本发明涉及移动边缘计算领域,具体包括一种面向车联网的任务卸载方法。
背景技术:
1、得益于移动边缘计算(mobile edge computing,mec)的出现,车辆用户可以将部分计算密集型任务卸载到路边服务单元(roadsideserviceunit,rsu)上执行,来缓解本地资源受限带来的困扰,从而降低任务的计算时延和花费的能耗。目前,已有许多相关方面的研究,包括:考虑并发多个多优先级计算任务以及 mec 服务器资源负载不均的情况,提出基于遗传算法的卸载策略,以此来提高安全型任务卸载成功率;提出一种在云雾混合网络架构下的联合计算卸载、计算资源和无线资源分配算法,在满足时延需求的前提下,最小化系统能耗和资源成本;节点间的通信采用的正交频分多址(orthogonalfrequencydivision multiple access,ofdma)技术,在一定时间内,一个子信道只能被一个用户使用,频谱利用率很低;一种最小化多个无线传感器设备的mec系统计算时间周期的合理时间分配和计算卸载的策略来最小化计算周期;一种基于深度学习网络的博弈算法来优化用户卸载时延和能耗,然而,rsu服务范围有限,用户通常也处于移动状态,因此,如果用户在rsu服务范围内的驻留时间小于卸载任务在二者间的往返时间,该任务结果就会返回失败。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种面向车联网的任务卸载方法解决了现有技术频谱利用率低、巡检效率低和系统损耗高的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:一种面向车联网的任务卸载方法,包括以下步骤:
3、s1、获取用户数据,构建系统损耗模型;
4、s2、初始化系统损耗模型的参数,计算系统损耗模型的初始解的系统损耗和整体约束违反度;
5、s3、根据系统损耗对系统损耗模型的初始解进行排序,并初始化系统损耗模型的初始解的权重;当非可行解的整体约束违反度在阈值 ε之内时,将其当作可行解进行排序处理;
6、s4、通过蚁群算法求解系统损耗模型,得到包含用户任务卸载比例、用户传输功率和用户使用的子信道的 m个新的解;
7、s5、对新的解和系统损耗模型的初始解进行排序并得到当前最优可行解,重复步骤s3至本步骤直到预定的次数,得到使系统损耗最小的最优可行解;
8、s6、将使系统损耗最小的最优可行解作为车联网任务卸载策略。
9、进一步地,步骤s1的具体实现方式如下:
10、构建系统损耗模型:
11、
12、
13、
14、
15、
16、
17、
18、其中,表示最小系统损耗;表示系统损耗函数;表示系统损耗函数的解;表示用户任务卸载时间;表示用户在rsu服务范围内的驻留的时间rsu服务路段的长度为,用户的速度为,的位置为;表示共有 u个用户; ch表示共有 ch个子信道,;表示用户的任务卸载比例;表示用户的传输功率;表示用户使用的子信道;代表着用户在时延和能耗间的偏好;表示用户的任务全部在本地执行的计算时延;表示用户的任务全部在本地执行所花费的能耗;表示用户任务所需要的总能耗;为用户任务的实际计算时延,为用户任务的本地计算时延;表示用户在子信道上的信道增益;为在上的功率增益;为路径损耗系数;表示传输功率阈值;表示用户在子信道上的信道增益。
19、进一步地,步骤s1中用户任务所需要的总能耗、用户任务卸载时间的具体实现方式如下:
20、根据公式:
21、
22、
23、得到本地计算能耗和用户任务的本地计算时延;其中,为用户的cpu平均功率,为的cpu功耗系数;为用户本地cpu的工作频率;表示任务数据的大小;表示计算每比特数据所需要的cpu周期数;
24、根据公式:
25、
26、得到rsu接收到的用户信号的信干噪比;集合中用户数量为 s;表示所有使用子信道的用户集合;为用户和rsu之间的距离,为rsu与服务路段的距离;表示用户的传输功率;为该用户的最大传输功率;为高斯白噪声功率谱密度;为rsu为每个子信道分配的带宽;
27、根据公式:
28、
29、得到用户的传输速率;
30、根据公式:
31、
32、
33、得到用户进行任务卸载时的传输时延和传输能耗;
34、根据公式:
35、
36、得到rsu执行任务所需的计算时延;其中,为rsu服务器为用户卸载的任务所分配的cpu工作频率;
37、根据公式:
38、
39、
40、得到用户任务的卸载时延和用户任务所需要的总能耗。
41、进一步地,步骤s2的具体实现方式如下:
42、s2-1、初始化蚁群中初始解的数量 k,初始化初始解的权重,蚂蚁数量 m,迭代次数上限 t,蚁群中所有非可行解的整体约束违反度均值 ε;
43、s2-2、根据公式:
44、
45、获取整体约束违反度函数;其中,为时间约束违反度函数;为功率约束违反度函数;当时,为系统损耗函数的一个可行解,否则,为非可行解;
46、s2-3、根据系统损耗函数计算所有解的系统损耗,根据整体约束违反度函数计算所有解的整体约束违反度。
47、进一步地,步骤s3的具体实现方式如下:
48、s3-1、根据公式:
49、
50、对蚁群中的可行解和非可行解放在一起进行基于 ε的比较排序;表示第个解的系统损耗,表示第个解的系统损耗;表示第个解功率约束违反度;表示第个解的功率约束违反度;
51、s3-2、根据公式:
52、
53、
54、得到子信道的权重和初始解的权重;其中,为超参数;越优,就越大,留下的信息素越浓,蚂蚁在中的和附近移动的概率也就越大;为蚁群中用户使用了子信道的最优解的权重,为蚁群中用户使用了子信道的解的数量,表示蚁群中所有解中的用户都没有使用的子信道的数量。
55、进一步地,步骤s4的具体实现方式如下:
56、s4-1、根据公式:
57、
58、得到随机解;为的权重; c表示第 c个解;
59、s4-2、根据公式:
60、
61、得到蚂蚁移动到连续区间内任意一点的转移概率;为蚂蚁选择的解中用户的任务卸载比例;,为超参数;
62、s4-3、根据转移概率随机移动到区间上的任意一点,得到新解中用户的任务卸载比例;
63、s4-4、根据公式:
64、
65、得到用户功率转移概率;其中,,;
66、s4-5、根据转移概率在连续区间内随机移动到任意一点,得到新解中用户的传输功率;
67、s4-6、根据公式:
68、
69、得到用户的子信道转移概率;其中,为子信道的权重;
70、s4-7、根据用户的子信道转移概率移动到离散区间内一个点上,得到新解中用户子信道编号;
71、s4-8、根据新解中用户子信道编号、新解中用户的传输功率和新解中用户的任务卸载比例,得到蚂蚁在各个变量的取值空间内移动3×u次的一个新解;
72、s4-9、重复步骤s4-1至步骤s4-8直到 m次,得到 m个新解。
73、进一步地,步骤s5的具体实现方式如下:
74、s5-1、将得到的 m个新解和当前已有的 k个解进行基于ε的比较排序,并用前 k个最优解替换蚁群中原来的解,得到替换后的解;
75、s5-2、判断当前迭代是否达到设定次数,若是则输出使系统损耗最小的最优可行解;否则进入步骤s5-3;
76、s5-3、计算替换后的解的信息素,即替换后的解的权重;
77、s5-4、根据公式:
78、
79、得到当前迭代次数的大小,使迭代次数加1并返回步骤s5-1;其中,为当前迭代次数,为迭代次数上限,为初始化的蚁群中所有非可行解的整体约束违反度均值,为当前蚁群中可行解的比例,和均为超参数;当时, ε的值随着迭代次数的增加而呈指数下降,当时, ε的值会调整到近似初始值,非可行解比例太低,适当提高对可非行解的接受程度;迭代次数的初始值为0。
80、本发明的有益效果为:本发明综合考虑rsu服务范围对于卸载决策的约束,建立系统损耗模型,在混合变量蚁群算法的基础上,加入基于 ε的约束处理技术,系统损耗更小,频谱利用率高,有效提高用户任务卸载效率。