智慧社区边缘计算场景下基于免疫算法的卸载决策优化

边缘计算通过将云计算中心的计算和存储资源下沉至距离用户更近的网络边缘,用户可将任务卸载至边缘计算节点执行,以获得更低的任务时延和能耗.针对智慧社区场景下的任务卸载决策问题,构建了联合优化任务时延和能耗的卸载决策优化模型;在免疫算法中引入交叉操作,并对克隆算子、变异算子进行了改进,给出了一种基于改进免疫算法的任务卸载方案,并对该模型进行仿真实验.结果表明：该方案优于基于粒子群优化算法方案、基于遗传算法方案和基于免疫算法的卸载方案,可以有效降低任务时延和能耗.     

车联网边缘场景下基于免疫算法的计算卸载优化

为了解决如何在降低车载终端计算时延的同时保证服务器的低能耗和负载均衡问题,本文首先构建了基于车对车通信的系统模型、时延模型、负载均衡模型、能耗模型和目标优化模型;然后提出了一种基于多目标免疫优化算法的计算卸载方案;最后将本文方案与多种卸载方案进行了对比实验。实验结果表明,本文方案能够有效降低用户的平均卸载时延,优化服务器之间的工作负载并有效降低能耗,且性能较各卸载方案有所提升。     

基于化学反应优化算法的边缘计算任务卸载策略

针对边缘计算环境中单用户多任务应用,通过分析服务缓存和任务执行过程,建立任务计算卸载系统模型,确定卸载目标,并将问题细化为服务缓存和任务卸载两个子问题,其中服务缓存问题被抽象为0-1背包问题,利用化学反应优化（CRO）算法得到其最优缓存策略;任务卸载问题转化为最优化问题,设计一种改进化学反应优化（ICRO）算法来得到其近似最优卸载决策。实验结果表明：ICRO算法比CRO算法的平均优化效果增强了5.0%左右,系统时延和设备能耗分别是极端情况下的33.3%、53.8%;无论服务器缓存空间是否充足,CRO算法总是能制定出合理的缓存方案,使服务缓存比例保持在一个合理的范围之内;ICRO算法比CRO算法的优化能力更强,它不仅可以明显降低系统总成本,还具有良好的全局搜索能力和可移植性,可以满足用户多样化需求,使用户获得更好的服务体验。     

基于移动边缘计算的车联网卸载策略研究

随着车载设备的快速发展和日益增大的数据量,车联网在计算能力及通信能力方面面临着巨大的挑战.传统云计算虽然可以弥补车载设备计算资源的不足,但由于云服务器距离车辆终端较远,因此,难以满足一些对时延敏感的业务的需求,基于此问题,引入了移动边缘计算.首先,构建了基于5G的"车-边-云"协同网络架构,在该架构中融合了SDN等多种新兴技术,可以实现对车、边缘设备、云三方面资源的统一调度;其次,在此架构下建立了基于卸载时延的通信计算模型,并采用了基于改进烟花算法的计算任务卸载策略,其中,对烟花算法的改进主要是针对爆炸火花的产生方式及下一代烟花的选择方法,在改进之后,烟花可以实现在不同方向和不同维度的全方位搜索;最终,通过基于改进烟花算法的任务卸载策略,各个任务可以选择在最佳的卸载节点进行卸载,从而保证了时延最小化.仿真结果表明,在所提协同架构下,基于改进烟花算法的卸载策略可显著降低时延.当任务量为5 Mb时,所提卸载策略相比于其它卸载策略在降低时延性能上至少提高10％.     

面向多用户的移动边缘计算任务分级处理卸载机制

在信道资源受限情况下,最小化卸载过程中的时延和能耗是改善基于无线携能通信的多用户移动边缘计算(MEC)网络卸载性能的关键因素之一。通过规划计算任务的卸载比重和链路传输过程中的信道分配,提出一种多任务分级处理机制(MHPM),以实现计算卸载过程中信道资源的合理调度。同时,根据移动终端设备在MEC卸载过程中的平均时间消耗和能量消耗,构建了约束多目标优化问题的数学模型,并结合MHPM和约束非主导的排序遗传算法Ⅱ求解该模型,从而实现了设备时延与能耗之间的有效均衡。仿真实验结果表明,采用MHPM可以降低设备在卸载过程中的平均时间消耗和能量消耗,而利用约束多目标优化算法可以得到目标函数的最优解。     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

基于备用边缘节点的居民区用电任务卸载优化策略

为了实现有序用电,保证居民区配电系统安全性,将通信领域的任务卸载概念拓展并应用于居民区信息管理中,提出基于边缘计算的居民区用电信息管理系统和计算任务的优化卸载策略. 阐明边缘计算的相关定义,从移动边缘计算场景中拓展任务卸载的概念,并在居民区用电信息管理模型中增加备用边缘节点角色. 提出基于任务卸载的管理框架及流程,并对居民区用电设备产生的计算任务进行分析,通过建立计算模型和多用户博弈模型,求解纳什均衡,得到最优任务卸载决策. 用算例验证备用边缘节点的必要性以及所提策略相较于传统计算模式的优越性,为万物互联时代的居民区用电信息管理中的数据处理环节带来新的思路和方法.     

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展，车辆边缘计算越来越引起人们的注意。车辆如何有效地利用车辆周边的各种通信、计算和缓存资源，结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元，已经成为目前车联网研究的热点。由于车辆应用设备有限的计算资源，车辆用户的任务计算需求无法满足，需要充分利用车辆周边的计算资源来计算任务。本文研究了车辆边缘计算中任务的合作卸载机制，以最小化车辆任务的计算时延。首先，设计了任务合作卸载的三层系统架构，考虑了车辆周边停泊车辆的计算资源以及路边单元的计算资源，组成云服务器层、停泊车辆合作集群层和路边单元合作集群层的三层架构。通过路边单元合作集群和停泊车辆合作集群的合作卸载，充分利用系统的空闲计算资源，进一步提高了系统的资源利用率。然后，基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分，并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后，通过将本文算法和其他算法方案的进行实验对比，仿真结果表明，本文算法在系统时延和系统吞吐量方面具有更好的性能表现，可以降低23%的系统时延，并且能提升28%的系统吞吐量。     

移动边缘计算中基于能量收集的能效优化方案

移动边缘计算（MEC）系统中密集的计算任务卸载使得资源受限的终端设备能量效率低,能量服务单一,对此,提出了一种基于能量收集的系统能效优化方案.该方案首先在满足卸载发送功率限制等约束条件下,分析了能量收集状态及用户功率分配,建立了最大化系统能效的联合优化模型;其次,利用广义分数规划理论将卸载能效转化为标准凸优化问题,并通过构建拉格朗日函数对目标函数进行迭代优化,获得最优的能量指示变量和功率分配.仿真结果表明,所提方案可以有效提升MEC系统中的用户能量效率,同时保证了用户服务质量,实现了绿色通信.     

基于任务间依赖关系的小小区协作卸载策略

在密集部署的小小区网络中,考虑到小小区基站（SBS）的计算资源有限,提出了基于任务间串并依赖关系的协作卸载策略,以降低计算卸载任务的整体完成时延.首先,考虑将可以同时执行的并行任务卸载至不同的SBS,利用计算资源的分布式特点来降低整体时延,同时最大化单个SBS上的串行任务数量,以减小所需SBS的数目;然后,根据网络的负载均衡情况对2种场景进行讨论,联合考虑任务间的依赖关系、不同SBS的可用计算资源量和SBS与用户间的信道质量,分别引入最长路径理论和图着色算法以确定最佳任务卸载方案.仿真结果表明,与已有策略相比,所提策略可降低计算卸载任务的整体完成时延.     

智慧医疗场景下考虑终端移动性的任务卸载策略

针对工作流任务、边缘服务器无线信号覆盖范围、智慧医疗场景以及终端移动路径,分别构建模型进行描述,根据移动终端的实时位置和移动速率构建基于移动路径的工作流任务执行时间及能耗模型. 根据边缘服务器的无线通信模型,引入任务执行延迟和任务迁移2种情况以保障服务的连续性和执行时间限制. 从全局角度综合考虑任务在云端、边缘服务器和本地的执行效益,设计工作流任务优先级划分算法和边缘服务器卸载优化算法,并使用遗传算法设计基于最佳移动路径的工作流任务卸载决策及调度算法,在可选路径中搜索满足用户响应时间约束,且移动端能耗最低的最佳路径和相应的任务卸载、调度方案. 仿真结果说明：该算法能够合理地分配计算资源,在用户响应时间约束下充分降低移动终端能耗,相较未考虑终端移动性的卸载算法,移动端能耗降低了19.8%.     

面向5G需求的移动边缘计算

移动边缘计算有助于实现第五代移动通信(5G)新业务超低时延、高能效、超高可靠和超高连接密度的需求,是未来5G通信的关键技术.从细粒度任务卸载算法、高可靠任务卸载与预测算法以及服务器联合资源管理策略3个方面,介绍了现有移动边缘计算技术在面向5G业务需求的工作进展,分析了未来移动边缘计算面临的挑战,并给出了未来的研究方向和研究热点.     

异构边缘云架构下的多任务卸载算法

为在资源有限的终端设备上运行计算密集型与时延敏感型应用,同时降低系统时延和能耗,构建边缘云异构网络模型。本文提出了一种H-PSOGA多任务卸载优化算法,并通过无人机、路边单元、车辆等边缘设备以及边缘云服务器进行多任务计算卸载。该算法以先串行再并行的方式将粒子群和遗传算法结合在一起,通过适应度值排序、种群选择、多点交叉、反向变异等操作,利用遗传算法对粒子群进行优选,弥补粒子群算法早熟收敛、陷入局部最优的缺陷。6种标准测试函数的测试分析以及与基线方案进行仿真对比的结果表明：在用户数较多时,混合优化算法的系统平均开销可降低26%～43%,可以有效提高收敛精度。     

移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性.该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN).该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务...     

移动边缘计算时延与能耗联合优化方法

针对移动边缘计算中时延与能耗是关键性能指标,且相互制约的问题,研究了通过在边缘与终端之间进行任务分配,对时延与能耗进行联合优化。首先,建立了能耗与时延联合优化的0-1整数规划模型;其次,设计了对任务进行分配的分支定界算法。仿真结果表明,该方法能够有效降低移动边缘计算能耗与时延。     

异构网络中任务卸载与资源分配联合优化算法

在有限的网络边缘资源约束下,考虑到业务的多样性和网络接入的异构性对任务卸载和计算资源分配的影响,在本地和服务器共同处理任务的背景下,提出了一种异构网络场景下结合李雅普诺夫优化理论和搜索树算法对任务卸载和计算资源分配的联合优化方法,分析了卸载收益与延迟之间的折中关系,优化了任务卸载与计算资源分配。同时,为了对搜索树进行快速分支定界,设计了一种卸载优先级准则。最后,通过仿真实验验证了所提算法的有效性和合理性。     

MEC网络中基于强化学习的任务卸载和资源分配

针对基于移动边缘计算（mobile edge computing, MEC）的双层蜂窝网络中由于移动设备的任务迁移而产生额外开销的问题,在移动感知下通过联合任务卸载和资源分配来减少任务迁移概率,进而最大化用户总收益。首先,提出了最大化用户总收益的最优化问题;其次,在考虑时变的计算任务和资源分配下,将最优化问题描述为一个马尔科夫决策过程(Markov decision process, MDP),同时,提出了一个新颖的采用基于Q-学习的强化学习算法（reinforcement learning-based algorithm with Q-learning method, RLAQM）进行求解;最后,仿真验证了所提出的算法与其他算法相比能明显提高用户总收益。     

无人机任务卸载与充电协同优化

在野外恶劣环境应用中，可以使用具有灵活性和便捷性的无人机（UAV），通过无线数据传输辅助携带用户任务到边缘服务器。然而，UAV飞行平台难以提供长时间的任务卸载服务，大大限制了其应用前景。本文研究了在移动边缘计算环境中，如何有效整合UAV的任务卸载和充电调度。首先，构建了一个新的应用模型，该模型协同处理UAV的任务卸载调度和自身充电需求，并在UAV辅助任务卸载应用场景中加入了若干个无线充电平台。其次，考虑了用户任务的价值和UAV的充电需求，以在时延敏感和能量约束的条件下优化UAV辅助用户设备进行任务卸载的收益。最后，采用深度强化学习算法，对深度Q网络（DQN）进行调优后形成Fixed DQN算法，以有效处理模型中的大规模状态动作搜索空间问题。本文以UAV仅作为任务载体并考虑其自主充电需求为前提，通过在一个半径为3000 m、含有11个节点的区域验证Fixed DQN算法的可行性；并在不同用户节点数量、充电节点数量及服务时间条件下，通过与蚁群算法、遗传算法和DQN算法的对比实验评估其性能。实验结果表明：本文提出的Fixed DQN算法在所有测试条件下均显著优于蚁群算法、遗传算法和DQN算法，特别是在节点数量增加和服务时间延长的情景中；此外，Fixed DQN算法相对于DQN算法的性能提升突显了深度强化学习在参数调优方面的有效性。研究结果证实了Fixed DQN算法在解决UAV任务卸载和充电调度问题中的高效性和调参策略的重要性。