一种基于最先适应算法和遗传算法的计算任务卸载方法技术

本发明专利技术涉及一种基于最先适应算法和遗传算法的计算任务卸载方法，所述方法包括：步骤S1、对Q时间内累计产生的计算任务使用遗传算法得出卸载位置并进行卸载；步骤S2、初始化TLIMIT＝t0+TMAX和y＝0；步骤S3、获取产生的最新计算任务，并计算该最新计算任务的计算时间t，判断时间t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，并将该最新计算任务的惩罚值累加到y上，并转到步骤S3；步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。使用本发明专利技术，能够使得总体卸载达到最优。能够使得总体卸载达到最优。能够使得总体卸载达到最优。

【技术实现步骤摘要】
一种基于最先适应算法和遗传算法的计算任务卸载方法


[0001]本专利技术涉及计算任务卸载
，具体涉及一种基于最先适应算法和遗传算法的计算任务卸载方法。

技术介绍

[0002]近些年，随着物联网技术的快速发展与人们对生活质量要求的提高，出现了许多新型物联网设备，并且广泛地得到了使用，如智能手机、智能手环、智能家居、共享单车等。并且随着计算机科学的不断进步，新兴算法的计算量越来越大，如机器学习、自然语言处理、深度学习等。然而移动设备的计算能力较低，电池容量较小，这就导致了移动设备的许多计算任务无法完成。计算卸载中的移动边缘计算和云计算可以有效的解决该问题。移动边缘计算利用无线接入网络就近为移动设备的用户提供计算服务，而云计算通过网络“云”将巨大的数据计算处理程序分解成无数个小程序，然后通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。因为移动设备的电源使用的是电池或其他功耗较低的供电方式，其功耗得到了限制，且由于移动设备的便携性其体积也得到了限制，所以边缘服务器与云服务器的计算能力通常远高于移动设备。移动设备将任务卸载到边缘服务器和云服务器可以有效的缩短任务的计算时间和减少移动设备的能量消耗。
[0003]通过本专利技术的专利技术人研究发现，计算任务在本地计算、卸载到边缘服务器或者卸载到云服务器的计算时延和能量消耗差异很大；应该让计算量小、时延敏感型的任务在本地计算，将计算量大、非时延敏感型任务的任务卸载到边缘服务器或云服务器；因此，有必要提出一种计算任务卸载方法，来实现这个目的。/>
技术实现思路

[0004]本专利技术的目的在于提出一种基于最先适应算法和遗传算法的计算任务卸载方法，以实现让计算量小、时延敏感型的任务在本地计算，将计算量大、非时延敏感型任务的任务卸载到边缘服务器或云服务器。
[0005]为实现上述目的，本专利技术的实施例提出一种基于最先适应算法和遗传算法的计算任务卸载方法，包括：
[0006]步骤S1、对Q时间内多个移动设备累计产生的多个计算任务，使用遗传算法进行计算得出卸载位置并进行卸载；其中，Q为预先设定的遗传算法的处理时间；
[0007]步骤S2、初始化TLIMIT＝t0+TMAX和y＝0；其中，TMAX为最先适应算法最大的处理时间，t0为Q时间内多个移动设备累计产生的计算任务的时间消耗；
[0008]步骤S3、获取产生的最新计算任务，并计算该最新计算任务的时间消耗t，判断时间消耗t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；其中，PMAX为预先设置的惩罚值上限；
[0009]步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，将该最新计算任务的惩罚值累加到y，并转到步骤S3；
[0010]步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。
[0011]可选地，所述步骤S4包括：
[0012]步骤S41、计算该最新计算任务在当前卸载位置计算的消耗t；
[0013]步骤S42、判断该消耗t是否小于该最新计算任务所要求的消耗最大值；
[0014]步骤S43、如果是，则确定该最新计算任务在当前卸载位置进行计算，如果否，则判断是否遍历所有卸载位置，如果否，则移动到下一个卸载位置，并返回步骤S41重新计算和判断；如果遍历所有卸载位置均无法满足所述步骤S42的判断条件，则选择其中消耗最小的卸载位置进行卸载计算。
[0015]可选地，根据以下计算方式计算卸载计算任务的所述消耗：
[0016]φ＝α
t
T+α
e
E
[0017]其中，φ为消耗，T为计算任务最终的时间总消耗，T由传输时间消耗和计算消耗时间组成，E为最终的能量总消耗，α
t
是时间消耗加权系数，α
e
是能量消耗加权系数，并且α
t
+α
e
＝1。
[0018]本专利技术实施例的方法研究了移动设备任务的卸载决策，选择让其在移动设备进行本地计算，还是卸载到边缘服务器或云服务器上，使一段时间内所有任务的计算时延较低、能量消耗较少，即使总体卸载达到最优；提出了以时延和能耗为优化目标的基于最先适应算法和遗传算法的计算卸载方法；为了精确并快速的卸载任务，使用最先适应算法进行在线卸载；以及为了协同优化一段时间内任务，使用遗传算法进行离线卸载；联合最先适应算法和遗传算法，通过轮询使用两种算法，发挥了各自算法的优势，并互相弥补了各自不足。
[0019]本专利技术的其它特征和优点将在随后的说明书中阐述。
附图说明
[0020]为了更清楚地说明本专利技术实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0021]图1为本专利技术实施例一中一种基于最先适应算法和遗传算法的计算任务卸载方法的流程示意图。
[0022]图2为计算实例中遗传算法执行时间消耗对比图。
[0023]图3为计算实例中本专利技术实施例算法与简单遗传算法消耗对比图。
具体实施方式
[0024]为了更好的说明本专利技术，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本专利技术同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本专利技术的主旨。
[0025]参阅图1，本专利技术的实施例提出一种基于最先适应算法和遗传算法的计算任务卸载方法，包括：
[0026]步骤S1、对Q时间内多个移动设备累计产生的多个计算任务，使用遗传算法进行计
算得出卸载位置并进行卸载；其中，Q为预先设定的遗传算法的处理时间；
[0027]具体而言，可以理解的是，本专利技术实施例的主旨在于联合遗传算法和最先适应算法两种算法进行计算任务卸载，以达到消耗最小，其中遗传算法广泛应用于解决计算任务卸载问题，因此本实施例中不限定于任一种具体遗传算法；例如：《计算机工程与科学》刊登的“基于光纤-无线网络的协同计算卸载算法”，郭金林等，该算法针对实时性高的任务，提出了以最小化任务的总处理时间为目标的集中式云和边缘云协同计算卸载问题，并对其进行形式化描述。同时，通过将该问题归约为装箱问题,从而证明其为NP难解问题；提出一个启发式协同计算卸载算法，该算法通过比较不同卸载策略的任务处理时间，优先选择时间最短的任务卸载策略。同时，提出一个定制的遗传算法，获得一个更优的任务卸载策略。又例如：专利文献CN104158855A公开的一种基于遗传算法的移动服务组合计算卸载方法，其通过收集移动终端、移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最先适应算法和遗传算法的计算任务卸载方法，其特征在于，包括：步骤S1、对Q时间内多个移动设备累计产生的多个计算任务，使用遗传算法进行计算得出卸载位置并进行卸载；其中，Q为预先设定的遗传算法的处理时间；步骤S2、初始化TLIMIT＝t0+TMAX和y＝0；其中，TMAX为最先适应算法最大的处理时间，t0为Q时间内多个移动设备累计产生的计算任务的时间消耗；步骤S3、获取产生的最新计算任务，并计算该最新计算任务的时间消耗t，判断时间消耗t是否小于TLIMIT和累计值y是否小于PMAX是否都成立，如果都成立则执行步骤S4，否则执行步骤S5；其中，PMAX为预先设置的惩罚值上限；步骤S4、对该最新计算任务使用最先适应算法进行计算卸载，将该最新计算任务的惩罚值累加到y，并转到步骤S3；步骤S5、判断是否结束对计算任务的卸载，如果不结束则转到步骤S1继续执行，如果结束则结束运行。2.根据权利要求1所述的基于最先适应算法和遗传算法的计算任务卸载方法，其特征在于，所述步骤S4包括...

【专利技术属性】
技术研发人员：高强，陈嘉，吴谦，黄志伟，周婧，霍莎莎，周雨涛，黄哲，曾凌烽，王得全，刘鑫，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：