多层边缘计算系统中联合绿色能源调度和动态任务分配方法

本发明涉及物联网中应用的技术领域，具体涉及一种多层边缘计算系统中联合绿色能源调度和动态任务分配方法。

技术背景

随着移动通信技术的空前发展(如5g)，移动设备的数量呈爆炸式增长，预计数十亿物联网(internetofthings，iot)设备(如移动设备、可穿戴设备、传感器等计算节点)将通过蜂窝网、低功耗广域网等方式连接到互联网。在这一背景下，各种各样的iot应用应运而生，如车联网、智能监控、增强现实、智慧城市等，物联网系统发展迅速。随着iot应用类型的不断丰富、功能的日益强大，iot设备将产生大量的中间数据，并且需要庞大的算力和能源以支撑相应的iot服务，但在实际生活中，出于便携的考虑，较小的移动设备受物理尺寸的限制难以提供足够的资源以实现令人满意的iot服务。

为解决上述问题，任务卸载被广泛认为是一种有效的任务处理方式。任务卸载是将数据处理任务从计算资源缺乏的、能量匮乏的iot设备卸载到有充足计算资源和能量的计算结点，从而为iot设备的任务执行提供更多可用的资源和能量。围绕任务卸载，传统的移动云计算(mobilecloudcomputing，mcc)是将任务上传到强大的云端服务器(例如google公有云计算引擎)进行处理，大量实践证明，移动云计算对中等时延容忍度的移动应用程序(例如个人云存储服务)是非常有效的计算卸载方式。但是对于传统的云计算模型是不适用的。一方面，如果将本地的iot应用卸载至远端的云服务器，海量中间数据的传输将对骨干网络造成极大的负担。此外，长距离的通信将导致网络时延不稳定，难以达到时延敏感任务的要求(通常为几十毫秒)，移动设备服务质量将会下降。

作为移动云计算模式的延伸，移动边缘计算(mobileedgecomputing，mec)被业界认为是一种很有前景的解决方案。在移动边缘计算模式中，网络边缘设备(如基站、接入点和路由器)被赋予了计算和存储能力，以代替云服务器提供服务。这种将云端云的网络资源下沉至网络边缘的方式，使得用户可以近距离地使用边缘节点的网络资源。相比于移动云计算，移动边缘计算不仅能够极大地降低传输时延，还能够避免因上传大量数据而引起的骨干网络拥塞。

一个典型的边缘服务器系统由一组地理上分布的边缘服务器组成，这些服务器部署在网络的外围，能够提供存储、计算和网络资源带宽等弹性资源。考虑到边缘服务器与物联网设备之间的距离，边缘服务器通常采用分层的方式组织，每一层都被视为一个边缘层。因此，资源受限、负载较重的物联网设备可以将任务卸载至附近的边缘服务器，即任务卸载，从而降低能耗，减少处理延迟；同时，每个边缘服务器可以将任务卸载到其上一层边缘服务器。然而，随着边缘服务器在降低物联网设备的能耗、资源需求和感知延迟等方面的有效性，边缘端的低能效可能成为边缘计算可持续发展的瓶颈。特别是边缘层的边缘服务器效率较低，因为它们大多数位于人口密集的大都市地区，那里的空间和环境有限。考虑到电网电力的巨大的碳排放和不断飙升的电价，提高边缘层边缘服务器的能效已成为迫切需要。由于能量收集技术的最新进展，从环境中收集的离网可再生能源(如太阳辐射、风力发电和视频信号)被视为边缘层边缘服务器的主要甚至是唯一能源供应，基于此可实现绿色计算。

要想获得mec-eh带来的巨大好处，任务提供商需要共同解决以下主要问题：任务卸载，即根据不同边缘层边缘服务器的计算能力确定在何处卸载任务；绿色能源调度，使用多少绿色能源来计算任务，以最大限度地降低总体系统能耗成本、云资源租用成本和计算延迟成本。

为了解决上述问题，本发明将多层边缘计算系统中的联合任务卸载和绿色能源调度问题描述为一个随机优化问题。通过引入lyapunov控制优化技术，经过一个非平凡的变换，将问题分解为一系列子问题。然而，解耦的单时隙问题是一个混合整数线性规划(mixedintegerlinearprogramming，milp)问题。

milp问题被证明是np-hard问题，有很多启发式算法可以用来获得milp问题的次优解。这些解的核心思想是首先通过放松milp问题的整形约束得到最优分数式解，然后根据问题的特殊结构提出启发式算法将分数式解舍入为整数式解，然而这些方法所得出的解很难推广到一般问题，所得到的舍入竞争比大多是参数化或者常数。现有的一种直接的方法是独立取整法，核心思想是将分数式解按照向上取整的概率取为整数；现有的一种随机方法是，随机取整，即随机选取某个分数式解转化为整数式解；现有的还有一种方法是排序取整法，即将所得分数式解降序排列，在满足约束的情况下，优先选择最大的分数式解取为1；现有的最耗时的方法是用milp求解器求解。

milp问题被证明是np-hard问题，有很多启发式算法可以用来获得解milp问题的次优解。这些解的核心思想是首先通过放松milp问题的整形约束得到最优分数式解，然后根据问题的特殊结构提出启发式算法将分数式解舍入为整数式解，然而这些方法所得出的解很难推广到一般问题，所得到的舍入竞争比大多是参数化或者常数。

现有的一种直接的方法，也就是独立取整法，核心思想是将分数式解按照向上取整的概率取为整数。该方法，在一定的概率下，可能出现所有的变量都向上取整，这会导致违反系统设定的约束；或可能所有的变量都向下取整，会导致所有任务均发送到云端执行，从而产生高昂的云资源租用成本；现有的一种随机方法是，随机取整，即随机选取某个分数式解转化为整数式解。该方法求解所得的系统成本往往比较高，并不能为系统求得较优的服务性能和较小的成本；现有的一种排序方法是排序取整法，即将所得分数式解降序排列，在满足约束的情况下，优先选择最大的分数式解取为1。该方法也不能为系统求得较优的服务性能和较小的成本；现有的精度高但是最耗时的方法，即用milp求解器求解。该方法求解规模小的网络时都需要耗费大量的时间，对于规模稍大的网络，其求解需要时间会急剧增长，并不适用于对延迟敏感的应用程序的任务处理。

技术实现要素：

鉴于现有技术的缺陷，本发明旨在于提供一种多层边缘计算系统中联合绿色能源调度和动态任务分配方法，利用变量依赖性来求解最优解的方法，所指定的随机策略具有高度依赖性，其核心思想是一个向下舍入的变量将被另一个向上舍入的变量来补偿，从而确保即使在舍入后，系统的物理资源约束也能满足。并且本发明方法所得系统成本及计算耗时两方面明显优于现有技术中的方法。

为了实现上述目的，本发明采用的技术方案如下：

多层边缘计算系统中联合绿色能源调度和动态任务分配方法，所述方法包括：

s1模型建立并初始化：任务模型建模、前后端边缘服务器模型建模、前端边缘服务器电池模型建模，中心控制器设定绿色能源电池最大容量qmax，设定长期服务运行时间为t，并根据每个离散时间片段内中心控制器所收集到的信息为任务卸载执行进行长期成本建模；

s2收集系统信息并建立问题成本模型：基站收集当前的设备任务卸载请求及前后端边缘服务器资源信息，并将其发送至中心控制器；

s3lyapunov技术优化：中心控制器根据任务卸载模型及约束进行lyapunov优化，联合优化当前卸载成本和电池电量；

s4策略实施：中心控制器将制定的任务卸载策略和绿色能源调度策略广播至网络中的所有服务器，处理相应的卸载请求；

s5更新电池能量队列及策略：更新绿色能源电池容量，历史任务卸载策略、绿色能源调度策略，及时间t＝t+1，判断时间片段t是否小于总时间片段数t，如果是，则继续步骤s2，反之结束。

优选的，本发明还包括在所述步骤s3之后的制定时间片段t的任务卸载策略及绿色能源调度策略，其中，制定时间t内的策略包括控制器利用simplex方法求解问题卸载策略的分数式解，并进一步利用分数式解之间的独立依赖性，提出独立依赖性算法求解整数式解，将卸载策略带回求得绿色能源调度策略。

优选的，本发明所述步骤s1还包括所述的长期成本包括任务卸载传输时延、前后端边缘服务器为处理任务消耗的能源成本、以及云服务器端云资源租用成本，初始化当前时间t＝0，初始化各个前端服务器的电池容量为0；其中所述的长期任务卸载成本建模步骤包括：

s1.1设备任务建模：中心控制器对每个任务卸载请求制定任务卸载策略xij(t)，即在时间片段t内，将任务卸载至前端边缘服务器f(0<f≤f)、或后端边缘服务器b(f<b≤f+b)、或云服务器c(c＝f+b)进行处理，假定在给点时间片段t内，对于设备任务而言能且仅能卸载至一个服务器进行处理，任务卸载需要满足的约束有:

其中，公式(1)中，n表示网络中所有的设备，f表示网络中所有配备能量收集技术的前端边缘服务器，b表示网络中所有的后端边缘服务器；公式(2)表示时间片t内，前端边缘服务器j所能处理的任务周期数不能超过其总的处理能力公式(3)表示时间片t内，后端服务器j所能处理的任务周期数不能超过其总的处理能力公式(4)表示时间片t内，设备任务仅能被卸载一次；

s1.2对配备能量收集设备的前端边缘服务器建模：

假定每个配备能量收集设备的前端边缘服务器f∈{1,2,...,f}在时间片段t内可收集的绿色能量用rf(t)表示，实际能够收集到的绿色能源用rf(t)表示，其中用于处理任务的绿色能源用表示，进一步有：

rf(t)∈[0,rf(t)](5)

配备能量收集设备的前端边缘服务器f∈{1,2,...,f}在时间片段t内所消耗的总的能耗可以表示为：

其中表示处理i任务所消耗的j服务器的能耗；

考虑到电池能量约束：

进一步有：

每个能量收集模块的动态变化为：

s1.3系统成本最小化建模

假定收集到的绿色能源并不是免费的，使用一个单位的绿色能源成本系数为α，而使用一个单位电网电力能源的成本为β；模型中时延成本和能耗成本系数分别用来表示，用和来表示在前端边缘服务器和后端边缘服务器端的单位电价；前端服务器为处理系统内所有任务所需要的时延成本和能耗成本可以表示为：

后端服务器为处理系统内所有任务所需要的时延成本和能耗成本可以表示为：

云服务器为处理系统内所有任务所需要的时延成本及云资源租用成本为：

从而引入能量收集技术后，制定任务卸载策略以及绿色能源调度策略，从而最小化系统内任务执行总成本，优化目标为：

s.t.(1)-(11)

优选的，本发明所述步骤s2还包括：

s2.1每个时间片t的开始，设备向近邻的基站发送任务卸载请求；

s2.2边缘网络中的基站将记录设备任务卸载请求所需的资源、相连边缘服务器的资源及云服务器的资源，并将其同意发送至中心控制器。

6、优选的，本发明所述步骤s3还包括：

s3.1中心控制器使用lyapunov优化控制，为绿色能源调度所能使用的电池电量构建队列，并构建队列拥塞程度，表示为：

此处显然当l(θ(t))的值较小时，则意味着队列长度qf(t)的值也越小，将队列拥塞程度的实时变化情况表示为：

s3.2中心控制器对系统成本和能量队列开销进行联合优化，表示为：

δ(θ(t))+v[c^front(t)+c^back(t)+c^cloud(t)|θ(t)](14)

公式(14)中，v表示中心控制器对系统成本优化的重视程度；

s3.3优化目标进一步转化后，具体表示为：

s3.4问题是个np难问题，中心控制器通过利用simplex方法求解出任务卸载的分数式解，本发明考虑任务卸载需要满足的边缘服务器端的计算资源约束(2)和(3)，因而提出随机相关舍入算法，将分数式解舍入为整数式解，进一步将整数式解带回目标，求得绿色能源调度策略。

优选的，本发明所述步骤s5所述的绿色能源队列和历史任务卸载策略、绿色能源调度策略更新步骤还包括：

s5.1在每个时间片段t的末尾，中心控制器将根据当前所指定的任务卸载策略和绿色能源调度策略，计算当前时间片段内的系统总成本，依照队列定义表达式(11)进行更新；

s5.2中心控制器将当前制定的任务卸载策略和绿色能源调度策略更新为历史任务卸载策略和历史绿色能源调度策略。

本发明的有益效果在于：

1、本发明方案提出了一种多层边缘计算系统中将绿色能量收集技术引入到前端边缘服务器，并考虑最小化服务延迟、边缘服务器端能耗及云服务器端租用云资源费用；

2、利用lyapunov控制优化技术将问题转化为一个随机优化问题，仅利用系统当前信息，由于单一时间片问题是一个混合整形线性规划问题，并且被证明是np难问题，为解决此问题，本发明首先将整形约束放宽为实数约束，获得最优的分数式解，考虑到每个服务器的物力资源的约束，进一步提出了一种资源约束相关的舍入算法，以适当的将分数式解舍入为整数式解，从而获得可行并且接近最佳的解决方案。

附图说明

图1为本发明的流程示意图；

图2为本发明的多层边缘计算系统的拓普示意图；

图3为针对控制参数v对成本降低率的影响，以及本发明与对比方案的成本降低率情况；

图4为本发明中展示随着时间片段t的变化，不同方法所得的时间平均队列长度变化情况；

图5为本发明中不同的任务数n下的多种舍入算法的系统成本对比示意图；

图6为本发明中不同的任务数n下的多种舍入算法的求解时间对比示意图。

具体实施例

以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。

本发明为一种多层边缘计算系统中联合绿色能源调度和动态任务分配方法，所述方法包括：

s1模型建立并初始化：任务模型建模、前后端边缘服务器模型建模、前端边缘服务器电池模型建模，中心控制器设定绿色能源电池最大容量qmax，设定长期服务运行时间为t，并根据每个离散时间片段内中心控制器所收集到的信息为任务卸载执行进行长期成本建模；

s2收集系统信息并建立问题成本模型：基站收集当前的设备任务卸载请求及前后端边缘服务器资源信息，并将其发送至中心控制器；

s3lyapunov技术优化：中心控制器根据任务卸载模型及约束进行lyapunov优化，联合优化当前卸载成本和电池电量；

s4策略实施：中心控制器将制定的任务卸载策略和绿色能源调度策略广播至网络中的所有服务器，处理相应的卸载请求；

s5更新电池能量队列及策略：更新绿色能源电池容量，历史任务卸载策略、绿色能源调度策略，及时间t＝t+1，判断时间片段t是否小于总时间片段数t，如果是，则继续步骤s2，反之结束。

优选的，本发明还包括在所述步骤s3之后的制定时间片段t的任务卸载策略及绿色能源调度策略，其中，制定时间t内的策略包括控制器利用simplex方法求解p2问题卸载策略的分数式解，并进一步利用分数式解之间的独立依赖性，提出独立依赖性算法求解整数式解，将卸载策略带回求得绿色能源调度策略。

优选的，本发明所述步骤s1还包括所述的长期成本包括任务卸载传输时延、前后端边缘服务器为处理任务消耗的能源成本、以及云服务器端云资源租用成本，初始化当前时间t＝0，初始化各个前端服务器的电池容量为0；其中所述的长期任务卸载成本建模步骤包括：

s1.1设备任务建模：中心控制器对每个任务卸载请求制定任务卸载策略xij(t)，即在时间片段t内，将任务卸载至前端边缘服务器f(0<f≤f)、或后端边缘服务器b(f<b≤f+b)、或云服务器c(c＝f+b)进行处理，假定在给点时间片段t内，对于设备任务而言能且仅能卸载至一个服务器进行处理，任务卸载需要满足的约束有:

其中，公式(1)中，n表示网络中所有的设备，f表示网络中所有配备能量收集技术的前端边缘服务器，b表示网络中所有的后端边缘服务器；公式(2)表示时间片t内，前端边缘服务器j所能处理的任务周期数不能超过其总的处理能力公式(3)表示时间片t内，后端服务器j所能处理的任务周期数不能超过其总的处理能力公式(4)表示时间片t内，设备任务仅能被卸载一次；

s1.2对配备能量收集设备的前端边缘服务器建模：

假定每个配备能量收集设备的前端边缘服务器f∈{1,2,...,f}在时间片段t内可收集的绿色能量用rf(t)表示，实际能够收集到的绿色能源用rf(t)表示，其中用于处理任务的绿色能源用表示，进一步有：

rf(t)∈[0,rf(t)](5)

配备能量收集设备的前端边缘服务器f∈{1,2,...,f}在时间片段t内所消耗的总的能耗可以表示为：

其中表示处理i任务所消耗的j服务器的能耗；

考虑到电池能量约束：

进一步有：

每个能量收集模块的动态变化为：

s1.3系统成本最小化建模

假定收集到的绿色能源并不是免费的，使用一个单位的绿色能源成本系数为α，而使用一个单位电网电力能源的成本为β；模型中时延成本和能耗成本系数分别用来表示，用和来表示在前端边缘服务器和后端边缘服务器端的单位电价；前端服务器为处理系统内所有任务所需要的时延成本和能耗成本可以表示为：

后端服务器为处理系统内所有任务所需要的时延成本和能耗成本可以表示为：

云服务器为处理系统内所有任务所需要的时延成本及云资源租用成本为：

从而引入能量收集技术后，制定任务卸载策略以及绿色能源调度策略，从而最小化系统内任务执行总成本，优化目标为：

优选的，本发明所述步骤s2还包括：

s2.1每个时间片t的开始，设备向近邻的基站发送任务卸载请求；

s2.2边缘网络中的基站将记录设备任务卸载请求所需的资源、相连边缘服务器的资源及云服务器的资源，并将其同意发送至中心控制器。

7、优选的，本发明所述步骤s3还包括：

s3.1中心控制器使用lyapunov优化控制，为绿色能源调度所能使用的电池电量构建队列，并构建队列拥塞程度，表示为：

此处显然当l(θ(t))的值较小时，则意味着队列长度qf(t)的值也越小，将队列拥塞程度的实时变化情况表示为：

s3.2中心控制器对系统成本和能量队列开销进行联合优化，表示为：

δ(θ(t))+v[c^front(t)+c^back(t)+c^cloud(t)|θ(t)](14)

公式(14)中，v表示中心控制器对系统成本优化的重视程度；

s3.3优化目标进一步转化后，具体表示为：

s3.4问题是个np难问题，中心控制器通过利用simplex方法求解出任务卸载的分数式解，本发明考虑任务卸载需要满足的边缘服务器端的计算资源约束(2)和(3)，因而提出随机相关舍入算法，将分数式解舍入为整数式解，进一步将整数式解带回目标，求得绿色能源调度策略。

优选的，本发明所述步骤s5所述的绿色能源队列和历史任务卸载策略、绿色能源调度策略更新步骤还包括：

s5.1在每个时间片段t的末尾，中心控制器将根据当前所指定的任务卸载策略和绿色能源调度策略，计算当前时间片段内的系统总成本，依照队列定义表达式(11)进行更新；

s5.2中心控制器将当前制定的任务卸载策略和绿色能源调度策略更新为历史任务卸载策略和历史绿色能源调度策略。

实施例1

如图1所示，本发明的基本流程为：

a、模型建立并初始化：任务模型建模、前后端边缘服务器模型建模、前端边缘服务器电池模型建模，中心控制器设定绿色能源电池最大容量qmax，设定长期服务运行时间为t，并根据每个离散时间片段内中心控制器所收集到的信息为任务卸载执行进行长期成本建模，其中，所述的长期成本包括任务卸载传输时延、前后端边缘服务器为处理任务消耗的能源成本、以及云服务器端云资源租用成本，初始化当前时间t＝0，初始化各个前端服务器的电池容量为0；

其中所述的长期任务卸载成本建模步骤包括：

a1、设备任务建模：中心控制器对每个任务卸载请求制定任务卸载策略xij(t)，即在时间片段t内，将任务卸载至前端边缘服务器f(0<f≤f)、或后端边缘服务器b(f<b≤f+b)、或云服务器c(c＝f+b)进行处理，假定在给点时间片段t内，对于设备任务而言能且仅能卸载至一个服务器进行处理，任务卸载需要满足的约束有：

公式(1)中，n表示网络中所有的设备，f表示网络中所有配备能量收集技术的前端边缘服务器，b表示网络中所有的后端边缘服务器；公式(2)表示时间片t内，前端边缘服务器j所能处理的任务周期数不能超过其总的处理能力公式(3)表示时间片t内，后端服务器j所能处理的任务周期数不能超过其总的处理能力公式(4)表示时间片t内，设备任务仅能被卸载一次。

a2、对配备能量收集设备的前端边缘服务器建模：

假定每个配备能量收集设备的前端边缘服务器f∈{1,2,...,f}在时间片段t内可收集的绿色能量用rf(t)表示，实际能够收集到的绿色能源用rf(t)表示，其中用于处理任务的绿色能源用表示，进一步有：

rf(t)∈[0,rf(t)](5)

配备能量收集设备的前端边缘服务器f∈{1,2,...,f}在时间片段t内所消耗的总的能耗可以表示为：

其中表示处理i任务所消耗的j服务器的能耗。

考虑到电池能量约束

进一步有

每个能量收集模块的动态变化为：

a3、系统成本最小化建模

本发明假定收集到的绿色能源并不是免费的，使用一个单位的绿色能源成本系数为α，而使用一个单位电网电力能源的成本为β。模型中时延成本和能耗成本(包括云服务器端的云资源租用)系数分别用来表示，用和来表示在前端边缘服务器和后端边缘服务器端的单位电价(消耗一度电的成本)。

那么，前端服务器为处理系统内所有任务所需要的时延成本和能耗成本可以表示为：

后端服务器为处理系统内所有任务所需要的时延成本和能耗成本可以表示为：

云服务器为处理系统内所有任务所需要的时延成本及云资源租用成本为：

从而引入能量收集技术后，本发明致力于制定任务卸载策略以及绿色能源调度策略，从而最小化系统内任务执行总成本，优化目标为：

b、收集系统信息并建立问题成本模型：基站收集当前的设备任务卸载请求及前后端边缘服务器资源信息，并将其发送至中心控制器；

b1、在每个时间片t的开始，设备向近邻的基站发送任务卸载请求；

b2、边缘网络中的基站将记录设备任务卸载请求所需的资源、相连边缘服务器的资源及云服务器的资源，并将其同意发送至中心控制器。

c、lyapunov技术优化：中心控制器根据任务卸载模型及约束进行lyapunov优化，联合优化当前卸载成本和电池电量；

其中所述的在线任务卸载和绿色能源调度步骤包括：

c1、中心控制器使用lyapunov优化控制，为绿色能源调度所能使用的电池电量构建队列，并构建队列拥塞程度，表示为：

此处显然当l(θ(t))的值较小时，则意味着队列长度qf(t)的值也越小，将队列拥塞程度的实时变化情况表示为：

c2、中心控制器对系统成本和能量队列开销进行联合优化，表示为：

δ(θ(t))+v[c^front(t)+c^back(t)+c^cloud(t)|θ(t)](14)

公式(14)中，v表示中心控制器对系统成本优化的重视程度。

c3、优化目标进一步转化后，具体表示为：

c4、问题是个np难问题，中心控制器通过利用simplex方法求解出任务卸载的分数式解，本发明考虑任务卸载需要满足的边缘服务器端的计算资源约束(2)和(3)，因而提出随机相关舍入算法，将分数式解舍入为整数式解，进一步将整数式解带回目标，求得绿色能源调度策略。

f、制定时间t内的策略：控制器利用simplex方法求解问题卸载策略的分数式解，并进一步利用分数式解之间的独立依赖性，提出独立依赖性算法求解整数式解，将卸载策略带回求得绿色能源调度策略；

其中所述的求解分数式解、独立依赖性算法、以及求得绿色能源调度策略主要包括：

f1、控制器利用simplex方法求解问题卸载策略的分数式解；

f2、提出独立依赖性算法求解整数式解。

本发明所提出的独立依赖性算法的关键思想是向下舍入的变量将由另一个向上舍入的变量进行补偿，以确保即使在舍入后，前后端边缘服务器的物力资源约束能够被满足。

具体而言，对每一个任务i，提出两个集合：包含所有整数式解的舍入集和包含所有分数式解的浮点集其中浮点集是需要被舍入的。对于每个分数式解我们引入一个概率系数pik和与之相关的权重系数wik。初始化为wik＝ci(t)。算法需要运行一系列的迭代，对中的元素进行四舍五入来运行一系列舍入迭代。在每次迭代中，我们从浮点集合中随机选择两个元素k1和k2，并让概率将这两个元素之一的值四舍五入为0或1，并使用参数γ1和γ2表示，它们也可以调整和的值。请注意，调整后，和至少有一个为0或1，然后设置或这样，在每次迭代中，中的元素数将至少减少1。最后，当在上一次迭代中只有一个元素，如果边缘服务器端物理资源约束没有被违背，则设置pik＝1，否则设置pik＝0。从而将所有分数式解转化为整数式解。

f3、将所求得整数式卸载策略解带回求得绿色能源调度策略。

d、策略实施：中心控制器将制定的任务卸载策略和绿色能源调度策略广播至网络中的所有服务器，处理相应的卸载请求；

e、更新电池能量队列及策略：更新绿色能源电池容量，历史任务卸载策略、绿色能源调度策略，及时间t＝t+1，判断时间片段t是否小于总时间片段数t，如果是，则继续步骤b，反之结束；

其中所述的绿色能源队列和历史任务卸载策略、绿色能源调度策略更新步骤包括：

e1、在每个时间片段t的末尾，中心控制器将根据当前所指定的任务卸载策略和绿色能源调度策略，计算当前时间片段内的系统总成本，依照队列定义表达式(11)进行更新；

e2、中心控制器将当前制定的任务卸载策略和绿色能源调度策略更新为历史任务卸载策略和历史绿色能源调度策略。

仿真实验

本发明的仿真实验环境具体如下，仿真实验在配备3.4ghzintelcorei7处理器和8gbram内存的台式机上进行的，仿真程序使用matlabr2018a实施。仿真实验模拟了具有5个前端服务器、2分后端服务器，以及1个云服务器的分层边缘计算系统，其中前端服务器均配备能量收集技术，该分层边缘计算系统如图2所示。对于每个后端服务器，最多能够接入3个前端服务器，时间片长度设置为1秒，在每个时间片内，任务以数据包为单位到达系统，每个数据包的大小为500至2000kb，总的时间片数为50000。

实施例2

展示本发明公开方案得到的系统成本减少率与三种算法，包括一种云服务器计算算法，将任务尽可能的卸载至云服务器进行计算，所得云服务器租用成本作为成本降低率的基准；一种有能量调度的动态执行算法，对绿色能量进行动态调度，不作为变量求解；一种无绿色能量的动态执行算法。其计算方式如下：

1)云计算执行：将任务均卸载至云服务端执行；

2)贪心能量调度执行：在此方法中，贪心调度绿色能源，不是决策变量，最小化成本主要包括两部分，一部分为另一部分为

3)无能量调度执行：前端服务器不能收集绿色能源，中心控制器为每个任务选择最小成本对应的卸载方式。此方法中，时间片段t内，由于执行设备任务在前端边缘服务器、后端边缘服务器、云服务器所产生的成本分别为中心控制器选择最小成本所对应的卸载方式对任务进行卸载。

就控制参数v对成本降低率的影响，以及本方案与对比方案的成本降低率情况，如图3所示。

通过本实施例，可以看到，对比以上三种方案，本发明公开方案的成本降低率明显较高，并且随着控制参数v的增加，成本降低率不断增大，直至增加到最优的成本降低效果，性能提升越发显著。这是因为本方案能充分利用绿色能源收集技术，通过联合优化系统成本最小化及电池电量稳定性，能够做出当前最优的策略。

实施例3

如图4所示，展示随着时间片段t的变化，不同方法所得的时间平均队列长度变化情况。可以看到，对比以上五种方案，本发明方案明显优于贪心能量调度执行方案，并且无论v值为多少，能量队列变化的曲线都将随着时间的推移逐渐趋于稳定，且v越大能量队列长度越长，这表明当最大电池容量一定时，本方案可以为系统任务执行提供可持续的能量，而贪心能量调度执行方案不能实现。

实施例4

本发明所提出的资源约束相关的舍入算法，为突出本发明方案的优越性，下面与以下三种不同的分数式解舍入为整数式解的方案进行对比：

1)求解器舍入方案：通过使用商业级的milp求解器直接求解原milp问题，来计算最优策略；

2)独立舍入方案：此方案忽略各个边缘服务器端的资源约束限制，依照式将分数式解舍入为整数式解；

3)优先i个舍入方案：在满足各个服务器端计算资源约束的同时，将所得分数式解策略降序排列，排序靠前的优先舍入为1。

c41：不同的任务数n下，本发明方案及其他舍入方案所得系统成本详细情况如图5所示。可以看到，在不同的任务数n下，在系统成本最小化方面，本发明方案始终能够获得逼近求解器舍入方案所求得的最佳性能。独立舍入方案所得系统成本较本方案稍大一些，可是该方案不能保证各个服务器端的计算资源约束。

c42：不同的设备数n下，本发明方案及其他舍入方案所需计算时间详细情况如图6所示。可以看到，随着任务数n增加，求解器舍入方案所需的时间平均运行时间急剧增加，这是因为原问题是个np难问题，而本发明方案所需时间仅随任务数n成比例增加，与独立舍入方案和优先i个舍入方案比，本方案计算出最优策略所需时间是最少的。通过联合对比图5和图6，可以看出，本发明方案在最优成本降低及计算最优策略所需时间两方面的优越性能，且本方案具有很好的可扩展性，可以用于处理包含大量任务的大型系统。

对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变，而所有的这些改变，都应该包括在本发明权利要求的保护范围之内。