基于PSO-DE算法的计算卸载方法技术

本发明专利技术公开一种基于PSO

【技术实现步骤摘要】
基于PSO
‑
DE算法的计算卸载方法


[0001]本专利技术涉及移动边缘计算领域，具体基于PSO
‑
DE算法的计算卸载方法

技术介绍

[0002]随着5G网络的兴起与无线网络的不断地发展，移动设备(Mobile Devices， MDs)逐渐成为人们生活当中不可替代的一部分。与此同时，根据人们生活需求 不断地提高，催生出大量高质量的服务与应用，例如智能家居、VR、人脸以及 指纹识别等应用。这些应用通常导致高能耗且需要强大的计算能力，但由于移动 终端设备自身存储空间、计算能力不足可能无法高效且及时的处理此类任务。移 动云计算(Mobile Cloud Computing，MCC)的出现虽然可以为存储空间与计算能 力不足的设备提供处理复杂计算与高存储的能力，但它仍存在一些缺点：云计算 是集中式数据处理，即将各个任务都要通过远程网络从终端传输到遥远的云端。 当任务量不断增加时，由于云服务器距离终端设备距离比较远，所以在数据传输 过程中极易出现数据丢失、能耗过高、网络延迟等一系列问题，这些问题都将严 重影响了用户体验本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于PSO
‑
DE算法的计算卸载方法，其特征在于，包括以下步骤：步骤1：初始化：根据粒子个体的维度(用户任务数)、粒子编码、种群规模等随机生成种群pop1；初始化学习因子、最大迭代次数、变异因子、交叉概率等；步骤2：根据初始化种群pop0，分别根据适应度函数计算每个粒子的适应度值并记录全局最佳的位置以及其对应的适应度值；注意，此时每个粒子个体最佳为该粒子初始化的位置；步骤3：根据粒子的速度与位置的公式来更新粒子每一维度的的速度与位置，并对该粒子每一维度的速度与位置做越界处理；步骤4：选择。根据适应度函数计算更新后粒子的适应值，并与原粒子个体的适应度值进行比较。若该粒子的适应度值大于原粒子个体的适应度值，则将新粒子替换原粒子个体，最后形成一个新的种群pop1并计算该种群每个粒子个体的适应度；步骤5：变异。根据变异算子对种群pop1中的粒子个体进行变异操作，并需要对新粒子个体的每一维度进行边界检查，最后形成种群pop2；步骤6：交叉。对当前种群pop1的个体与变异后的种群pop2的个体进行交叉操作，并对新粒子个体的每一维度进行边界检查，最后形成种群pop3并计算该种群每个粒子个体的适应度；步骤7：选择。按降序对种群pop1与pop3中粒子个体的适应度值排序，选取适应度值较高的个体作为下一次迭代的初始种群pop1并分别更新最佳个体与全局最佳以及它们的适应值。步骤8：判断是否满足结束条件。若不满足，则直接跳转步骤3，重复执行步骤3
‑
7；否则，退出循环，直接输出最佳的任务卸载策略以及对应的适应值。2.根据权利要求1所述的基于PSO
‑
DE算法的计算卸载组合法，其特征在于：所述步骤1中，本发明考虑在一个由U个移动设备和一个基站组成的MEC系统中。该系统主要分为两个部分：(1)由移动设备组成的主要负责对自身任务的处理、卸载任务数据的传输；(2)由基站和服务器组成的MEC服务器负责接收来自移动设备传输的任务并对其进行处理。其中，每个边缘服务器可以为多个移动设备服务，每个移动设备所产生的任务可以选择在自身设备执行或者选择连接无线网络将自身任务卸载到边缘服务器上执行。注意：当出现任务卸载时，本发明只考虑由一个边缘服务器来处理，不考虑部分卸载问题，如本在MEC服务器上执行的任务中途又卸载到终端设备上处理。3.根据权利要求1所述的基于PSO
‑
DE算法的计算卸载组合法，其特征在于：所述步骤1中，跟传统群体智能优化算法一样，本发明提出的算法仍需要根据实验来确定学习因子、惯性权重、变异算子以及交叉概率。4.根据权利要求1所述的基于PSO
‑
DE算法的计算卸载方法，其特征在于：所述步骤2中，每个粒子个体的适应度的计算方式为：本发明提出一种综合考虑时延与能耗的多用户、单MEC服务器的计算卸载模型，即将多个任务的卸载策略问题转化为求所有任务最小化能耗问题，并考虑到时延也是影响用户体验质量的一个重要因素，故使用罚函数来平衡时延与能耗之间的问题。该发明采用二进制编码来描述任务卸载的决策，若s
i
＝0，则该任务需要在本地执行；否则，该任务需要...

【专利技术属性】
技术研发人员：张笑，谭文安，周鑫，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：