载时的分配公平性。进一步地，在选取种群最优解时，不再直接选取当前种群中适应度最优的粒子，而是根据适应度值所计算出的概率来选取种群最优解。进一步地，所述步骤(2)中，建立代价函数：我们使用M表示任务的总数，N表示从节点的总数；am，n∈{0，1}表示任务m的分配策略，am，n＝1表示任务m被分配给从节点Sn，而am，n＝0表示任务m没有被分配给从节点Sn，则矩阵A＝{am，n|m∈M，n∈N}表示所有任务的分配策略；bm∈{0，1}表示任务m的本地计算策略，bm＝1表示任务m在本地进行计算处理；bm＝0表示任务m被分配给某个从节点进行处理，则向量B＝(b1，b2，b3…，bm)T表示所有任务的本地计算策略；我们定义代价函数为：Subjecttom∈M，n∈NTtotal＜Tin(1.b)am，n∈{0，1}(1.c)bm∈{0，1}(1.d)其中δ和μ分别是能耗和公平性的权重；Tin表示最大可接受时延；Wn表示从节点Sn预期的能量消耗；Lm,l表示任务m分配在本地处理所需要的工作量，fm,l表示本地计算的能力，比例k＝10-11；(1.a)保证每个任务只能被一个节点并用一种方式处理；(1.b)保证执行时延小于最大可接受时延；(1.c)和(1.d)给出了决策变量的定义；任务m分配到从节点Sn产生的能量Em，n和总时延Ttotal分别由公式(2)和(3)表示其中表示主节点将任务m传输到从节点Sn的传输功率，Dm,n表示任务m分配到从节点Sn时的传输的数据量，W是信道带宽，Lm,n表示任务m分配在从节点Sn上被处理所需要的工作量；fm,n表示从节点Sn对任务m的计算能力；Hm，n表示该信道的信道增益，表示热噪声功率。进本文档来自技高网...

【技术保护点】
一种移动朵云中基于粒子群和模拟退火优化的任务分配方法，其特征在于：该任务分配方法基于粒子群和模拟退火优化，在时延限制下，综合考虑主节点的卸载需求、信道状态以及时延等限制，并根据节点的剩余计算资源公平地进行任务分配，使整个网络所有节点的计算能耗与通信能耗之和最低；该方法包括如下步骤：(1)发起任务卸载请求；当移动朵云中主节点上有复杂的计算任务，而该主节点没有足够的计算资源来对该任务进行处理时，该主节点向移动朵云的其他从节点发送任务卸载请求；当从节点接收到主节点的任务卸载请求后，从节点收集该节点当前剩余的计算资源信息，并回传给发起任务卸载请求的主节点；(2)建立代价函数；收到各从节点的响应后，发起任务卸载请求的主节点根据各个从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数；(3)求解优化问题；执行基于粒子群和模拟退火优化的任务分配算法，在算法的每一次迭代中，首先采用粒子群优化的方法，根据粒子的个体最优解与当前种群的最优解进行预处理，之后使用模拟退火优化对粒子群优化得到的结果进行进一步处理，在保证收敛速度的同时避免陷入局部最优解；(4)分发任务；主节点根据结果向各个从节点分配计算任务，从节点接收到发送来的任务后进行处理，并将结果返回给主节点；主节点接收到从节点的计算结果后，根据任务的标号重新整理结果。...

【技术特征摘要】
1.一种移动朵云中基于粒子群和模拟退火优化的任务分配方法，其特征在于：该任务分配方法基于粒子群和模拟退火优化，在时延限制下，综合考虑主节点的卸载需求、信道状态以及时延等限制，并根据节点的剩余计算资源公平地进行任务分配，使整个网络所有节点的计算能耗与通信能耗之和最低；该方法包括如下步骤：(1)发起任务卸载请求；当移动朵云中主节点上有复杂的计算任务，而该主节点没有足够的计算资源来对该任务进行处理时，该主节点向移动朵云的其他从节点发送任务卸载请求；当从节点接收到主节点的任务卸载请求后，从节点收集该节点当前剩余的计算资源信息，并回传给发起任务卸载请求的主节点；(2)建立代价函数；收到各从节点的响应后，发起任务卸载请求的主节点根据各个从节点剩余的计算资源信息和需要处理复杂计算任务的相关信息生成任务卸载代价函数；(3)求解优化问题；执行基于粒子群和模拟退火优化的任务分配算法，在算法的每一次迭代中，首先采用粒子群优化的方法，根据粒子的个体最优解与当前种群的最优解进行预处理，之后使用模拟退火优化对粒子群优化得到的结果进行进一步处理，在保证收敛速度的同时避免陷入局部最优解；(4)分发任务；主节点根据结果向各个从节点分配计算任务，从节点接收到发送来的任务后进行处理，并将结果返回给主节点；主节点接收到从节点的计算结果后，根据任务的标号重新整理结果。2.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法，其特征在于：所述的节点任务卸载代价函数既考虑节点能耗，也考虑任务卸载时的分配公平性。3.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法，其特征在于：在选取种群最优解时，不再直接选取当前种群中适应度最优的粒子，而是根据适应度值所计算出的概率来选取种群最优解。4.根据权利要求1所述的移动朵云中基于粒子群和模拟退火优化的任务分配方法，其特征在于：所述步骤(2)中，建立代价函数：我们使用M表示任务的总数，N表示从节点的总数；am，n∈{0，1}表示任务m的分配策略，αm，n＝1表示任务m被分配给从节点Sn，而αm，n＝0表示任务m没有被分配给从节点Sn，则矩阵A＝{αm，n|m∈M，n∈N}表示所有任务的分配策略；bm∈{0，1}表示任务m的本地计算策略，bm＝1表示任务m在本地进行计算处理；bm＝0表示任务m被分配给某个从节点进行处理，则向量B＝(b1，b2，b3…，bm)T表示所有任务的本地计算策略；我们定义代价函数为：Subjecttom∈M，n∈NTtotal＜Tin(1.b)am，n∈{0，1}(1.c)bm∈{0，1}(1.d)其中δ和μ分别是能耗和公平性的权重；Tin表示最大可接受时延；Wn表示从节点Sn预期的能量消耗；Lm，l表示任务m分配在本地处理所需要的工作量，fm，l表示本地计算的能力，比例k＝10-11；(1.a)保证每个任务只能被一个节点并用一种方式处理；(1.b)保证执行时延小于最大可接受时延；(1.c)和(1.d)给出了决策变量的定义；任务m分配到从节点Sn产生的能量Em，n和总时延Ttotal分别由公式(2)和(3)表示

【专利技术属性】
技术研发人员：夏玮玮，黄博南，张静，章跃跃，邹倩，燕锋，沈连丰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32