无人机辅助MEC系统中面向用户公平性的三维部署和卸载优化

针对无人机辅助移动边缘计算系统存在的用户公平性不足问题, 本文提出了一种面向用户公平性的三维部署和卸载优化算法. 该算法综合考虑用户匹配、无人机三维部署、计算资源分配、卸载因子对系统总时延及用户公平性的影响, 建立了一个最小化系统总时延的多元优化问题, 并针对该问题提出了一种两阶段联合优化算法, 其中第1阶段使用带有平衡约束的聚类算法解决用户匹配和无人机的水平部署问题, 第2阶段使用凸优化算法迭代求解无人机高度部署, 资源分配和卸载因子优化问题. 实验结果表明, 与4种基准算法相比, 所提算法在系统总时延和用户公平性两方面具有更好的性能.     

多无人机辅助移动边缘计算中的轨迹优化

在无人机辅助移动边缘计算网络中,优化无人机的飞行轨迹可以显著提升无线网络的各项性能指标。该文主要以加权最小化无人机的飞行能耗和接收卸载任务的能耗为目标,考虑满足无人机自身的机械特性和多无人机之间飞行轨迹需满足碰撞避免的约束条件,协同优化多架无人机的飞行轨迹和无人机与地面设备之间的卸载决策参数。建立的基于能耗最小化的多无人机飞行轨迹的优化问题中,目标函数非线性,约束条件非凸。针对这些问题,通过引入辅助变量转化非凸的优化条件,并通过连续凸优化的方法转化非线性的优化问题求解。仿真结果表明,所提多无人机的轨迹优化算法,较好地优化了所有无人机的飞行轨迹,在保证所有地面设备任务卸载完成的前提下明显改善了无人机的能耗性能。     

基于改进MADDPG的UAV轨迹和计算卸载联合优化算法

在地震、台风、洪水、泥石流等造成严重破坏的灾区,无人机(unmanned aerial vehicle, UAV)可以作为空中边缘服务器为地面移动终端提供服务,由于单无人机有限的计算和存储能力,难以实时满足复杂的计算密集型任务.本文首先研究了一个多无人机辅助移动边缘计算模型,并构建了数学模型;然后建立部分可观察马尔可夫决策过程,提出了基于复合优先经验回放采样方法的MADDPG算法(composite priority multi-agent deep deterministic policy gradient, CoP-MADDPG)对无人机的时延能耗以及飞行轨迹进行联合优化;最后,仿真实验结果表明,本文所提出算法的总奖励收敛速度和收敛值均优于其他基准算法,且可为90%左右的地面移动终端提供服务,证明了本文算法的有效性与实用性.     

双层MEC算法优化多峰问题

多峰优化是真实世界的一类问题。介绍了基本MEC(Mind Evolutionary Computation),给出了峰半径异化策略的MEC算法描述,提出了用优化参数的双层MEC算法解决多峰优化问题;最后,在实验中优化了三个测试函数,并与物种保存遗传算法进行了性能比较。     

基于MEC的卸载策略与资源分配研究

随着各种智能终端数量的爆炸性增长,传统云计算模型无法满足海量数据传输所带来的时延、能耗等要求,因此移动边缘计算(Mobile Edge Computing, MEC)应运而生。在MEC背景下,提出一种离散化的灰狼优化算法,该算法对灰狼的位置向量进行重新定义、设计灰狼个体位置的转换函数及运算规则,并最终实现有效减少系统能量消耗的目标。实验结果表明,基于该算法的交替优化卸载策略,相较于本地计算策略、随机卸载策略,系统能耗分别节约了71.11%及34.17%。通过这种交替求解卸载策略及资源分配的方式,可以在满足用户实时化需求的基础上保证用户的良好使用体验。     

MEC环境下多维属性感知的边缘服务二次聚类方法研究

移动边缘计算（mobile edge computing,MEC）环境下,海量的领域服务分布在边缘服务器上,如何对大规模的边缘服务进行精确的聚类是亟需解决的重要问题之一。为此提出了一种MEC环境下多维属性感知的边缘服务二次聚类方法。该方法首先分析并建立了MEC环境下边缘服务二次聚类指标模型。之后,提出了一种基于密度的最小生成树启发式分段聚类算法（heuristic segmented for MST clustering based on service density,DMSC）,基于DMSC算法依据一级指标对边缘服务进行一次聚类;最后,将密度峰值算法中γ值引入到层次聚类中,构建了基于密度峰值的层次聚类算法（hierarchical clustering based on density peak,HCDP）,基于HCDP算法依据二级聚类指标,在一次聚类的基础上对边缘服务进行二次聚类。在人工数据集和UCI数据集上开展了大量验证实验。实验结果表明,DMSC算法与HCDP算法提高了聚类的准确率,减少了算法的平均迭代次数,增强了算法的稳定性。     

基于多Agent结构的自适应蚁群优化聚类算法

该文在分析蚁群优化算法多Agent结构的基础上,提出了一种新的自适应蚁群优化聚类算法。算法的多Agent分层结构为L0层agent构造解,L1层agent改进可行解,L2层agent更新信息素,更新后的信息素矩阵为下一轮解的构造提供反馈信息。算法选取变异概率p及信息素残留度ρ作为自适应参数,在演化过程中进行自动调节,较好地解决了加速收敛和停滞早熟的矛盾。实验结果验证了算法的有效性,该算法的聚类效果和运行效率优于GA和SA两种演化聚类算法。     

基于MEC的计算资源分配方案研究

为解决资源受限情况下执行计算密集型任务带来的服务器过载、等待时延过长等问题,本文构建了异构边缘云网络模型,将计算任务卸载到无人机、路边单元和车辆等具有一定计算能力的边缘节点中,并进行处理。以降低系统平均开销为目的,将计算资源分配问题转化为目标优化问题,并采用拉格朗日乘子法进行求解。与基线方案进行对比实验,仿真结果表明,本文提出的方案可以有效地降低系统平均开销。     

模拟生物种族形成的进化算法与多峰函数优化

为寻求复杂多峰函数的全局最优解问题,提出了新型混合算法。该算法由带共享函数的遗传算法、移民技术、聚类算法和改进的Ｐｏｗｅｌｌ算法组成。由于上述算法的有机配合,提高了混合算法的全局和局部搜索能力。油藏系统应用实一和仿真实例证明了算法的有效性。     

结合B样条优化的UAV多区域路径规划融合算法

为解决无人机(UAV,unmanned aerial vehicle)在多个目标区域之间快速找到最佳遍历路径的类旅行商问题(TSP,travelling salesman problem),设计一种基于蚁群算法、A*算法以及三次B样条优化的融合规划算法;尽管蚁群算法相对其他优化算法在解决TSP问题上有较为良好的表现,但其规划路径处理时间长、生成路径转折多、路径质量和安全性较差;算法首先改进传统A*算法的节点扩展方式,快速生成两两目标区之间的局部路径,然后将蚁群算法和改进A*算法融合使用进行全局路径规划,最后结合改进三次B样条对路径进行平滑处理;基于栅格地图的仿真结果证明了该算法相比传统算法具有更好的高效性和稳定性。     

多Agent系统中基于招投标的任务分配优化

在利用多Agent系统辅助生产任务分配过程中,为避免仅凭招投标结果来确定任务分配方案时只能获得局部最优的问题,提出了一种生产任务分配全局优化方法。建立了基于招投标结果的生产任务分配优化目标函数,设计了退火进化算法,实现生产任务的综合评标。通过实例验证说明算法求解该问题可行有效,便于获得生产任务分配的全局最优方案。     

具有回程约束的多无人机基站的带宽功率与轨迹优化

考虑一个多无人机组网的无线通信系统,多架无人机搭载的空中基站为覆盖区域内的多组用户提供服务。在网络中,由于频谱资源受限,基站的回程链路与用户的数据链路共享相同的频谱,为了合理利用频谱资源并提高用户的通信性能,以达到所有地面用户的最小平均速率最大化的目的,联合优化回程链路和数据链路的带宽、功率以及无人机基站的飞行轨迹,这种联合优化受限于无人机的移动性、频谱带宽以及传输功率。联合优化涉及的问题是非凸的,并且难以得到最优解,因此提出一种高效算法获取高性能的次优解。仿真结果表明,所提出的联合优化算法实现的最小用户速率明显高于基准方案。     

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。     

移动边缘网络中的多目标缓存优化方法

随着5G时代的到来,各类移动应用蓬勃发展,用户量快速增长,大量的通信流量对移动边缘网络造成了巨大的压力,缓存资源紧张的问题逐渐凸显.为此,本文提出了一种基于多目标优化算法的移动边缘网络缓存放置策略,考虑包含一个宏基站和若干小基站的边缘网络,通过分析边缘网络缓存中不同利益相关方的需求,即用户平均延迟、缓存成本和传输功耗,以及缓存空间有限的约束条件,构建了多目标优化模型,为了求解模型,提出了一种基于最远交配和淘汰策略的多目标进化算法(MOEA-FMES).通过模拟仿真实验与其他常见多目标优化算法进行了对比,结果表明MOEA-FMES优于对比算法,能够给出一组质量较高、收敛性较好且分布均匀的解,证明了所提出方法的有效性.     

MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了"云-边-端"三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略.首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡...     

产品开发任务分配问题的多目标优化求解

针对目前产品开发任务分配问题研究存在的不足,给出了任务分配问题的数学描述和约束条件,提出了任务分配模型中的相关矩阵,并采用权重因子和极差变换法建立了多目标优化的目标函数.针对任务分配过程的动态性和不确定性,提出采用基于时序逻辑关系的动态分配蚁群算法进行优化计算,并分析了该方法的优点,给出了详细的算法步骤.最后通过仿真实验验证了所提出方法的可行性和有效性.     

基于进化多任务多目标优化的边缘计算任务卸载

目前边缘计算卸载的主流方案是将其建模为一个多目标优化问题,即最小化能耗和延时。不同于已有研究,主要考虑边缘计算中,不同卸载区域的任务具有一定的相似性,可以利用任务的相似性加快算法的收敛速度和求解效果。以此基于进化多任务优化,提出一种进化多任务多目标优化算法求解不同区域的任务卸载问题。该算法考虑了多个独立的待优化区域,将每个区域的任务卸载系统模型建模为一个多目标优化问题。通过学习不同区域的用户分布和待处理任务的相似性来动态调节种群的交流程度,加快了收敛速度,通过一次进化,实现对两个不同区域的优化。实验结果表明,算法在收敛速度及最优解分布的均匀性上均取得较好效果,可以获得边缘计算下的卸载部署优化方案。     

基于GA-BPSO算法的MEC卸载决策

针对移动智能设备(SMD)的算力、内存和能量等无法满足计算密集型需求的问题,提出一种应用任务卸载到高性能边缘服务器的计算卸载。根据任务计算、传输等情况下的能耗和时延,构建出卸载决策系统模型;根据SMD和边缘服务器的计算能力等情况,降低SMD能耗为目标,将任务卸载决策问题描述为一个非线性约束优化问题;为对约束优化问题求解提出GA-BPSO算法,算法中将静态学习因子改为动态学习因子,将最优个体引入交叉操作中,扩大算法在解空间中的探索能力。通过实验验证GA-BPSO算法能在较短时间内收敛,实现了SMD较低的能量消耗。     

D2D网络中基于多目标优化的计算卸载策略

针对终端直传（Device-to-Device, D2D）通信技术的移动边缘计算场景中计算卸载的高时延、高能耗问题,提出一种基于多目标优化的计算卸载策略。该计算卸载策略基于时延和能耗多目标优化模型,引入过度卸载问题的分析,对NSGA-II算法进行改进,包括适用于计算卸载的基因编码策略、交叉和变异方法,通过求解帕累托最优来最小化任务执行时间和能耗。此外,还提出一种数据路由算法,以平衡路由设备的传输能耗,并优化路由路径。通过仿真实验,该算法的平均提升效率最高可达41.7%,任务重传率降低至7.8%。实验结果表明,本文提出的算法能明显减少执行时延、能耗,降低任务重传率和提高任务卸载成功率。     

移动计算环境中数据广播访问时间优化算法

移动计算是近年来新兴的一个研究热点，具有极大的市场潜力和需求，数据广播是提高移动计算系统可伸缩性的一项重要技术，本文对无线移动计算环境中数据广播的平均访问时间优化进行了研究和实验，首先分析了平均访问时间的理论最小值，然后提出了向理论最小值逼近的NASA 算法，实验表明NASA算法具有良好的性能，优于MDS等其他调度方法。