基于改进遗传算法的移动服务迁移模型研究
发布时间：2021-12-11 16:41
随着移动通信技术的发展和移动设备的普及,增强现实、人脸识别等移动服务应用的开发也越来越多。虽然移动设备具有可以随时随地为用户提供移动服务的优势,但是移动设备大多体积较小且资源受限,难以承受较大数据量的复杂计算,因此无法保证为用户提供高质量的移动服务。移动边缘计算技术的出现为解决移动设备资源受限问题提供了一种解决方案。通过将在移动设备上执行的部分计算任务迁移到边缘服务器上去执行,不但能够缓解移动服务器的计算压力,而且能够保证移动用户获得高质量的服务体验。本文在对移动服务和移动边缘计算等技术进行分析和研究的基础上,对移动边缘计算环境下的移动服务迁移问题进行了深入研究。本文将移动设备构建为移动服务器,将部署在移动服务器上的移动服务划分成多个具有依赖关系的子服务。首先,将移动服务迁移问题转化成非线性0-1规划问题。综合考虑移动服务器的监控代价、服务执行代价和数据传输代价等因素,设计了基于能耗阈值的边缘服务器选择算法,构建了以能耗和时延之和作为优化目标的服务迁移模型。然后,为了求解服务迁移模型,本文对传统的遗传算法进行了改进,即在传统的遗传算法中融入反向学习机制,提高了算法的执行效率和收敛速度;...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图１．１?ＭＥＣ模型图??Ｆｉｇ．?１．１?ＭＥＣ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??
?ＩＬ——＿」????［ｉ?智能驾驶?！?｜??斯应赃命周朗菅理代理?１１?剩觖趙空制?！?％??＿?Ｉ???｜！?ｍ－ｎｒｎｍ一＂?！层??，?移动边缘系统菅理?ｉ?＂／???／?＼?丨〒?ｉｒ￣?￣?＾?ｌｌ?Ｉ?移??Ｉ移动边续应用１?移动边绦应用２ｖ酣?ｇ?移动边缘平台营理?动??＇Ｉ?????Ｓ?边??［??Ｊ?＾???＿?Ｉ??气?＊＼｜??ｌ［ｊｊ?ｗ?ｉ??、?？？，？？？？？—／ｉ?１?）?ａｐｉ：应用程序编程接口??图２．１?ＭＥＣ总体架构图??Ｆｉｇ．?２．１?Ｏｖｅｒａｌｌ?ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＭＥＣ??Ｉ?ｉ??（２）移动边缘计算的技术优势??和传统的网络框架和模式相比，移动边缘计算具有很多明显的优势，由于??ＭＥＣ可以改善时延高、效率低等诸多问题，所以成为未来５Ｇ的关键技术［１６］。??主要优势如下：??１）本地化部署。对于Ｍ２Ｍ?（Ｍｏｂｉｌｅ?ｔｏ?Ｍｏｂｉｌｅ）场景下，边缘服务器可以独??立于网络的其他部分运行，可以单独的提供业务服务。??２）邻近性。边缘服务器部署在最接近数据资源的地方，有利于获取到进行??分析的关键数据。因此，它适用处理计算密集型服务，例如，增强现实服务、视??频分析服务。??３）可提供位置感知。ＭＥＣ可以从本地接入网络中的边缘设备所接收的信息，??得到连接设备的位置信息，为商业用户提供基于位置的服务、分析及其他商务支??持。??４）可获取网络内容信息。边缘服务器获取的实时网络数据，可以预估蜂窝??网络的拥塞和网络带宽，便于为相关应用提供精确的商业服务。??５）可以提供较低的时延。ＭＥＣ服务器被部
?大连海事大学专业学位硕士学位论文???２．２遗传算法??在］９７５年，美国Ｊ．Ｈｏｌｌａｎｄ教授首次提出遗传算法（Ｇｅｎｅｔｉｃ?Ａｌｇｏｒｉｔｈｍ，?ＧＡ）??这个概念。遗传算法是一种基于生物世界规律和自然基因机制的并列检索算法，??在自然进化过程中模拟了“自然选择，适者生存”的原则【３５］？??遗传算法的基因运算法则与其他的逻辑运算法则相比，主要的特征是：首先，??ＧＡ在解空间进行搜索时，是从多个初始点幵始搜索，因此能够在一定程度上避??开局部最优解；其次，该算法对适应度函数没有具体要求，因此有良好的可适应??性；再者，利用对解空间进行交＾？、变异等操作，有能力寻找到全局最优解，并??且会以较大概率收敛到全局最优解或者是近似最优解［３６］。传统遗传算法的流程如??图２．２所示。??Ｉ?：??（开始）??确定实际问题的参数集??对参数集进行编码??初始化种群??＜???评估种群??产生新－代种群??Ｃ５Ｅ）?遗传操作????图２．２传统遗传算法流程图??Ｆｉｇ．?２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｔｒａｄｉｔｉｏｎａｌ?ｇｅｎｅｔｉｃ?ａｌｇｏｒｉｔｈｍ??遗传算法的执行流程如下：??（１）根据解空间的大小生成实际问题的参数集兄向算法中输入最大的迭??代次数Ｇ作为算法终止条件。??（２）对参数集进行编码，某些形式的参数在算法中无法正常处理，必须将??这类参数转化成由基因组成的染色体形式，一般的编码方法有二进制编码、实数??编码等。依据解空间的大小随机选择一定数量的染色体作为初始种群。??－１１－??
本文编号：3535020
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图１．１?ＭＥＣ模型图??Ｆｉｇ．?１．１?ＭＥＣ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??
?ＩＬ——＿」????［ｉ?智能驾驶?！?｜??斯应赃命周朗菅理代理?１１?剩觖趙空制?！?％??＿?Ｉ???｜！?ｍ－ｎｒｎｍ一＂?！层??，?移动边缘系统菅理?ｉ?＂／???／?＼?丨〒?ｉｒ￣?￣?＾?ｌｌ?Ｉ?移??Ｉ移动边续应用１?移动边绦应用２ｖ酣?ｇ?移动边缘平台营理?动??＇Ｉ?????Ｓ?边??［??Ｊ?＾???＿?Ｉ??气?＊＼｜??ｌ［ｊｊ?ｗ?ｉ??、?？？，？？？？？—／ｉ?１?）?ａｐｉ：应用程序编程接口??图２．１?ＭＥＣ总体架构图??Ｆｉｇ．?２．１?Ｏｖｅｒａｌｌ?ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＭＥＣ??Ｉ?ｉ??（２）移动边缘计算的技术优势??和传统的网络框架和模式相比，移动边缘计算具有很多明显的优势，由于??ＭＥＣ可以改善时延高、效率低等诸多问题，所以成为未来５Ｇ的关键技术［１６］。??主要优势如下：??１）本地化部署。对于Ｍ２Ｍ?（Ｍｏｂｉｌｅ?ｔｏ?Ｍｏｂｉｌｅ）场景下，边缘服务器可以独??立于网络的其他部分运行，可以单独的提供业务服务。??２）邻近性。边缘服务器部署在最接近数据资源的地方，有利于获取到进行??分析的关键数据。因此，它适用处理计算密集型服务，例如，增强现实服务、视??频分析服务。??３）可提供位置感知。ＭＥＣ可以从本地接入网络中的边缘设备所接收的信息，??得到连接设备的位置信息，为商业用户提供基于位置的服务、分析及其他商务支??持。??４）可获取网络内容信息。边缘服务器获取的实时网络数据，可以预估蜂窝??网络的拥塞和网络带宽，便于为相关应用提供精确的商业服务。??５）可以提供较低的时延。ＭＥＣ服务器被部
?大连海事大学专业学位硕士学位论文???２．２遗传算法??在］９７５年，美国Ｊ．Ｈｏｌｌａｎｄ教授首次提出遗传算法（Ｇｅｎｅｔｉｃ?Ａｌｇｏｒｉｔｈｍ，?ＧＡ）??这个概念。遗传算法是一种基于生物世界规律和自然基因机制的并列检索算法，??在自然进化过程中模拟了“自然选择，适者生存”的原则【３５］？??遗传算法的基因运算法则与其他的逻辑运算法则相比，主要的特征是：首先，??ＧＡ在解空间进行搜索时，是从多个初始点幵始搜索，因此能够在一定程度上避??开局部最优解；其次，该算法对适应度函数没有具体要求，因此有良好的可适应??性；再者，利用对解空间进行交＾？、变异等操作，有能力寻找到全局最优解，并??且会以较大概率收敛到全局最优解或者是近似最优解［３６］。传统遗传算法的流程如??图２．２所示。??Ｉ?：??（开始）??确定实际问题的参数集??对参数集进行编码??初始化种群??＜???评估种群??产生新－代种群??Ｃ５Ｅ）?遗传操作????图２．２传统遗传算法流程图??Ｆｉｇ．?２．２?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｔｒａｄｉｔｉｏｎａｌ?ｇｅｎｅｔｉｃ?ａｌｇｏｒｉｔｈｍ??遗传算法的执行流程如下：??（１）根据解空间的大小生成实际问题的参数集兄向算法中输入最大的迭??代次数Ｇ作为算法终止条件。??（２）对参数集进行编码，某些形式的参数在算法中无法正常处理，必须将??这类参数转化成由基因组成的染色体形式，一般的编码方法有二进制编码、实数??编码等。依据解空间的大小随机选择一定数量的染色体作为初始种群。??－１１－??
本文编号：3535020
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3535020.html
