【技术实现步骤摘要】
本专利技术涉及移动边缘计算中的任务卸载领域，具体涉及一种移动边缘计算中多用户多服务器并行计算的任务卸载方法。
技术介绍
1、移动边缘计算中的任务卸载问题(task offloading problem in moving edgecomputing,topmec)是随着大数据、物联网以及人工智能的高速发展而生的。其主要目的是将数据的存储和计算下方到网络边缘(如附近的移动设备、设备附近具有存储和计算能力的数据基站)，就近为用户提供服务，以此来降低执行任务产生的能耗和时延。现阶段任务卸载的主要问题就是如何判断任务是否需要被卸载处理、如何为卸载任务找到最合适的服务器以及如何合理的分配服务器的计算资源。本专利技术将使用混合粒子群算法对移动边缘计算中的任务卸载进行优化。
技术实现思路
1、本专利技术的目的在于提供一种移动边缘计算中多用户多服务器并行计算的任务卸载方法，为任务卸载提供最高效的卸载策略以提高用户体验。
2、为实现上述目的，本专利技术的技术方案是：一种移动边缘计算中多用户多服务器并行计算的任务卸载方法，包括如下步骤：
3、步骤s1、根据任务数量、传输距离、计算资源确定卸载服务器；
4、步骤s2、根据最小化任务卸载消耗时延和能耗加权和为任务制定卸载目标；
5、步骤s3、运用混合粒子群算法对任务卸载策略进行优化；
6、步骤s4、在任务卸载策略优化过程中，通过服务器编码和任务编码方式，将任务卸载策略表达为混合粒子群算法的粒子编码
7、步骤s5、获取最佳任务卸载策略。
8、在本专利技术一实施例中，本专利技术方法具体实现如下：
9、1、根据已知条件确定候选卸载服务器
10、候选卸载服务器的选择根据用户与服务器的距离、服务器具有的计算资源数目以及服务器当前处理的卸载任务数量确定。如果用户设备n∈n选择将任务卸载到服务器s∈s进行计算，用户j和服务器s之间的信道增益可用如下公式计算：
11、hs,n＝140.7+36.7log10d (1)
12、其中d代表设备n与服务器s的距离；单位：千米/km。用户n和服务器s之间信号噪声比计算公式如下：
13、sinrs,n＝pnhs,n/σ2 (2)
14、其中σ2代表背景噪声功率；hs,n代表设备n与服务器s之间的信道增益；pn代表设备n的发射功率；因此设备n与服务器s之间的数据传输速率计算公式为：
15、rs,n＝wlog2(1+sinrs,n) (3)
16、其中w代表服务器的频带宽度。rs,n用于后续计算公式定义的任务j上传到服务器s的传输时间。
17、2、制定优化目标
18、在目前的边缘计算中，任务卸载的优化目标主要有以下两个：任务卸载消耗的时间、处理任务消耗的能量。
19、1)最小化任务卸载消耗时间
20、当用户不进行计算卸载时，任务在本地进行计算，则本地计算时间为：
21、
22、其中dn代表任务n的数据量，fn代表移动用户设备n具有的计算资源。
23、用户进行计算卸载的时间开销主要包括两部分，包括数据从设备n∈n传输到服务器的时间和任务在服务器计算的时间
24、
25、
26、其中rs,n代表用户设备n与服务器s之间的数据传输速率；fs,n代表服务器s分配给卸载任务n的计算资源；cn代表处理单位字节数据所需要的cpu周期数。
27、2)最小化能耗
28、当用户不进行计算卸载时，任务在本地进行计算，则本地计算的能为：
29、
30、其中κ代表能量消耗系数，与设备的芯片结构有关。cn代表处理单位字节数据所需要的cpu周期数。
31、用户进行计算卸载的能耗开销包括两部分，包括传输数据和计算任务时产生的能耗和
32、
33、
34、其中pn代表用户设备n的发射功率；ps代表服务器s计算任务时的功率。
35、3、混合粒子群算法对任务卸载策略进行优化
36、混合粒子群算法(hybrid particle swarm optimization，hpso)是一种基于种群的优化算法，种群中每个粒子根据当前最优个体和全局最优个体引导后续的优化，在整个搜索空间中进行搜索，在经过设定的迭代次数后，实现种群的进化。在移动边缘计算问题中，每条码链被当作是优化算法中的一个个体。算法的优化过程描述为：
37、1)根据种群的数目l随机产生符合形式的;个初始解，每个解都代表一个可行的任务卸载策略。
38、2)计算初始卸载策略的适应度值并用于判断卸载策略的好坏。
39、
40、其中，tmax表示卸载策略下执行任务产生的最大时延；esum表示耗费的总能耗；α、β分别代表时延权重和能耗权重且满足α+β＝1。
41、3)粒子位置和速度更新。粒子群算法的核心为粒子位置、速度的更新。粒子群中的粒子根据当前个体最优解和当前全局最优解进行速度的更新，具体如下：
42、
43、其中代表第t+1次迭代时粒子l的速度；代表第t次迭代时粒子l的速度；c1和c2代表学习因子；代表粒子l第t次迭代时找到的当前个体最优解；gbestt代表第t次迭代时找到的当前全局最优解；代表第t次迭代时粒子l的位置。位置更新的方式如下所示：
44、
45、其中代表粒子l在第t+1次迭代的位置。将每个粒子的速度和位置都更新完毕，就完成了种群的一次更新。
46、4)交叉和变异操作。交叉方法为单点随机交叉法，交叉过程中粒子1和粒子2在某个随机“位”点断裂后交叉重组，形成两个新的粒子代替之前的2个粒子。交叉完成之后对种群中的每个粒子都进行变异操作，以一定的变异概率对粒子的“位”进行修改。
47、5)应用公式(10)重新计算每个新粒子适应度值并更新pbest和gbest。
48、6)更新动态参数值。惯性权重ω对粒子群搜索全局最优解有很大的影响，将ω的值进行非线性递减动态更新。在算法开始执行时，对ω赋予较大的初始值，使得算法能以较大的速度步长在可行解空间内进行全面的搜索，从而使算法以更大的概率向全局最优的方向收敛，随着算法迭代次数的增加，ω根据迭代次数逐步减小，这样在算法迭代后期，寻优结果在全局最优和局部最优之间权衡，ω的计算方式如下：
49、
50、其中ωmax和ωmin为惯性权重的最大值和最小值，t为算法当前迭代次数；k为算法最大迭代次数。
51、学习因子c1和c2决定着粒子向个体最优解和全局最优解的移动。本文对两者的取值进行线性动态调整，c1随着迭代次数的增加而减小，增强算法前期对个体极值的寻找；c2随着迭代次数的增加而增大，增强算法后期粒子本文档来自技高网...
【技术保护点】
1.一种移动边缘计算中多用户多服务器并行计算的任务卸载方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的移动边缘计算中多用户多服务器并行计算的任务卸载方法，其特征在于，所述步骤S3的具体实现过程如下：
3.根据权利要求3所述的移动边缘计算中多用户多服务器并行计算的任务卸载方法，其特征在于，所述步骤S4的具体实现过程如下：
4.根据权利要求3所述的移动边缘计算中多用户多服务器并行计算的任务卸载方法，其特征在于，所述步骤S5的具体实现过程如下：
【技术特征摘要】
1.一种移动边缘计算中多用户多服务器并行计算的任务卸载方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的移动边缘计算中多用户多服务器并行计算的任务卸载方法，其特征在于，所述步骤s3的具体实现过程如下：
3.根据权...
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。