一种基于前景理论框架的边缘计算任务卸载方法技术

本发明专利技术公开一种基于前景理论框架的边缘计算任务卸载方法，属于物联网领域。移动边缘计算为联网的车辆、手机等移动设备提供了完成密集型计算和延迟敏感任务的可靠解决方案，现有的研究大多在假设用户绝对理性的基础上设计一系列方法来完成预期目标，但是因为用户的主观性，实际结果会偏离真实情况。针对小型蜂窝网络场景下的任务卸载问题使用人工鱼群算法在限制时延情况下优化系统能量，最后通过实验测试验证了用户行为对系统能量优化的影响及所提出的任务卸载方法的有效性。及所提出的任务卸载方法的有效性。及所提出的任务卸载方法的有效性。

【技术实现步骤摘要】
一种基于前景理论框架的边缘计算任务卸载方法


[0001]本专利技术属于物联网领域，具体涉及一种前景理论框架的边缘计算任务卸载方法。

技术介绍

[0002]近年来，随着信息技术和计算机技术的高速发展，各种移动设备不断更新换代，网络可以为人们提供丰富的应用。传统的集中式网络架构由于链路拥挤，导致通信时延较长，无法满足用户的使用体验(QoE，quality of experience)，所以研究人员提出了将网络能力从核心网络迁移到边缘，即移动边缘计算(MEC，Mobile Edge Computing)。通过在移动网络边缘部署MEC服务器，MEC可以提供接近移动设备用户的计算和存储资源。因此，可以通过将计算转移到边缘云中附近的MEC服务器来实现低延迟。2014年，欧洲电信协会将MEC定义为在移动网络边缘提供IT(Information Technology)服务环境和云计算能力，根据MEC具有与用户在地理位置上的靠近、低延迟、局域性和位置感知等特点，强调MEC贴近移动用户，减少网络的运营和服务延迟的特性，从而改善用户体验。MEC服务器部署在无线网络的边缘，缩短了计算服务器与车辆的距离，使车辆可以将计算任务卸载至MEC服务器进行计算，并且汽车工业的发展使得车辆的计算能力有了不小的提升，这样车辆的计算任务既可以卸载到服务器进行计算，也可以卸载到其他空闲车辆上进行计算，所以MEC的出现使得智能交通快速发展，并且使得联网车辆的数量也在快速增加。随着车辆远程信息技术的发展，人们对于车辆网络上的功能的期待也随之增加，如驾驶安全、自动驾驶、车内娱乐以及智能交通系统；这些愿景也使得车辆网络的预期数据变得更为庞大。
[0003]大量的研究人员开发了很多提升卸载效率或者提升用户体验的计算任务卸载算法，但是却忽略了各种卸载方案都是基于用户在选择卸载方式时的绝对理性，但是在不确定的情况下，人的决策依赖于其主观感知，可能会严重偏离理性，如实验所述。对于现实中网络连接和网络设备的极大不确定性，人的主观感知将会在做出卸载决策的过程中起到很大的作用，所以用户会按照自己的期望来选择卸载任务或是在边缘设备上执行，计算卸载算法所推断出的卸载策略参考性将会收到影响。

技术实现思路

[0004]本专利技术的目的是就是将移动端的处理不了的或处理不好的任务卸载到移动网络的边缘上的边缘服务器，当边缘服务器将任务计算完毕后再将结果传输回移动端。为了研究人的主观感知对计算卸载产生的影响，应用前景理论(PT，prospect theory)来模拟用户在卸载过程中的真实行为。具体来说，本专利技术将计算卸载场景模拟为车辆在城市中与边缘服务器的交互，将其建模为多用户多边缘服务器模型，考虑每个用户的真实行为的同时限制时间，并最小化任务执行的能耗，最大化主观效用。根据前景理论对人工鱼群算法进行改进，提出一种改进的人工鱼群算法来保证解的全局最优性同时最小化收敛速度。
[0005]本专利技术的前景理论框架的边缘计算任务卸载方法，主要包括如下关键步骤：
[0006]第1、边缘计算任务卸载场景下的人工鱼群算法实现：
[0007]第1.1、聚群行为；
[0008]第1.2、追尾行为；
[0009]第1.3、捕食行为；
[0010]第1.4、随机游动；
[0011]第2、基于前景理论框架的边缘计算任务卸载方法的设计：
[0012]第2.1、改进人工鱼群算法；
[0013]第2.2、算法复杂度分析。
[0014]进一步的，步骤第1.1中实现了鱼群聚群行为策略，输入当前人工鱼位置X
n
、vision、step和crowd，尝试try_num次聚群，聚群行为若超过规定尝试次数还未能找到更优的聚群位置，则代表当前人工鱼所处位置已经是较为合适的位置，从而执行捕食行为，若是找到合适聚群的位置，则按照公式(2)向鱼群中心位置前进一步，
[0015]X
center
＝X
sum
/n
f
ꢀꢀ
(1)
[0016][0017]其中，X
sum
为人工鱼群的位置累加值，X
next
为人工鱼移动后的位置，Rand(0，1)为0～1之间的随机数，floor为向下取整函数，floor的引入保证了每个决策都是整数，保证了中问题的可解性，
[0018]首先进行参数初始化，当前人工鱼位置X
n
，当前人工鱼的适应度值为Fitness_cur，尝试聚群次数try_num，当满足最大尝试聚群次数时，终止优化返回结果，否则继续优化，然后计算当前人工鱼视野范围内的伙伴数量，计算当前人工鱼视野范围内的伙伴中心，断当前人工鱼视野范围内的伙伴中心位置适应度及拥挤度条件则向当前人工鱼视野范围内的伙伴中心前进一步，录聚群行为的当前最优适应度值不满足条件则进行捕食行为，后返回继续进行迭代。
[0019]进一步的，步骤第1.2中输入当前人工鱼位置X
n
，step，vision和crowd，尝试try_num次追尾，通过公式(3)找到营养物质浓度最高同类的位置，若该位置满足公式(4)，则当前人工鱼向满足条件的同类按照公式(5)进行追尾，否则会进行捕食行为，其中X
k
为当前人工鱼视野范围内第k条同类的位置，
[0020]X
min
＝arg min(Fitness(X
k
))
ꢀꢀ
(3)
[0021]Fitness(X
min
)/n
f
＜Fitness(X
n
)
·
crowd
ꢀꢀ
(4)
[0022][0023]首先进行参数初始化，当前人工鱼的适应度值Fitness_cur，尝试追尾次数try_num等，满足最大尝试聚群次数时，终止优化返回结果，则继续优化，后计算当前人工鱼视野范围内的伙伴数量，到视野范围内第k条人工鱼的位置，计算第k条人工鱼位置的适应度值，全部计算完毕后进行比较得到最小适应度值的位置X
min
，断X
min
处是否适应度值足够低并且不拥挤，满足条件泽继续执行，否则进行捕食行为，最小适应度值的位置X
min
前进一步，后记录追尾行为的当前最优适应度值，返回继续进行迭代。
[0024]进一步的，步骤第1.3中人工鱼会向离当前位置vision范围内的区域寻找下一移动位置，若该位置营养物质浓度高于起始位置，则向该位置移动一步，否则重新搜寻，在尝试次数内未能找到更好位置则执行随机游动行为，
[0025]首先进行参数的初始化，当前人工鱼的适应度值Fitness_cur，尝试捕食次数try_num等，满足最大尝试捕食次数时，终止优化返回结果，否则继续优化，然后在视野范围内随机选择一个位置，向该位置移动，判断移动后的适应度值是否小于Fitness_cur，若小于则Fitness本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于前景理论框架的边缘计算任务卸载方法，其特征在于该方法主要包括如下步骤：第1、边缘计算任务卸载场景下的人工鱼群算法实现：第1.1、聚群行为；第1.2、追尾行为；第1.3、捕食行为；第1.4、随机游动；第2、基于前景理论框架的边缘计算任务卸载方法的设计：第2.1、改进人工鱼群算法；第2.2、算法复杂度分析。2.如权利要求1所述的基于前景理论框架的边缘计算任务卸载方法，其特征在于，步骤第1.1中实现了鱼群聚群行为策略，输入当前人工鱼位置X
n
、vision、step和crowd，尝试try_num次聚群，聚群行为若超过规定尝试次数还未能找到更优的聚群位置，则代表当前人工鱼所处位置已经是较为合适的位置，从而执行捕食行为，若是找到合适聚群的位置，则按照公式(2)向鱼群中心位置前进一步，X
center
＝X
sum
/n
f
ꢀꢀꢀꢀ
(1)其中，X
sum
为人工鱼群的位置累加值，X
next
为人工鱼移动后的位置，Rand(0，1)为0～1之间的随机数，floor为向下取整函数，floor的引入保证了每个决策都是整数，保证了中问题的可解性，首先进行参数初始化，当前人工鱼位置X
n
，当前人工鱼的适应度值为Fitness_cur，尝试聚群次数try_num，当满足最大尝试聚群次数时，终止优化返回结果，否则继续优化，然后计算当前人工鱼视野范围内的伙伴数量，计算当前人工鱼视野范围内的伙伴中心，断当前人工鱼视野范围内的伙伴中心位置适应度及拥挤度条件则向当前人工鱼视野范围内的伙伴中心前进一步，录聚群行为的当前最优适应度值不满足条件则进行捕食行为，后返回继续进行迭代。3.如权利要求1所述的基于前景理论框架的边缘计算任务卸载方法，其特征在于，步骤第1.2中输入当前人工鱼位置X
n
，step，vision和crowd，尝试try_num次追尾，通过公式(3)找到营养物质浓度最高同类的位置，若该位置满足公式(4)，则当前人工鱼向满足条件的同类按照公式(5)进行追尾，否则会进行捕食行为，其中X
k
为当前人工鱼视野范围内第k条同类的位置，X
min
＝arg min(Fitness(X
k
))
ꢀꢀꢀꢀ
(3)Fitness(X
min
)/n
f
＜Fitness(X
n
)
·
crowd
ꢀꢀꢀꢀ
(4)首先进行参数初始化，当前人工鱼的适应度值Fitness_cur，尝试追尾次数try_num等，满足最大尝试聚群次数时，终止优化返回结果，则继续优化，后计算当前人工鱼视野范围内的伙伴数量，到视野范围内第k条人工鱼的位置，计算第k条人工鱼位置的适应度值，全部计
算完毕后进行比较得到最小适应度值的位置X
min
，断X
min
处是否适应度值足够低并且不拥挤，满足条件泽继续执行，否则进行捕食行为，最小适应度值的位置X
min
前进一步，后记录追尾行为的当前最优适应度值，返回继续进行迭代。4.如权利要求1所述的基于前景理论框架的边缘计算任务卸载方法，其特征在于，步骤第1.3中人工鱼会向离当前位置vision范围内的区域寻找下一移动位置，若该位置营养物质浓度高于起始位置，则向该位置移动一步，否则重新搜寻，在尝试次数内未能找到更好位置则执行随机游动行为，首先进行参数的初始化，当前人工鱼的适应度值Fitness_cur，尝试捕食次数try_num等，满足最大尝试捕食次数时，终止优化返回结果，否则继续优化，然后在视野范围内随机选择一个位置，向该位置移动，判断移动后的适应度值是否小于Fitness_cur，若小于则Fitness_cur改变为移动后的适...

【专利技术属性】
技术研发人员：张德干，张平，张婷，张捷，董文淼，鄂泓霖，安宏展，张志昊，王晓阳，王法玉，陈洪涛，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：