基于差分进化算法的系统计算能效最大化资源分配方法

1.本发明涉及边缘计算领域，涉及一种基于差分进化算法的系统计算能效最大化资源分配方案。


背景技术：

2.随着移动通信技术的快速发展和物联网的不断普及，终端设备及程序、数据呈爆炸式增长。例如，智能网联车和自动驾驶、虚拟现实、工业物联网、智能家居和智慧城市等物联网产业迅猛发展，这些新兴产业需要消耗大量的计算资源以满足其自身需求，为此，移动边缘计算应运而生。移动边缘计算主要的服务对象为移动设备、传感器等，这些设备的运行基本依赖于电池供电，当设备中存在大量计算任务需要处理时，电池电量将会消耗很快。此外，单个边缘计算节点的存储和计算能力相对较低，这些问题直接影响了物联网产业的服务质量。
3.现有关于无线边缘网络的资源分配研究大多是基于解决系统的能量受限问题或者计算能力受限问题，或者并未综合考虑能量站、边缘用户和边缘服务器三者之间的关联性。与此同时，现有的能效优化问题大多是通过广义分式规划理论，把非凸优化的问题转变为凸优化问题，再通过迭代算法进行求解，如果涉及参数和约束条件过多的情况，计算起来将会十分困难。


技术实现要素：

4.为解决现有技术计算复杂度高，时间成本高等问题，本发明提供了一种基于差分进化算法的系统计算能效最大化资源分配方案。本发明从整个系统出发，考虑三者之间的信息交互，并且通过构建和优化系统计算能效，同时解决了传感节点能量受限问题和计算能力受限问题。本发明提出的通过差分进化算法对能效问题进行优化，不仅能很大程度上降低计算难度，更重要的是节约了时间成本。
5.为了达到上述目的，本发明通过以下技术方案实现：基于差分进化算法的系统计算能效最大化资源分配方法，包括以下步骤：
6.能量站、边缘用户和边缘服务器构建边缘计算网络；
7.根据边缘计算网络获取能量站、边缘用户和边缘服务器的能耗和计算比特数的变化情况；
8.根据变化情况建立最大化系统计算能效的联合优化数学模型；
9.利用差分进化算法，实现对系统计算能效的逐代优化，从而得到最佳的资源分配指标；
10.根据资源分配指标对能量站、边缘用户和边缘服务器进行资源分配。
11.所述能量站、边缘用户和边缘服务器构建边缘计算网络，具体为：
12.能量站为边缘用户提供能量；
13.边缘用户利用接收到的能量把一部分需要计算的任务卸载到边缘服务器，另一部
分在本地进行计算；
14.边缘服务器对边缘用户输送的数据进行计算，完成后反馈给边缘用户，二者之间通过无线信道进行交互。
15.所述根据边缘计算网络获取分析能量站、边缘用户和边缘服务器的能耗和计算比特数的变化情况，具体为：
16.根据边缘计算网络，分析能量收集阶段，每个边缘用户从能量站中收集到的总能量；任务卸载阶段边缘，用户卸载至边缘服务器的计算比特数；任务计算阶段，边缘服务器最大任务计算比特数；以及整个系统总的计算比特数和总能耗。
17.所述分析能量站、边缘用户和边缘服务器的能耗和计算比特数的变化情况包括：
18.边缘服务器最终的计算比特数为：
[0019][0020]
边缘服务器最大任务比特数边缘服务器的工作频率为fm，工作时间为τc，c
cpu
为计算一个比特需要的时钟周期；
[0021]
第k个边缘用户卸载到边缘服务器的比特数为：
[0022][0023]
所有边缘用户卸载到边缘服务器的总比特数为：
[0024][0025]
其中，第k个边缘用户进行任务卸载的时间为τk，w为系统带宽，hk为第k 个边缘用户与边缘服务器之间的信道增益，pk表示第k个边缘用户的发射功率，σ2为噪声功率；k表示边缘用户的数量；
[0026]
εm为边缘服务器上的有效电容，在任务计算阶段，边缘服务器的能量消耗为
[0027]
第k个边缘用户做本地计算的计算比特数和能量消耗分别是：
[0028][0029][0030]
其中，tk和fk分别表示第k个边缘用户做本地计算的时间和频率，εk是第k 个边缘用户的有效电容系数；
[0031]
能量站、边缘服务器、边缘用户的能耗分别为e1、e2和e3：
[0032][0033][0034]
[0035]
边缘计算网络的总能耗为：
[0036]etotal
＝ξ1e1+ξ2e2+ξ3e3
[0037]
其中，p0表示能量站向边缘用户的发射功率，τ0表示能量传输时间，ek表示每个边缘用户从能量站发出的能量中收集到的总能量，p
sc
为能量站的电路损耗，p
c,k
为第k个边缘用户的电路损耗；ξ1、ξ2、ξ3分别为能量站、边缘服务器、边缘用户能耗的加权因子；
[0038]
边缘计算网络总计算比特数如下：
[0039][0040]
所述建立最大化系统计算能效的联合优化数学模型，具体为：
[0041]
根据变化情况构建一个以系统计算能效为目标函数的优化模型。
[0042]
所述联合优化数学模型如下：
[0043][0044][0045]rtotal
≥l
min
[0046][0047][0048][0049][0050][0051]
其中，整个无线功能计算网络系统的计算能效f
x
为：
[0052][0053]
所述利用差分进化算法，实现对系统计算能效的逐代优化，从而得到最佳的资源分配指标，具体为：
[0054]
将联合优化数学模型中的τk,tk,pk,fk,p0,τ0,τc,fm作为求解的资源分配指标，将计算能效f
x
作为适应度函数，通过差分进化算法逐代优化获得最优的能效f
x
以及资源分配指标。
[0055]
所述根据分配指标对能量站、边缘用户和边缘服务器进行资源分配，包括以下步骤：
[0056]
将得到的资源分配指标：第k个边缘用户进行任务卸载的时间τk、第k个边缘用户做本地计算的时间tk、第k个边缘用户的发射功率pk、第k个边缘用户做本地计算的频率fk、能量站向边缘用户的发射功率p0、能量传输时间τ0、边缘服务器工作时间τc、边缘服务器工作频率为fm，分别发送至边缘用户和边缘服务器；
[0057]
边缘用户和边缘服务器根据接收到资源分配指标运行，以实现计算能效最大化。
[0058]
本发明具有以下有益效果及优点：
[0059]
1、本发明提出的通过差分进化算法得到系统卸载和计算的最佳分配策略，能够很
大程度上节约时间成本。
[0060]
2、本发明提出的方法不需要经过把凸优化的数学模型变为凸优化的步骤，降低了计算复杂度。
[0061]
3、本发明综合考虑系统的能耗和计算能力，综合性更强。
[0062]
4、本发明提出的计算卸载策略能够有效缓解微型设备的能源短缺问题，延长设备的使用寿命。
附图说明
[0063]
图1是本发明方法的无线边缘计算网络模型。
具体实施方式
[0064]
下面结合附图对本发明做进一步详细的说明，以便本领域的技术人员更好地理解本发明。
[0065]
图1是无线边缘计算网络模型。如图1所示，一种基于差分进化算法的系统计算能效最大化资源分配方案，包括以下步骤：
[0066]
1)建立一个无线供能的边缘计算网络模型；
[0067]
2)分析模型中能量站、边缘用户和边缘服务器的能耗和计算比特数的变化情况；3)建立最大化系统计算能效的联合优化数学模型；
[0068]
4)利用差分进化算法，实现对系统计算能效的逐代优化，从而得到最佳的卸载时间、计算时间和频率等指标。
[0069]
所述步骤1)中，建立一个无线供能的边缘计算网络模型具体为：
[0070]
建立一个物理模型，该模型共包含三部分:能量站、边缘用户和边缘服务器。详情参考图1。能量站为边缘用户提供能量，边缘用户利用接收到的能量把一部分需要计算的任务卸载到边缘服务器，另一部分在本地进行计算。边缘服务器则对边缘用户输送的数据进行计算，完成后反馈给边缘用户，二者之间通过无线信道进行交互。
[0071]
所述步骤2)中，分析模型中能量站、边缘用户和边缘服务器的能耗和计算比特数的变化情况，具体为：
[0072]
在能量收集阶段，假设能量站向边缘用户的发射功率为p0，传输时间为τ0，η为能量转换效率。假设边缘用户的数量为k(k＝1，2，3。。。k)，gk为能量站与第k个边缘用户之间的信道增益。则在能量收集阶段，每个边缘用户从能量站发出的能量中收集到的总能量为：
[0073]ek
＝ηp0gkτ0ꢀꢀ
(1)
[0074]
边缘用户在收集到能量之后进行本地计算和任务卸载，本地计算即在本地直接进行计算处理；任务卸载是指将计算任务卸载到边缘服务器，由边缘服务器执行计算操作，并将结果返回给边缘用户。通过任务卸载，把计算任务卸载到边缘服务器执行，能够达到缓解本地设备计算和存储压力的目的，从而延长电池的使用寿命。在本文中，假设所有的任务程序是可以进行分割的。假设第k 个边缘用户进行任务卸载的时间为τk，w为系统带宽，hk为边缘用户与边缘服务器之间的信道增益，pk表示第k个边缘用户的发射功率，σ2为噪声功率，则第 k个边缘用户卸载到服务器的比特数和所有用户卸载到边缘服务器的总比特数分别为：
[0075][0076][0077]
在接收到边缘用户卸载的任务后，边缘服务器开始对接收到的任务进行计算。为了使本文所搭建的系统更贴近实际情况，假设边缘服务器计算能力有限，其工作频率为fm，工作时间为τc。c
cpu
为计算一个比特需要的时钟周期。则边缘服务器最大任务比特数为：
[0078][0079]
而边缘服务器最终的计算比特数为：
[0080][0081]
假设εm为边缘服务器上的有效电容，则在任务计算阶段，边缘服务器的能量消耗为：
[0082][0083]
假设tk和fk分别表示第k个边缘用户做本地计算的时间和频率，εk是第k个边缘用户的有效电容系数。则第k个边缘用户做本地计算的计算比特数和能量消耗分别是：
[0084][0085][0086]
专用能量站、边缘服务器、边缘用户的能耗分别为e1、e2和e3。计算公式如下：
[0087][0088][0089][0090]
则系统的总能耗为：
[0091]etotal
＝ξ1e1+ξ2e2+ξ3e3
ꢀꢀ
(12)
[0092]
其中p
sc
为专用能量站的电路损耗，p
c,k
为第k个边缘用户的电路损耗。ξ1、ξ2、ξ3分别为专用能量站、边缘服务器、边缘用户能耗的加权因子。通过对三者设置不同的权重，进行加权求和作为系统的总能耗。
[0093]
系统总计算比特数包括两部分，边缘用户进行本地计算的比特数和边缘服务器计算的由边缘用户卸载的任务的比特数。计算公式如下：
[0094][0095]
所述步骤3)中，建立最大化系统计算能效的联合优化数学模型，具体为：综合考虑专用能量站、边缘用户、边缘服务器三者之间的协作关系，通过差分进化算法优化专用能量站的发射功、传输时间、边缘用户的卸载时间、本地计算时间和频率以及边缘服务器的计算时间和频率等参数，来优化整个网络系统的计算能效f
x
，使其达到最大化。
[0096]
整个无线功能计算网络系统的计算能效f
x
为：
[0097][0098]
即，整个系统总计算比特数和系统总能耗的比值。
[0099]
整个系统需要考虑的参数较多，如果用传统的方法通过广义分式规划理论把目标函数转换成标准的凸函数，再进行迭代求得最优解，过程将会十分复杂，而差分进化算法因具有高度并行和随机搜索的特点，对这种参数较多的调优系统非常适用。后续的仿真实验也证明了本方案的高效性和可行性。根据上述整个过程搭建系统的数学模型如下：
[0100][0101][0102]rtotal
≥l
min
ꢀꢀ
(17)
[0103][0104][0105][0106][0107][0108]
其中，公式(15)表示最终要求的目标函数，其中τk,tk,pk,fk,p0,τ0,τc,fm为决策变量；公式(16)表示整个系统能量传输、任务卸载及服务器完成任务计算要在规定的时间t内完成，其中t相当于设定了一个最大时延；公式(17)给出了系统需要的最小计算比特数l
min
；公式(18)表示边缘用户消耗的能量不能超过其从能量站接收的能量；公式(19)限定了能量站的发射功率最大不能超过 p
max
；公式(20)限定了边缘服务器的最大工作频率及边缘用户进行本地计算的最大频率分别不能超过f
max
和公式(21)为边缘用户进行本地计算的时间约束，本地计算时间不能超出t；公式(22)为能量传输时间，边缘用户卸载任务时间和边缘服务器进行计算的时间约束。
[0109]
所述步骤4)中，利用差分进化算法，实现对系统计算能效的逐代优化，从而得到最佳的卸载时间、计算时间和频率等指标，具体为：
[0110]
差分进化算法是一种基于群体自适应性的全局优化算法。其优点在于高度的并行性和随机性，具有良好的全局寻优能力。此外，差分进化算法还具有鲁棒性强、简单、实用、高效等特点，在人工智能、大数据等领域得到了广泛的应用。差分进化算法因具有快速的收敛性和全局优化能力，可以很好的解决本文所提出的系统计算能效优化问题。此外，研究者们大量的实验证明，差分进化算法是速度最快的进化算法。
[0111]
差分进化算法的基本思想为：利用从种群中随机选择的两个个体向量的差分量作为第三个随机基准向量的扰动量，得到变异向量，然后变异向量和基准向量进行杂交操作，生成试验向量。然后把基准向量和试验向量进行比较，较优者保存在下一代群体中，如此循环多次，逐代改善群体质量，引导种群聚焦到最优解位置。
[0112]
该算法主要包含五个基本步骤：种群初始化、定义适应度函数、变异操作、交叉操作、选择操作。其关键环节在于：变异、交叉、选择。合理的设置适应度函数能够有效评估种群中个体的环境适应能力，同时适应度函数的值也对应着任务分配方案性能优劣的评判，
并最终决定着求解出的任务分配方案是否接近最优解的判断。
[0113]
本方案的适应度函数，即前文的目标函数f
x
，通过差分进化算法逐代优化，使得f
x
的值达到最大。通过观察适应度函数值的情况，可以判断差分进化算法对整个系统的分配方案的优劣。当适应度函数值达到最大，即整个分配方案达到最佳。本方案的适应度函数如下：
[0114]
f(x)＝f
x
ꢀꢀ
(23)
[0115]
选择、交叉和变异是差分进化算法的三个关键步骤，选择，即根据适应度函数值的情况，筛选使适应度函数值变大的优良基因，并保留下来。交叉，即基因重组，从而产生新的个体。由于在基因重组的过程中，差分进化算法会根据染色体上对应位置基因的适应度函数值来判断该基因是否是优良基因，因此交叉后生成的个体都继承了父本和母本的优良基因，从而比上一代更能适应环境要求。变异，即染色体上某个或者某些基因发生了突变，增加了基因的多样性，交叉是不能产生新的基因的，变异可以。变异的存在，增加了生成更多更优可行解的概率。
[0116]
差分进化算法包括三个主要参数：群体规模np、缩放因子f、杂交概率cr。其中群体规模增大，可以增加群体的多样性，提高最优解的质量。但是，随着群体规模的增大，计算量会随之增加，收敛的速度会减缓。较小的群体规模可以加快整个优化过程的收敛，但是容易导致算法早熟，陷入局部最优。在本系统模型中，群体规模的值设置为100。缩放因子表示对基向量的扰动程度，缩放因子大，则扰动量大，导致搜索步长的取值在一个更大的范围内，从而会提高种群的多样性，但是会削弱算法的局部搜索能力。缩放因子小，则扰动量小，使得新个体与基准个体变化不大，局部搜索能力强，算法在基准个体邻域搜索，收敛速度会有所提高，但是容易陷入局部最优问题。在本文的仿真实验中，取缩放因子的值为0.5。杂交概率相当于一个用来调节历史信息和当前信息的权重，杂交概率越大，更多的信息来自变异向量，使得杂交后的向量与基准向量之间差别较大，继而提高种群多样性。杂交概率小，则种群的多样性相对较低，不利于找到全局最优。在本文实验中，杂交概率取值为0.7，最大进化代数为2000。种群初始化后，在解空间中随机产生100个个体，每个个体由s个染色体组成(s 为决策变量的个数)，作为第0代种群，然后进行变异、交叉、选择，三步操作进行迭代，直到迭代次数达到2000次。其中，决策变量包括τk,tk,pk,fk,p0,τ0,τc,fm。
[0117]
通过把步骤3)的数学模型跟差分进化算法结合起来，利用差分进化算法可以得到相应的最大的f(x)，即系统最大计算能效。同时，可以获得系统最佳的卸载时间、计算时间和频率等指标。
[0118]
尽管本发明的内容在上述优选实例做了详细的介绍，但本发明的保护范围不限于此。对本领域的普通技术人员来讲，只要各种变化在所附的权利要求限定范围内，都是显而易见的。本发明的保护范围以权利要求书为准。