基于遗传算法的移动服务组合计算卸载方法
【专利摘要】本发明公开了一种基于遗传算法的移动服务组合计算卸载方法，通过收集移动终端、移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略，最后根据移动模型和基于遗传算法的计算卸载策略执行当前移动服务组合；从而克服了现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组合中的问题，也克服了现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高服务组合执行效率并且还降低移动终端的能耗。
【专利说明】基于遗传算法的移动服务组合计算卸载方法
【技术领域】
[0001] 本发明涉及通信【技术领域】，尤其涉及一种基于遗传算法的移动服务组合计算卸载 方法。
【背景技术】
[0002] 近年来随着以智能手机和平板电脑为主的移动终端的发展，移动终端被赋予越来 越多的功能，但是在移动终端上的CPU、内存、带宽和电池容量等资源限制了移动终端的能 力。随着云计算技术，虚拟化技术和WI-FI技术的发展，使得利用WI-FI和3G/4G网络将移 动终端上的部分任务卸载到云端服务器中执行成为了可能。移动云计算中的计算卸载就是 将移动终端中的一些容易分割，计算密集型的程序通过WI-FI或者3G网络等卸载到附近可 用的服务器中去执行，来到达提升程序性能和减少移动终端能耗的一种技术。
[0003] 现有技术中的计算卸载算法主要有两个缺点：（1)目前大多数方法都仅针对单一 服务任务进行计算卸载，而没有考虑对多个服务根据业务流程形成的移动服务组合进行卸 载。由于服务组合中存在着不同服务之间的逻辑及数据依赖，因此针对单一服务计算卸载 的方法无法直接应用于服务组合；(2)在规划计算卸载方案时没有考虑用户的移动特性， 由于在服务的执行过程中用户的地理位置会随时间变化，导致移动信号也会产生变化，从 而影响到数据传输开销和本地执行开销之间的比较结果，最终导致服务组合实际性能的变 化。
【发明内容】
[0004] 针对上述存在的问题，本发明提供一种基于遗传算法的移动服务组合计算卸载方 法，以克服现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用于服务组 合中的问题，也克服现有技术中的方法在规划计算卸载方案时没有考虑用户的移动特性导 致服务组合实际性能变化的问题，从而提高服务组合执行效率和降低移动终端的能耗。
[0005] 为了实现上述目的，本发明采取的技术方案为：
[0006] -种基于遗传算法的移动服务组合计算卸载方法，其中，包括：
[0007] 收集移动终端、移动网络以及云端服务器的实时信息；
[0008] 根据所述实时信息建立针对计算卸载的移动模型；
[0009] 根据所述实时信息采用基于遗传算法的多目标算法进行组合优化，得到基于遗传 算法的计算卸载策略；
[0010] 根据所述移动模型和所述基于遗传算法的计算卸载策略执行当前移动服务组合。
[0011] 上述的基于遗传算法的移动服务组合计算卸载方法，其中，建立针对计算卸载的 移动模型的方法包括：
[0012] 建模为一个二元组作为，mt = (D。，Trips)，其中：
[0013] (1)D。是用户的初始位置；
[0014] (2)Trips是用户的位移集合，一个用户的移动轨迹是由多个位移组成的。每一段 位移表示如下：
[0015] TriPi = {D^T^VJ
[0016] 其中i表示该段位移的序号，Di是给段位移的目的地，Ti表示在目的地停留的时 间，\表示该段位移的平均速度。
[0017] 上述的基于遗传算法的移动服务组合计算卸载方法，其中，采用基于遗传算法的 多目标算法进行组合优化的方法包括：
[0018] 1)初始化阶段，生成种群及染色体，确定终止条件；
[0019] 2)交叉阶段：选择染色体进行交叉；
[0020] 3)变异阶段：选择染色体进行变异；
[0021] 4)重复2)-3)步骤，直到终止条件达成。
[0022] 上述的基于遗传算法的移动服务组合计算卸载方法，其中，所述终止条件为：初始 化阶段中设定的最大循环次数。
[0023] 上述技术方案具有如下优点或者有益效果：
[0024] 本发明提供的基于遗传算法的移动服务组合计算卸载方法，通过收集移动终端、 移动网络以及云端服务器的实时信息，而后根据这些实时信息建立针对计算卸载的移动模 型，再根据这些实时信息且采用基于遗传算法的多目标算法进行组合优化，得到基于遗传 算法的计算卸载策略，最后根据移动模型和基于遗传算法的计算卸载策略执行当前移动服 务组合；从而克服了现有技术中的方法仅仅针对单一服务进行计算卸载导致无法直接应用 于服务组合中的问题，也克服了现有技术中的方法在规划计算卸载方案时没有考虑用户的 移动特性导致服务组合实际性能变化的问题，进而提高服务组合执行效率并且还降低移动 终端的能耗。
【专利附图】
【附图说明】
[0025] 通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、夕卜 形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比 例绘制附图，重点在于示出本发明的主旨。
[0026] 图1是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的流程 示意图；
[0027] 图2是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的针对 计算卸载的移动模型的示意图；
[0028] 图3是传统的遗传算法的交叉操作的示意图；
[0029] 图4是本发明实施例1中提供的遗传算法的交叉操作的示意图。
【具体实施方式】
[0030] 下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限 定。
[0031] 实施例1 :
[0032] 图1是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的流程 示意图；图2是本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法的针对 计算卸载的移动模型的示意图；图3是传统的遗传算法的交叉操作的示意图；图4是本发 明实施例1中提供的遗传算法的交叉操作的示意图；如图所示，本发明实施例1提供的基于 遗传算法的移动服务组合计算卸载方法包括：收集移动终端、移动网络以及云端服务器的 实时信息；根据实时信息建立针对计算卸载的移动模型；根据实时信息采用基于遗传算法 的多目标算法进行组合优化，得到基于遗传算法的计算卸载策略；根据移动模型和基于遗 传算法的计算卸载策略执行当前移动服务组合。
[0033] 在本发明实施例1提供的基于遗传算法的移动服务组合计算卸载方法中，建立针 对计算卸载的移动模型的方法包括：
[0034] 建模为一个二元组作为，mt = (D。，Trips)，其中：
[0035] (1) D。是用户的初始位置；
[0036] (2)Trips是用户的位移集合，一个用户的移动轨迹是由多个位移组成的。每一段 位移表示如下：
[0037]
【权利要求】
1. 一种基于遗传算法的移动服务组合计算卸载方法，其特征在于，包括： 收集移动终端、移动网络以及云端服务器的实时信息； 根据所述实时信息建立针对计算卸载的移动模型； 根据所述实时信息采用基于遗传算法的多目标算法进行组合优化，得到基于遗传算法 的计算卸载策略； 根据所述移动模型和所述基于遗传算法的计算卸载策略执行当前移动服务组合。
2. 如权利要求1所述的基于遗传算法的移动服务组合计算卸载方法，其特征在于，建 立针对计算卸载的移动模型的方法包括： 建模为一个二元组作为，mt = (D。，Trips),其中： (1) DQ是用户的初始位置； (2) Trips是用户的位移集合，一个用户的移动轨迹是由多个位移组成的。每一段位移 表示如下： TriPi = {Di, Ti, Vj 其中i表示该段位移的序号，Di是给段位移的目的地，?\表示在目的地停留的时间，\ 表示该段位移的平均速度。
3. 如权利要求1所述的基于遗传算法的移动服务组合计算卸载方法，其特征在于，采 用基于遗传算法的多目标算法进行组合优化的方法包括： 1) 初始化阶段，生成种群及染色体，确定终止条件； 2) 交叉阶段：选择染色体进行交叉； 3) 变异阶段：选择染色体进行变异； 4) 重复2)-3)步骤，直到终止条件达成。
4. 如权利要求3所述的基于遗传算法的移动服务组合计算卸载方法，其特征在于，所 述终止条件为：初始化阶段中设定的最大循环次数。
【文档编号】G06F9/50GK104158855SQ201410354658
【公开日】2014年11月19日 申请日期:2014年7月24日 优先权日:2014年7月24日
【发明者】邓水光, 黄龙涛, 李莹, 吴健, 尹建伟, 吴朝晖 申请人:浙江大学