边缘计算系统的任务调度策略

发布时间：2021-01-30 07:16

　　如何有效的解决云边混合计算中的计算卸载问题已逐渐成为互联网和物联网领域的研究重点。计算卸载问题属于NP-hard优化问题,标准蚁群优化算法作为传统的启发式算法可以用来解决类似计算卸载问题,但是传统蚁群优化算法存在着诸多不足,针对这些不足对传统蚁群优化算法进行了改进,旨在得到时延优化的计算卸载策略。针对单边缘计算节点和云服务器之间的协同计算进行了研究,首先根据整体任务卸载模型进行了数学建模;然后根据各个数学模型利用改进后的蚁群优化算法进行了实验仿真。仿真实验结果表明改进后的蚁群优化算法比传统蚁群优化算法收敛更快,其中改进蚁群优化算法在17次迭代后开始收敛,传统蚁群优化算法在23次迭代后开始收敛;并且使用改进后的蚁群优化算法调度任务与传统蚁群优化算法调度任务、任务只在边缘计算节点执行和任务全部卸载到云服务器上执行进行了对比,结果表明使用改进后的蚁群优化算法进行任务调度大大缩短了任务的完成时间,其中当任务数量为50个时,改进蚁群算法执行任务比上述3种方法分别大约短6 s,15 s,50 s。 

【文章来源】：电子测量技术. 2020,43(09)

【文章页数】：5 页

【部分图文】：

计算卸载系统模型

根据上述参数实验仿真得到传统蚁群算法与改进后蚁群算法的收敛速度和任务执行延迟对比图,如图2所示。通过上图可以看出传统蚁群算法在该场景下在23次开始收敛,且任务的执行时间大约在30 s左右,而改进后的蚁群优化算法在17次便开始收敛并且任务的执行时间在25 s左右;两者比较可知改进后的蚁群优化算法收敛更快且部分提高了任务的执行时间。

不同任务数下的延迟大小

【参考文献】：
期刊论文
[1]基于MQTT的多协议物联网网关设计与实现[J]. 于海飞,张爱军.  国外电子测量技术. 2019(11)
[2]基于改进蚁群算法的自适应云资源调度模型研究[J]. 聂清彬,潘峰,吴嘉诚,曹耀钦.  激光与光电子学进展. 2020(01)
[3]基于改进蚁群优化算法的云计算调度方法[J]. 王恩重,陶传奇.  计算机与数字工程. 2019(04)
[4]基于拉格朗日的计算迁移能耗优化策略[J]. 乐光学,朱友康,刘建生,戴亚盛,游真旭,徐浩.  电信科学. 2018(12)
[5]面向边缘云高效能的移动终端计算迁移方法[J]. 徐乃凡,王俊芳,郭建立,林荣恒.  电子测量技术. 2018(20)
[6]基于改进蚁群算法的云计算任务调度研究[J]. 魏勇,赵开新,张松青,王东署.  火力与指挥控制. 2017(05)



本文编号：3008491