移动边缘计算中基于粒子群优化的计算卸载策略

发布时间：2021-11-15 14:40

　　计算卸载作为移动边缘计算（MEC）中降低时延与能耗的手段之一,通过合理的卸载决策能够降低工业成本。针对工业生产线中部署MEC服务器后时延变长和能耗增高的问题,提出了一种基于粒子群优化（PSO）算法的计算卸载策略PSAO。首先,将实际问题建模为时延模型与能耗模型。由于是针对时延敏感型的应用,因此将模型转化为在能耗约束条件下的最小化时延问题,使用惩罚函数来平衡时延与能耗。其次,根据PSO算法优化后得到计算卸载决策向量,通过集中控制的方式使每一个计算任务合理分配到对应的MEC服务器。最后,通过仿真实验,对比分析了本地卸载策略、MEC基准卸载策略、基于人工鱼群算法（AFSA）的卸载策略以及PSAO的时延数据,PSAO的平均总时延远远低于其他三种卸载策略,PSAO比原来系统总代价降低了20%。实验结果表明,PSAO策略能够降低MEC中的时延,均衡MEC服务器的负载。 

【文章来源】：计算机应用. 2020,40(08)北大核心CSCD

【文章页数】：6 页

【部分图文】：

多设备多MEC系统模型

图2为不同能耗约束下不同卸载策略的系统总代价对比，设置设备数K=50,MEC服务器的个数N=10，每一项任务数据量大小Bi=3 Mb。可以观察到，随着能耗约束的增大，四种卸载策略系统总代价降低。当能耗（单位：J）约束为0时，本地卸载策略的系统总代价远远高于其他三种卸载策略，这是由于本地设备处理任务将会产生较高的能耗；能耗约束为750 J时，本地卸载策略代价开始低于MEC基准卸载策略，这是由于能耗约束的增大，模型对能耗约束的敏感度降低，因此需要选择合适的能耗约束。PSAO卸载策略在不同的能耗约束下都优于其他MEC基准卸载策略和本地卸载策略，当能耗约束大于750 J时，基于AFSA的卸载策略与PSAO卸载策略优化效果相差不大。图3对PSAO卸载策略的收敛性进行评估，设置设备数K=50,MEC服务器的个数N=10，每一项任务数据量大小Bi=3 Mb，通过改变迭代次数来观察所有任务的平均总时延。

图3对PSAO卸载策略的收敛性进行评估，设置设备数K=50,MEC服务器的个数N=10，每一项任务数据量大小Bi=3 Mb，通过改变迭代次数来观察所有任务的平均总时延。由图3可以观察到，算法在前25次迭代过程中收敛较快，迭代50次后系统总代价保持不变，找到全局最优解。PSAO具有很强的全局优化能力，在算法的前期不断寻找全局的最优解，且在后期具有良好的全局搜索能力。PSO算法优化后平均总时延从原来的303.33 ms降低至241.824 ms，并在后期迭代过程中保持不变，相比原来系统的总时延降低了20%。

【参考文献】：
期刊论文
[1]超密集网络中基于移动边缘计算的任务卸载和资源优化[J]. 张海波,李虎,陈善学,贺晓帆.  电子与信息学报. 2019(05)
[2]5G在垂直行业中的应用[J]. 陆平,李建华,赵维铎.  中兴通讯技术. 2019(01)
[3]移动边缘计算卸载技术综述[J]. 谢人超,廉晓飞,贾庆民,黄韬,刘韵洁.  通信学报. 2018(11)
[4]基于离散粒子群优化的可重构系统任务调度算法[J]. 祁晓峰,张兴明,高彦钊.  小型微型计算机系统. 2018(03)
[5]面向移动互联网的“SIP over MQTT”优化传输机制研究[J]. 杨海波,马荣荣,张伟,于同伟,李喜旺.  小型微型计算机系统. 2017(04)

硕士论文
[1]面向节能的移动边缘计算的卸载策略研究[D]. 周晓敏.北京邮电大学 2019
[2]超密集网络中基于移动边缘计算的卸载策略研究[D]. 郭俊.北京邮电大学 2018



本文编号：3496973