文摘

多路存取边缘计算(MEC)是一个热点在5 g网络。任务卸载的问题是MEC的核心问题之一。在本文中,一种新的计算卸载分区模型,任务到subtasksis提议。这个模型需要沟通和计算资源,能源消耗的智能移动设备,和体重的任务。然后我们将模型转换为一个多目标优化问题基于帕累托平衡的任务重量和时间效率卸载任务。此外,一个基于混合免疫算法和蝙蝠调度算法(HIBSA)进一步提出旨在解决多目标优化问题。实验结果表明,HIBSA能同时满足任务的要求,执行期限和卸载任务的重量。

1。介绍

与物联网的快速发展(物联网),智能移动设备(imd)已经成为不可或缺的工具在人们的日常生活,以及他们的功能越来越强大,它可以满足人们的需求在社会、购物、旅游、娱乐等等。由于物理尺寸约束,通常是资源受限的移动设备和电力供应有限。然而,大多数的计算密集型服务,如图像处理或视频应用程序,需要高处理能力和高资源消耗(1,2]。计算密集型任务不能按时完成或甚至可能阻塞如果他们只在本地处理3]。因此,如何解决移动终端的资源有限之间的矛盾和高资源要求计算密集型服务已经成为要解决的主要问题(4]。

如今,多路存取边缘计算(MEC) [5)是一个有前途的模式来解决上述问题6,7]。在MEC网站/服务器是一个微数据中心,这是连接到一个小基站部署(SBS)。通过移动计算存储和服务功能到网络边缘,MEC可以提供高可靠性,高带宽,低延迟计算服务的移动设备。由于移动终端可以卸载任务到附近的边缘计算服务器计算资源丰富,资源限制的imd的问题可以在一定程度上解决。

显然,当多个imd上传任务在同一时间,他们将不可避免地互相竞争对通讯和计算资源(8]。不合理的资源分配会导致较低的数据传输速率,延迟高。因此,指定的任务调度方案对MEC的性能有重要影响的系统。到目前为止,许多研究人员都集中在计算卸载调度问题。然而,大多数这些研究性能的限制,这可以从以下方面来解释。首先,一些研究分配任务只有一个边缘服务器。然而,由于密度SBSs高(9,10)在未来的信号保险SBSs经常互相重叠在真实的场景中,当卸载任务有多个选项。此外,应用程序分区和实现深度研究了在移动云计算和分布式系统(11,12),它可用于MEC系统。以下两个概念,将任务分配给多个边缘服务器更合理。其次,一些作品13忽略imd的能源消耗。事实上,必须考虑移动设备的能源消耗,因为他们通常不能及时充电。第三,大多数研究没有考虑卸载任务的重量。然而,那些重要的任务或调度队列中有很长的等待时间应安排在公平的优先事项。最后,一些研究没有共同考虑的通信和计算资源的分配。与之前的作品相比,我们的论文的贡献如下:(我)该任务卸载模型需要沟通和计算资源,能源消耗的IMD,和体重的任务。(2)我们考虑的场景移动设备可以生成多个任务同时,更现实的与最相关的作品。此外,我们compute-incentive任务分割成子任务,然后卸载多个边缘服务器并行计算。卸载一个任务相比,边缘服务器,可以以更有效的方式执行任务。(3)一种新型多目标任务调度算法设计,并结合两者优点的蝙蝠算法和免疫算法改进任务卸载的可靠性,同时降低任务完成时间。(iv)广泛进行模拟,结果表明,该算法可以有效地缩短任务执行时间,与传统算法相比具有更高的可靠性。

本文的其余部分组织如下。部分2提出了相关的工作。部分3描述了系统模型和配方的问题。节4,我们将把决策问题转换为一个多目标优化问题,基于帕累托,然后设计一个基于混合免疫和蝙蝠的多目标任务调度算法调度算法(HIBSA)。部分5给HIBSA与其他算法的实验比较,验证HIBSA的性能优越。最后,我们的结论部分6。

2。相关工作

任务卸载的过程是指分配任务到边缘服务器根据卸载一些政策有足够的资源。这些政策确定效率和实现计算MEC的性能。任务卸载也被称为计算迁移或计算卸载(14]。通过交付compute-incentive任务,如人脸识别和视频优化MEC服务器、高任务的服务质量(QoS)。在过去的几年里,任务卸载问题吸引了研究人员的极大兴趣。例如,吴et al。10)提出了一个基于支持向量机(SVM)的卸载算法。该算法首先细分任务分成几个子任务通过使用重量分配方法。然后,每个子任务确定卸载或在本地执行。在[11),毛泽东等人开发了一个在线联合广播和多用户MEC系统计算资源管理算法,最小化的目的长期平均加权和功耗MEC的移动设备和服务器,接受一个任务缓冲稳定约束。在文献[12),作者提出了一种有效的计算卸载算法共同优化用户协会和计算卸载计算资源分配和传输功率分配也会考虑。同时,作者在工作13)提出了一个新颖的卸载系统设计健壮卸载移动服务的决定。该系统考虑组件服务之间的依赖关系,旨在优化任务执行时间和能源消耗的移动设备。上述这些研究集中在单服务器计算卸载问题MEC系统。

另一方面,许多研究人员他们的努力致力于任务在多用户和多服务器MEC系统卸载问题。例如,在[15),过界提出了计算卸载compute-incentive应用程序框架。传输成本,任务执行成本、协调成本,以及处罚任务失败被认为是在卸载模型的名称。提出了基于李雅普诺夫的在线算法优化,共同确定边缘服务器选址和能量收获。工作(16]调查计算卸载动态MEC系统与多个边缘服务器,在具有不同需求的计算任务被物联网设备,然后卸载动态生成一个时变MEC服务器操作环境。这项工作的目标是最大化的任务完成时间和减少能源消耗的物联网设备。在[17),作者用一种改进的萤火虫群优化算法来解决任务卸载multiuser-multi-MEC环境问题。同时,作者在工作18]提出了基于强化学习框架理论的随机学习自动机对使终端用户能够选择一个MEC服务器将他们的数据。实现框架,提出迭代和低算法介绍和设计。文献[19)提出了一个合作卸载技术基于拉格朗日的次优收敛计算卸载算法(LSCCOA)多路存取MEC在分布式网络(物联网)网络的东西。然而,上述方法都考虑卸载任务的重量。事实上,不同的任务是不同的对用户的重要性。

表明不同的任务的重要性,作者在20.)提出了一种多目标任务调度算法,旨在优化卸载的重量的分配任务。然而,这项工作有以下限制。首先,任务可以将这项工作转移到一个边缘服务器。第二,移动终端的能耗被忽视了。最后,蝙蝠算法用于这项工作得到优化结果。因为蝙蝠算法没有突变操作,有时,解决方案缺乏多样性。具体来说,表1显示了一些相关的研究和我们的工作之间的差异提出了。

在本文中,该模型考虑了任务卸载的许多方面。此外,蝙蝠算法结合免疫算法来提高蝙蝠算法的性能和获得更好的优化结果。与此同时,场景,移动设备可以同时生成多个任务被认为是。我们所知,每一个设备只能只生成一个任务相关的研究。因此,我们的工作是更现实的与相关研究。

3所示。系统模型和问题公式化

3.1。系统模型

假设该系统包括imd和MEC服务器。让 表示组imd和 表示MEC服务器的设置。我们也使离散时间为多个时段,所有时段长度相等σ。

在设置 ,一个边缘服务器选择中央位置控制器。拟议的HIBSA算法在节中有详细描述4该控制器上执行。在每个时间段σ,imd生成计算任务请求。这些请求连同imd的基本信息(例如,应用程序类型,本地cpu周期的频率,和电池能量水平)然后发送到控制器。通过执行HIBSA算法、控制器选择每个IMD的边缘服务器任务卸载。这个系统的体系结构模型如图1。

对于任何IMD ,存在一个任务队列 ,在哪里表示kth任务生成的我th IMD在某个时间段。为任务 ,它可以用四元组 ,在dnum_本土知识是输入数据的大小计算,cnum吗_本土知识是把要处理的CPU周期,任务的重量,剩下的电池能量价值的IMD当生成这一任务。所有生成的任务可以分为两种类型。一个是实时任务,另一个是全新的实现容忍延迟的任务。实时任务拥有最多延迟和延迟阈值之前必须完成全新而实现容忍延迟任务可以忍受更长的延迟。

此外,我们使用一个二进制矩阵 代表一个调度的解决方案,年代_ij=1表示,最新的任务生成的我th IMD分配给jth服务器在这个调度解决方案,年代_ij=0,否则。

3.2。绩效评估

对于任何调度解决方案,其性能是描述的一个向量(时间成本和重量),时间成本是时间消耗的总和来执行所有的任务。此外,时间成本由两部分组成:一个是成功完成任务的时间延迟,,另一个是失败的惩罚时间任务。的时间t_本土知识成功地完成任务如下: 在哪里t_通讯沟通成本和来标示吗 在哪里C_ij之间的近似数据率吗我th IMD和jth边缘服务器,基于3 gps TS 38.306;传播率如下: 在哪里K聚合组件的航母数量(CC)在一支乐队或组合我th IMD和jth边缘服务器。R_马克斯= 948/1024。为kth CC,的最大层数;最大调制秩序;比例因子;µ数字命理学;的子帧的OFDM符号持续时间平均数字命理学吗μ;是最大的RB分配带宽BW^(k)与数字命理学μ,在那里BW^(k)支持的最大带宽之间的乐队或乐队组合吗我th IMD和jth边缘服务器;噢,^(k)的开销。t_{电脑及相关知识},这是时间计算这个卸载任务,给出 在哪里f_j的CPU周期频率吗jth边缘服务器和t_作多个服务器之间的协调成本,计算如下: 在哪里u_信用证是单位成本和延迟t_当地的是本地执行时间,包括数据预处理和数据包装时间。t_当地的给药 在哪里c_本土知识大量的CPU周期来处理本地执行和f_我的CPU周期频率吗我th IMD。除此之外,t_本土知识应该满足 在哪里TC_本土知识是这个任务的执行期限。放入成功设置成功地完成了任务G_往下。因此,整个消费成功完成任务的时间 。

有两种可能的失败的任务。一个是任务是加班,即t_本土知识> TC_本土知识。这些任务必须省略或等待下次再安排,这取决于任务的类型。另一个是任务没有分配任何服务器的计划,也就是说, 。这些任务还需要等待下一个时间表或省略。在这些条件下,一次处罚F给出了( ),和失败的任务放入成功集G_失败。因此,在某一个时间段σ,总时间成本的所有调度定义如下:

另一个评估指标是重量。成功地卸载所有任务的权重之和

3.3。问题公式化

本文所涉及的任务调度问题,有2^n×米可能的调度解决方案。的集合表示为调度解决方案年代。这个模型的优化目标是找到一种调度年代(∈年代)的约束下计算、通信和能源资源,最小化总执行时间和总重量最大化。在这里,任何调度解决方案应该满足两个约束条件:一个是计算资源约束,如所示 这意味着jth服务器可以被分配到最多米_j任务由于其有限的计算能力。另一个是能耗约束,如所示 在哪里的能源消耗是本地执行和能源消耗之间的传输我th IMD和jth边缘服务器,由 在哪里代表IMD的固定传输能量_我。公式(11)的总能耗我th IMD必须小于当前电池能源这个设备的价值。

因此,拟议中的任务调度问题可以制定以下组合优化问题 :

3.4。演示

在本节中,一个简单的演示说明了任务调度问题在多个服务器环境。如图2假设有三个设备(D₁,D₂,D₃)和两个MEC服务器(CS₁和CS₂)系统中,有三个队列 ,分别。在第一次槽,每个队列的任务是表示 ,分别。

为了简化,我们做出以下假设:(1)每个MEC服务器可以运行一次只有一个任务;(2)所有这三个任务的延迟约束是7,即Tc= 7;(3)数据传输速率C_ij计算率η_j,单位数据之间的传输能耗我th IMD和jth服务器都认为是1;(4)当地的执行时间,能源消耗,和协调成本被忽略,即 和t_{首席运营官r}=t_当地的= 0。如表所示2,三个任务调度解决方案。

自年代1不能满足约束(10)和(11),它是无效的调度。年代2满足约束(10)和(11)。根据公式(1),任务完成时间4,小于延迟约束。因此,这是一个成功的卸载,序号1是投入G_往下。作为一个结果,G_往下={1}。没有分配任何计算服务器调度,所以序号2投入失败的准备好了吗G_失败。根据公式(1),任务完成时间6,小于延迟约束的值。因为它是一个成功的卸载,序号3是成功放入集G_往下,G_往下{1,3}更新。根据公式(8)和(9),t_所有=4 + 6 +F=10 +F和=2。同时,年代3满足约束(10)和(11)。没有分配任何计算服务器调度。因此,年代3是一个失败的卸载。根据公式(1),的完成时间是5。因此,这是一个成功的卸载,序号2是成功放入集G_往下和G_往下={2}。没有分配任何计算服务器调度,所以这是一个失败的卸载。因此,我们有t_所有=5 + 2F和 。

总之,这些调度方案最消耗时间和最大的任务完成的重量。一般来说,最好的解决方案,满足所有目标不能被发现。然而,可以找到一系列的解决方案。

4所示。算法

4.1。多目标优化问题

以下4.4.1。问题陈述

多目标优化问题的一般描述如下:

考虑到向量 ,它满足以下约束条件:

假设有r优化目标,在彼此冲突。优化目标可以表述如下:

我们想要找到 为了使可以优化,满足约束(14)和(15)。显然,本文中提到的调度问题是一个多目标优化问题。一般来说,有必要考虑冲突subobjectives全面subobjectives之间的权衡。

4.1.2。帕累托最优设置

多目标优化是同时优化多个subobjectives,这些subobjectives经常互相冲突。优化一个目标可能会导致另一个目标的恶化。通常情况下,没有单一的解决方案可以同时优化的目标。多目标之间的权衡可以正确实现利用帕累托最优(21]。

定义1(帕累托主导地位)。一个决策向量X_一个据说主宰另一个决策向量X_B(注意X_一个≻X_B)当且仅当

定义2(帕累托最优)。一个解决方案 据说是帕累托最优当且仅当吗 在哪里代表了一系列的解决方案。

定义3(帕累托最优设置)。集包括所有的帕累托最优解决方案,它可以定义如下:

4.1.3。基于帕累托MOEA的一般框架

进化算法(EA)是一种随机搜索算法,模拟生物的自然选择与进化。它被广泛使用,因为它适用于解决高度复杂的非线性问题。同时,它具有良好的通用性。EA的优势已经充分证明在解决单目标复杂系统优化问题。然而,EA不能有效地解决多目标优化问题。多目标优化问题,可以解决多目标进化算法(MOEA)。的设计方法在过去的几十年,MOEA吸引了研究者们的极大兴趣22- - - - - -24]。

大多数MOEAs采用一般的过程,如图所示3。MOEA的整个过程描述如下。首先,一个初始种群P生成,并选择一种算法操作吗P获得一个新的进化的人口R。接下来,一个战略是采用构造nondominated设置(NDSet) P∪R。一般来说,集大小设置在设计算法时(如N)。如果当前集合的大小大于或小于N,NDSet的大小需要根据一定的策略调整。在调整过程中,NDSet必须满足尺寸要求和个体的多样性。则判断是否满足终止条件。这个过程结束当且仅当满足终止条件。否则,我们需要复制NDSet的个人P并继续下一轮的进化。

4.2。个人评价方法

不同于单目标优化问题,多目标优化问题需要向量比较。本文中采用的多目标优化策略类似于NGSA-II的方法(25- - - - - -27),但一些变化。所有的调度计划分为三种类型。对于任何调度年代第一种,它可以在满足约束的前提下完成所有任务(10)和(11)。显然,这种类型的调度是理想的,所以它被设置为最高等级0,即排名_年代=0。相同级别的调度是排名根据任务完成时间,和更高的优先级值几乎没有任务完成时间。第二种类型也满足约束(10)和(11),但它只能完成卸载任务的一部分。我们把每个调度年代这种类型的作为一个个体的进化算法。根据NSGA-II方法(28),所有人都在第一nondominated首先发现前面。为了找到在未来nondominated个人方面,第一个打折前暂时的解决方案,并重复上述过程。调度年代即在第一个前面是1,排名_年代=1。同样的,安排在第二的排名前2,所以来回。相比之下,个体的拥挤距离相同的等级,个人有更高的聚集密度更高的优先级值。第三类是违反约束的调度(10)和(11)。假设第二种类型分为n排名,调度年代属于第三种类型,其排名n+ 1,即排名_年代=n+ 1。违反约束的调度(10)一个较低的程度上拥有更高的优先级。根据上述方法,假设有调度p和调度问,他们之间的比较策略描述的算法1。

4.3。我们的算法

4.3.1。蝙蝠算法

如前所述,基于多目标进化算法是一种进化算法。目前,最常用的进化算法包括模拟退火算法、遗传算法、分布估计算法,粒子群优化算法。然而,在这些算法中,个体的运动模式不采用位置更新模式的确定性算法。,“只有移动的解决方案比当前位置”方法。杨(29日)提出了一个蝙蝠算法(BA),采用的方法“只有搬到比当前位置的解决方案。“BA模拟微蝠的行为在本质上,它使用回声定位捕食猎物,避免障碍。英航与其它进化算法相比,计算效率高的特点,优化能力更强,鲁棒性。

根据蝙蝠的回声定位与目标行为及其相关优化和更新方程的参数n蝙蝠在飞行给出如下:假设有n虚拟蝙蝠生活在域。在tth,包含的信息我th (我= 1,2,…n蝙蝠可以表示为五元组: ,在哪里 表示的位置信息tth的代我th蝙蝠和搜索空间的一个解决方案,速度 代表着速度的方向我th蝙蝠的tth代,而频率fr_我(t),响度一个_我(t)和脉冲发射频率r_我(t所需的三个参数我th蝙蝠的算法。在(t+ 1)th代,每个蝙蝠首先更新速度公式,描述如下: 在哪里 表示以前的历史最优位置t一代又一代,代表之间的偏差的影响和在下一代的速度和频率fr_我(t)是随机生成的按照下列公式: 在兰德₁是一个均匀分布的随机数在(0,1)和两个参数吗fr_马克斯和fr_最小值预设的上部和更低的频率限制,分别。

在此基础上,当每个蝙蝠执行全局或局部搜索,搜索模式的选择是随机的方式决定的。这意味着随机数兰德₂,这是均匀分布在0和1之间需要确定。如果 ,的我th蝙蝠将寻找食物在接下来的全球搜索模式:

否则,我th蝙蝠将执行本地搜索根据以下公式: 在哪里是一个均匀分布的随机数属于(−1,1)和 平均响度的蝙蝠tth。

后的新位置 计算,蝙蝠会判断是否移动,而不是移动到新位置立即按照下列更新规则:

当更新位置,一个均匀分布的随机数兰德₃属于(0,1)被选中。当 和 同时感到满意,我th蝙蝠更新的位置 。否则,的位置我th蝙蝠仍没有更新的位置 。

更新脉冲发射率的公式r_我(t+ 1)如下:

响度一个_我(t+ 1)更新如下: 在哪里α>0和γ> 0都预设参数,一个_我(0)是响度的初始值,和r_我(0)是脉冲发射率的初始值。在报纸上,一个_我(0)是随机选择从[0,1]r_我(0)=0.1。

在基本蝙蝠算法,方程(20.)和(22)代表全球算法的搜索机制,在方程(23)代表当地的蝙蝠算法的搜索机制。

4.3.2。蝙蝠混合免疫算法

结果表明,英航的优化能力主要取决于蝙蝠个体之间的相互作用和影响。由于缺少一个突变机制,个人很难摆脱局部极值的约束。此外,在进化过程中,人口的超级蝙蝠可能会吸引其他个体周围收集快,导致人口多样性明显下降。与此同时,蝙蝠人接近最优个体的人口,人口已经失去了进一步发展的能力(30.]。本文介绍了人工免疫系统的克隆选择机制,可提高蝙蝠种群的多样性,提高各种变化的能力,提高了收敛速度。

假设一个人人口 是通过蝙蝠算法的过程中,这是一个临时的克隆。每一个蝙蝠我(我= 1,2,…,n)临时克隆种群被认为是一种抗体。具体方法如下:步骤1:k(k<n)抗体个人中选择一个随机的方式分为程序 。克隆和复制程序子₁。克隆算子描述如下: 在哪里 ,在哪里问_我克隆的数量吗 ,正比于健身的吗 。一个新的人口子₂被克隆生成的。第2步:实现高频突变为每个单独的子组₂和自适应变异算子,与进化代和个人健康。对于任何 ,突变公式给出如下: 在公式(28)给出如下: 在哪里b是一个积极的常数, 。在进化的早期阶段,是小, ,但在进化的后期,当t方法T, ,本地搜索进行在一个小空间。此外,在公式(28)制定如下: 在哪里 ,的参数λ扮演的角色调整搜索区域,价值通常是2 - 5 (31日]。R在上面的公式制定如下: 在哪里代表了健身的抗体和适合_马克斯是最大的健身价值,个人的聚集密度。显然,对于那些高健身,值小,突变的可能性很小,而对于那些较低的健身、突变的可能性相对较大。步骤3:免疫克隆选择:最好的个体克隆突变的个体被选中的下一代。HIBSA给出了算法的完整算法2。

4.3.3。HIBSA的完整算法

4.4。时间复杂度分析

在本节中,HIBSA的时间复杂度进行了分析。基于图的流程图3假设人口P大小,新组R尺寸都是N,目标的数量米(事实上,米摘要2)。决策贵重物品的数量米×n(nimd的数量和吗米MEC服务器的数量)。的基本操作和时间复杂度分析如下:(1)生成初始种群P。种群初始化是生成个人随机和计算的价值目标,所以时间复杂度O(米×n×N)+O(米×N)。(2)一个新组R获得了EA进化。摘要进化算法结合了蝙蝠算法和免疫算法在一起。在这两个算法,识别nondominated个人需要。当识别nondominated个体,个体相互比较的基础上的目标。因此,时间复杂度O(米×N²)。(3)构建nondominated集(NDSet) P∪R。执行这些操作符的P∪R,所以nondominated个人识别的时间复杂度O(米×(2N)²)(4)调整的规模NDSet满足分布的要求。在这个阶段,调整算子选择nondominated患者更大的健身价值保护。因此,在健身的分配值,crowding-distance作业的时间复杂度O(米×N×日志(N))。

基于上述分析,在一个单一的一代,最坏时间复杂度可以写成:

5。实验评价

在本节中,我们评估的性能HIBSA通过模拟和比较其性能和几种算法。

5.1。验证政策

假设一次,n移动设备和米计算服务器,每台设备目前任务队列被卸载。假设在tth槽,kth任务在当前队列上我th设备是可以卸载。如果卸载成功,设备计划将下一个队列的调度任务(t+ 1)th槽,这意味着(k+ 1)th任务准备被卸载。然而,如果任务不能被卸载tth槽,当前的任务可以省略或等待被安排在(t+ 1)th槽,这是决定是否任务实时任务。为了验证所提出的调度算法的性能,它是与顺序调度算法(SSA)相比,随机调度算法(RSA),时间优先贪婪调度算法(TPGSA)和重量优先贪婪调度算法(WPGSA)。比较算法描述如下:(1)SSA:根据设备数量进行调度,和有一个小设备数量先预定。(2)RSA:在这个方法中,每个任务是随机安排。(3)TPGSA:一次,所有的任务计划都按预期完成时间。任务完成时间越短,越早安排的任务。(4)WPGSA:一次,所有的任务计划排序的任务重。

本文使用的实验平台是MATLAB (201632),并给出了主要仿真参数表3。

5.2。实验结果

在本节中,给出了实验结果。由于空间的限制,我们只显示第一个20时段的实验数据。

5.2.1。执行时间分析

结果约20总任务执行时间在第一时段通过五个算法如表所示4。

我们的任务完成时间TPGSA作为基准和规范化其值为1。因此,比较的结果对这五个任务完成时间的算法如图20次槽4:

我们可以看到从图4RSA, SSA和WPGSA都不如TPGSA任务执行时间。然而,HIBSA比TPGSA更好的性能。如图5,如果TPGSA算法的平均执行时间是1,SSA算法的平均任务执行时间是1.04;RSA算法的调度时间平均1.13;和平均WPGSA算法的调度时间是1.05。然而,HIBSA只有0.93的任务执行时间。也就是说,本文提出的算法的调度时间只有93%的TPGSA算法。

5.2.2。重量分析

结果对任务的总和的体重在前20时段的五个算法如表所示5。

我们以WPGSA的重量为基准和规范化其值为1。因此,比较的结果对每个的重量算法如图20次槽6:

以WPGSA为基准,SSA、RSA和TPGSA不如WPGSA重量,而HIBSA提出比WPGSA有时比WPGSA和稍差。如图7,如果平均调度WPGSA的重量是1,SSA的调度平均体重是0.92;RSA的调度平均重量只有0.59;和平均调度TPGSA的重量是0.87,而调度HIBSA的重量比WPGSA稍差。根据提出的调度策略,调度算法是WPGSA的98%的重量。

5.2.3。分析总数的卸载任务

任务的总数将每个设备的前20时段采用不同的算法如表所示6

如表所示610设备卸载132任务20使用SSA时段。RSA算法可以卸载93任务。TPGSA分流133任务。WPGSA分流130任务,虽然HIBSA最多的卸载任务。这是因为本文提出的算法是一个多目标优化算法,同时也需要公平考虑在任务调度。图8是一个比较数量的箱线图调度设备使用这五个算法。如图8,掸邦军之间的四分位差算法和TPGSA算法很大,导致不公平的每个设备的任务调度算法。有些设备卸载所有生成的任务,而将一些设备没有任务。显然,四分位差HIBSA提出的论文只有1.75,这是比其他四个算法。

5.2.4。可扩展性分析

在分析部分4.4算法的性能,提出了只有与数量有关N初始化的人口。然而,一些研究表明,设置相关的初始化种群的数量应该的长度问题。摘要的长度问题是产品(米×n)数量的可用MEC服务器和imd的数量。,的服务器数量的增加和imd的数目,初始化种群的数量应该增加以满足人口的多样性。

在本文提出的算法中,我们采用的方法增加多样性判断算法的迭代执行。如果人口多样性低于预设的阈值,我们可以通过人口多样性提高种群多样性的监管。如图9当可用的服务器数量从3增加到5,解空间的数量将增长从2^30.到2⁵⁰迅速。然而,初始化种群的数量我们都是30。实验结果表明,该方案通过HIBSA不受影响。他们是显著提高任务执行时间而言,任务的总重量,和卸载任务的数量,显示了算法的可扩展性。

6。结论

任务卸载移动边缘计算缓解本地设备和中央的数据计算压卸载数据云的边缘云,也减少了任务执行延迟引起的计算资源的缺乏。在本文中,基于混合免疫算法和蝙蝠调度算法(HIBSA)提出了解决多目标优化问题。本文提出了三个主要贡献。首先,该系统模型考虑通信和计算资源,能源消耗的智能移动设备,和体重的任务。其次,移动设备的场景可以生成多个任务同时被认为是,这是更现实的而最相关的作品。第三,提出的进化算法结合了蝙蝠算法和免疫算法的优势,确保解决方案的收敛性和多样性。最后,该算法的实用性也验证了模拟。从实验结果我们可以看出,该算法可以满足的要求的任务执行时间将任务和完成任务的重量。此外,该算法具有良好的可伸缩性。然而,该算法的性能在未来可以进一步得到改善。 It needs to be further verified by using real scene data also.

数据可用性

本文的主要目的是研究调度算法,所以所有的数据都是通过MATLAB仿真,不是来自真实的场景。可以按照客户要求所有的数据都包含在本研究从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这部分工作是支持中国自然科学基金批准号。61902282和61902282下,天津师范大学博士基金(52 xb1909),和天津的科技发展基金教育委员会高等教育(没有。JW1702)。