【技术实现步骤摘要】
基于位置预测的移动智能集群分布式动态任务卸载方法
[0001]本专利技术属于无线通信
,具体涉及一种基于位置预测的移动智能集群分布式动态任务卸载方法。
技术介绍
[0002]网络智能设备在实际运行过程中会产生大量算力需求,然而由于其自身计算存储资源有限,无法满足计算任务严格的时间限制,因此会将任务分配到附近资源丰富的节点上进行计算,等待计算完成后将结果返回到智能设备上,这一过程称为任务卸载。任务卸载技术可以分担终端节点繁重的计算需求,降低整体系统的总能耗,缩短任务计算时间,提供系统利用率。
[0003]随着任务卸载技术被应用到移动边缘计算和无人智能集群等场景中,智能设备的高移动性给任务卸载技术带来了挑战,因此不少研究考虑通过结合节点的位置信息与传统任务卸载方案,在保证卸载效率的同时提高任务卸载的可靠性。
[0004]目前,现有技术中存在部分研究考虑车辆高机动性对卸载过程的影响,但存在问题如下所示:
[0005](1)缺乏考虑位置动态变化对可靠性影响的问题。现有技术根据智能设备当前的运动状态来计算实体之间的链接可靠性,例如,通过结合车辆移动性特征,将车辆之间的连接关系描述为最大任务处理能力,其中任务通过该连接关系选择最优卸载路径,但利用任务处理能力来表示车间关系过于复杂;或者利用基于车辆移动性分析的多跳车辆计算资源,具体而言,就是通过基于时间的内切链路连通性来更直观地表示移动车辆的连通性关系。上述两个方案都采用卸载前节点间位置关系与运动情况计算出的可靠值充当卸载期间的可靠性,没有考虑到节点 ...
【技术保护点】
【技术特征摘要】
1.一种基于位置预测的移动智能集群分布式动态任务卸载方法,其特征在于,应用于边缘环境中的智能设备;所述方法包括:各智能设备估计得到自身在预设时间段内的第一位置预测序列;所述智能设备包括任务节点和通信节点,所述任务节点为生成任务的智能设备,所述通信节点为各智能设备通信范围内的其它智能设备;任务节点向基站或自身的通信节点发送任务卸载请求后,接收基站和\或通信节点发送的第二位置预测序列,并分别计算各个第二位置预测序列与自身第一位置预测序列中对应元素之间的可靠值;基于所述可靠值计算不同任务卸载策略的收益总和;将所述收益总和作为适应度函数,利用人工鱼群算法搜索得到最优卸载策略。2.根据权利要求1所述的基于位置预测的移动智能集群分布式动态任务卸载方法,其特征在于,各智能设备估计得到自身在预设时间段内的第一位置预测序列的步骤,包括:各智能设备预测自身在所述预设时间段内各个时刻的先验状态,得到预设时间段内的第一位置预测序列。3.根据权利要求2所述的基于位置预测的移动智能集群分布式动态任务卸载方法,其特征在于,各智能设备按照如下步骤估计自身在所述预设时间窗口内各个时刻的先验状态:各智能设备根据自身在k时刻的状态向量x
k
=[x,y,v
x
,v
y
]
T
,估计自身在k+1时刻的先验状态向量:其中,g为非线性函数,u
k
为预设控制向量,x、y分别表示智能设备自身位置的横坐标和纵坐标,v
x
、v
y
分别表示智能设备自身的横坐标速度和纵坐标速度,a
x
、a
y
分别表示智能设备自身的横坐标加速度和纵坐标加速度,Δt表示k时刻与k+1时刻之间的时间间隔;各智能设备根据k时刻的噪声协方差矩阵,估计k+1时刻的先验噪声协方差矩阵:其中,J
A
表示非线性函数g的雅可比矩阵,T表示转置,Q表示预设的过程噪声矩阵;根据所述先验噪声协方差矩阵计算k时刻的卡尔曼增益:其中,J
H
表示观测函数H的雅可比矩阵,R表示预设的观测噪声协方差矩阵;根据所述卡尔曼增益计算k+1时刻的位置预测结果:x
k+1
=x
k
+K
k
(z
k
‑
H(x
k
))
其中,z
k
表示智能设备通过传感器获得的自身的观测值,所述观测值包括自身位置的横坐标、纵坐标、横坐标速度、纵坐标速度、横坐标加速度和纵坐标加速度;根据所述k时刻的卡尔曼增益,对所述k+1时刻的先验噪声协方差矩阵进行更新:P
k+1
=(I
‑
K
k
J
H
)P'
k+1
;其中,I表示单位矩阵。4.根据权利要求1所述的基于位置预测的移动智能集群分布式动态任务卸载方法,其特征在于,任务节点向基站或自身的通信节点发送任务卸载请求后,接收基站和\或通信节点发送的第二位置预测序列,并分别计算各个第二位置预测序列与自身第一位置预测序列中对应元素之间的可靠值的步骤,包括:任务节点向自身通信范围内的基站或通信节点发送任务卸载请求,并接收基站和\或通信节点发送的第二位置预测序...
【专利技术属性】
技术研发人员:张志为,陈泽瀚,沈玉龙,徐新阳,李涵,朱洪勇,王建东,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。