一种面向无线供能辅助移动边缘计算的智能任务分配方法组成比例

本发明专利技术提供了一种面向无线供能辅助移动边缘计算的智能任务分配方法，涉及移动边缘计算资源分配技术领域，包括如下步骤：

【技术实现步骤摘要】
一种面向无线供能辅助移动边缘计算的智能任务分配方法


[0001]本专利技术涉及移动边缘计算资源分配
，具体而言，尤其涉及一种面向无线供能辅助移动边缘计算的智能任务分配方法
。

技术介绍

[0002]近年来随着物联网的快速发展和第五代移动通信技术的普及，网络设备每时每刻产生海量的数据待处理
。
移动云计算技术显然已经不能高效地处理这些数据，因此学术界提出和倡导对移动边缘计算
(Mobile Edge Computing
，
MEC)
的研究与应用
。
由于边缘计算的服务器在地理位置上很靠近设备终端，所以移动云计算技术中所存在的传输质量问题与安全问题就能很好的得到解决
。
移动边缘计算技术不仅可以减少数据传输带宽的使用，还能更好的保护那些涉及个人隐私的数据，从而降低其敏感数据泄露的概率
。
另一方面边缘计算支持邻近设备终端之间的相互协作，这使得终端设备之间可以共享空闲的计算资源等，同时使得移动场景下的交互性得到提升
。
[0003]现有的移动边缘计算技术中，
WPT
‑
MEC
系统可以通过平衡计算资源
、
能量供应和通信资源来获得高效的资源分配方法，进而解决网络边缘设备的计算能力和能量双重受限问题
。
在多用户无线供能移动边缘计算系统中，如何权衡通信资源
、
计算资源和能量供应以及如何克服“双重近远效应”来使系统时延最小化或设备能效最大化是值得研究的问题
。
[0004]WPT
‑
MEC
系统的任务总处理时延或设备能效就是其关键性能指标之一
。
近些年虽然关于
WPT
‑
MEC
系统的研究逐年增多，但学者们在模型中使用的算法大多为传统算法，虽然传统优化技术追求理论上的准确与完美
、
收敛速度快，但其以微积分为基础的前提使得上手难度较高，上手需要强大的数学功底，并且传统优化算法适用规模较小，求解的结果强烈依赖于初始值
。
更何况传统的优化算法很多都属于凸优化范畴，而在
WPT
‑
MEC
模型中提出的问题基本都属于非凸整数规划问题，所以在应用传统优化算法之前需要先对其进行预处理，将所研究问题转化为凸优化问题
。
相比于传统的数学优化方法，启发式算法或智能演化算法对所求解目标问题的数学性质没有任何要求，是一种对目标问题较为鲁棒的算法，除此之外还具有适用广泛的特点
。
但启发式算法在小规模数据求解中具有比较好的性质，但是当数据规模变大时，算法的效果就会下降
。
而智能演化算法容易陷入局部最优，因此往往输出策略效果一般
。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种面向无线供能辅助移动边缘计算的智能任务分配方法，以解决无线供能辅助移动边缘计算的资源调度问题
。
[0006]本专利技术采用的技术手段如下：
[0007]一种面向无线供能辅助移动边缘计算的智能任务分配方法，包括如下步骤：
[0008]S1、
建立动态任务场景下无线供能辅助移动边缘计算模型的基本框架；
[0009]S2、
根据基本框架生成调度方案，利用增强免疫差分优化算法对场景中的设备计
算任务进行任务分配和资源调度，在保证能量能够完成该组任务的前提下进行完成任务的归一化时延和能耗最小加权和计算
。
[0010]进一步地，
S1
具体包括如下步骤：
[0011]S11、
通过无线能量站获取终端设备信道状态信息，为终端设备进行无线充电，得到收集的电量信息；
[0012]S12、
通过服务器获取终端设备位置信息以及信道状态信息，采用通过服务器获取的位置信息以及信道状态信息和收集的电量信息生成最优卸载路径；
[0013]S13、
采用收集的电量信息和最优卸载路径生成终端设备合适的任务数据卸载比例
。
[0014]进一步地，
S11
具体包括如下步骤：
[0015]S111、
获取终端设备的位置信息和信道状态信息，根据终端设备的位置信息和信道状态信息生成各个终端设备的下行信道增益
h
down
；
[0016]S112、
无线能量站隔空对终端设备进行无线充电，对充电时间的计算接入免疫差分优化算法中，基于下行信道增益
h
down
，利用优化算法优化延迟，获得优化后的充电时间，若充电时间达标则进入
S12。
[0017]进一步地，
S12
具体包括如下步骤：
[0018]S121、
通过服务器获取位置信息和信道状态信息，根据服务器获取的位置信息和信道状态信息来计算设备的上行信道增益
h
up
；
[0019]S122、
搜集任务信息，基于上行信道增益
h
up
和任务信息获取设备可能的卸载能耗与时延；
[0020]S123、
利用位置信息
、
信道状态信息和任务信息确定卸载的任务是否中继，并生成卸载路径决策
。
[0021]进一步地，
S13
具体包括如下步骤：
[0022]S131、
根据任务信息搜集的任务数据量和卸载路径决策，利用免疫差分优化算法产生计算资源调度方案；
[0023]S132、
终端设备按照资源调度方案进行计算任务的卸载
、
计算
、
数据回传
。
[0024]S133、
终端设备在执行当前计算任务后进行能耗和时延判断，符合能量和时延要求则继续执行任务，否则结束任务输出结果
。
[0025]进一步地，
S2
所述增强免疫差分优化算法包括：
[0026]以
Q
学习算法作为免疫差分优化算法的辅助算法，对资源调度问题进行预处理，获取当前情景下的卸载路径；
[0027]以抗体作为免疫差分优化算法中的核心；
[0028]智能结合算法以
Q
学习算法开始，进行种群预处理，快速制定卸载路径决策并把卸载路径决策加入到增强免疫差分优化算法中，所述免疫差分优化算法在免疫算法的基础上做了全局收敛性的增强，免疫差分优化算法以卸载路径决策作为卸载路径方案，利用抗体作为迭代算子，与环境进行交互，两种算法交替配合寻找资源调度策略
。
[0029]进一步地，所述
Q
学习算法包括：
[0030]卸载路径决策作为智能体在环境中学习，通过动作的选择更新<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向无线供能辅助移动边缘计算的智能任务分配方法，其特征在于，包括如下步骤：
S1、
建立动态任务场景下无线供能辅助移动边缘计算模型的基本框架；
S2、
根据基本框架生成调度方案，利用增强免疫差分优化算法对场景中的设备计算任务进行任务分配和资源调度，在保证能量能够完成该组任务的前提下进行完成任务的归一化时延和能耗最小加权和计算
。2.
根据权利要求1所述的面向无线供能辅助移动边缘计算的智能任务分配方法，其特征在于，
S1
具体包括如下步骤：
S11、
通过无线能量站获取终端设备信道状态信息，为终端设备进行无线充电，得到收集的电量信息；
S12、
通过服务器获取终端设备位置信息以及信道状态信息，采用通过服务器获取的位置信息以及信道状态信息和收集的电量信息生成最优卸载路径；
S13、
采用收集的电量信息和最优卸载路径生成终端设备合适的任务数据卸载比例
。3.
根据权利要求2所述的面向无线供能辅助移动边缘计算的智能任务分配方法，其特征在于，
S11
具体包括如下步骤：
S111、
获取终端设备的位置信息和信道状态信息，根据终端设备的位置信息和信道状态信息生成各个终端设备的下行信道增益
h
down
；
S112、
无线能量站隔空对终端设备进行无线充电，对充电时间的计算接入免疫差分优化算法中，基于下行信道增益
h
down
，利用优化算法优化延迟，获得优化后的充电时间，若充电时间达标则进入
S12。4.
根据权利要求3所述的面向无线供能辅助移动边缘计算的智能任务分配方法，其特征在于，
S12
具体包括如下步骤：
S121、
通过服务器获取位置信息和信道状态信息，根据服务器获取的位置信息和信道状态信息来计算设备的上行信道增益
h
up
；
S122、
搜集任务信息，基于上行信道增益
h
up
和任务信息获取设备可能的卸载能耗与时延；
S123、
利用位置信息
、
信道状态信息和任务信息确定卸载的任务是否中继，并生成卸载路径决策
。5.
根据权利要求4所述的面向无线供能辅助移动边缘计算的智能任务分配方法，其特征在于，
S13
具体包括如下步骤：
S131、
根据任务信息搜集的任务数据量和卸载路径决策，利用免疫差分优化算法产生计算资源调度方案；
S132、
终端设备按照资源调度方案进行计算任务的卸载
、
计算
、
数据回传
...

【专利技术属性】
技术研发人员：孙璐，李殿举，万良田，王小洁，林云，王洁，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：