本发明涉及到车联网任务调度系统,具体涉及一种面向车载边缘计算的进化多任务优化方法。
背景技术:
1、随着移动通信技术、人工智能和汽车工业的发展,汽车正在从提供传统交通服务的时代向智能化时代转变。车联网(iov)作为物联网(iot)的新兴范式与代表性垂直应用场景,是推动下一代智能交通系统(its)发展的关键因素,有助于提高道路安全、提升驾驶体验和提供各种增值服务,具有巨大的社会和经济效益。
2、车载边缘计算(vec)将通信、计算和缓存资源转移到车辆用户附近,如路边单元(rsu)、基站(bs)和mec服务器等,车辆产生的信息计算服务直接在附近部署的边缘节点处理,以支持车辆用户的实时服务,从而产生大量的优化问题。在数据分发场景下,主要考虑任务请求的传输成本、最大容忍时间,请求在节点的等待时间和带宽,以满足数据分发完成度最大化;在任务卸载场景下,主要考虑数据传输成本、等待处理时间、计算延迟和结果返回延迟,以满足任务卸载完成度最大化。
3、车载边缘计算是一个较复杂的场景,多种优化任务通常同时存在而非独立存在。在本领域的公知技术中,已经存在较多优化性能很强的智能优化算法,并广泛的应用到了不同的车联网实际应用优化问题求解中,但都针对不同问题单独求解,忽略了问题之间的相关性。由于多种优化任务不是独立存在,其彼此具有潜在相关性,同时对多任务进行优化可能获得比单独求解更优的结果。
技术实现思路
1、针对vec场景中多任务联立优化的问题,本发明提供一种面向车载边缘计算的数据分发和任务卸载多任务并行的优化方法。通过在多任务进化优化算法中,提炼优化问题知识共享与迁移机制,实现任务优化问题高效求解。
2、为解决上述问题,本发明提出的面向车载边缘计算的进化多任务优化方法,包括以下步骤:
3、周期性获取任务区域内的车辆和任务信息,包括数据分发请求tdd和任务卸载请求tco,形成调度周期内的tdd任务集合以及tco任务集合;并利用进化优化算法分别对数据分发请求的最佳通信节点分配问题以及任务卸载请求的最佳通信节点分配问题进行求解;
4、期间,每间隔一定的进化代数,则进行跨任务的映射关系学习,其中:
5、通过将数据分发请求tdd集合和任务卸载请求tco集合视作两个流形来进行流形对齐,即利用数据分发请求tdd集合与任务卸载请求tco集合间的局部几何关系构建相应的任务间的映射关系;
6、通过映射关系,将数据分发请求问题当前进化代数中所产生的种群中的若干个优质个体染色体,映射为用于任务卸载请求问题优化过程的染色体,且反之亦然;
7、直至最终停止种群进化,得到两个优化问题各自的最优解。
8、进一步的,利用进化优化算法求解的过程中,包括:
9、使用一维行向量表示数据分发请求问题的一个解,该向量的第i个元素ei代表将第i个数据分发请求的数据发往节点ei,使用该向量作为数据分发种群中单个个体的染色体;
10、使用一维行向量表示任务卸载请求问题的一个解,该向量的第j个元素ej代表将第j个任务卸载请求的任务分配给节点ej,使用该向量作为种群中单个个体的染色体。
11、进一步的,所述任务间的映射关系的构建过程包括:
12、给定车辆组用v={v1,…,v|v|}表示;
13、tdd任务集合用表示,其中rn表示单个的数据分发请求,ri表示组合中第i辆车辆的数据分发请求集合;
14、tco任务集合用表示,其中mn表示单个的任务卸载请求,mi表示车辆组合中第i辆车辆的任务卸载请求集合;
15、将看作一个流形其中xi∈x具有p维特征,x是一个矩阵;将tco任务集合看作一个流形其中yi∈y具有q维特征,y是一个矩阵;
16、以最小化成本函数的方式求取最优的映射函数α和β,使得αtxi和βtyj可以处在同一空间中;
17、建立子空间距离矩阵mdis,其元素表示αtxi和βtyj在子空间内的距离;
18、由mdis得出从tdd到tco的映射关系和从tco到tdd的映射关系其中,
19、对于其元素可表示为:
20、
21、对于其元素可表示为:
22、
23、进一步的,所述成本函数为:
24、
25、其中,μ为权值系数;
26、表示xi和xj之间的相似性,有热核函数定义如下:
27、
28、表示yi和yj之间的相似性,有热核函数定义如下,
29、
30、其中,表示流形x中的样例xi和xj投射到欧式空间的欧氏距离,
31、表示流形y中的样例yi和yj投射到欧式空间的欧氏距离,
32、n(xi)表示样例xi的k-近邻,n(yi)表示样例yi的k-近邻,δ为常数,
33、wij表示xi和yj的相似性,有热核函数定义如下
34、
35、其中,(k+1)×(k+1)维矩阵表示xi的局部几何关系,表示样例za和zb之间的距离,有z1=xi,{z2,…,zk+1}是xi的k-近邻,
36、(k+1)×(k+1)维矩阵表示yi的局部几何关系,表示样例za和zb之间的距离,有z1=yj,{z2,…,zk+1}是yj的k-近邻,
37、表示和之间的距离,其定义如下:
38、
39、‖·‖f表示弗罗贝尼乌斯范数,分别表示和的第h个变体。
40、进一步的,利用广义特征值分解求解最小化成本函数c(α,β)。
41、进一步的,求解最小化成本函数c(α,β)问题的过程包括:
42、定义dx为对角矩阵,lx=dx-wx,定义dy为对角矩阵,ly=dy-wy;
43、定义对角矩ω1,
44、矩阵ω2,
45、矩阵ω3,
46、对角矩阵ω4,
47、有
48、将最小成本函数c(α,β)可转化为广义特征值分解zlztγ=λzdztγ,有函数c(α,β)的最优解(αt,βt)=[γ1,…,γd],其中上标t表示转置计算,[γ1,…,γd]表示矩阵γ中的前d个特征值代表的最小特征向量。
49、进一步的,求得两个独立种群的优质个体的映射关系和后,按照以下策略进行跨任务迁移:
50、已知任意任务的解vori为一个长度为|vori|的行向量,映射关系m为一个|vori|×|vtar|的稀疏矩阵,迁移的目标解vtar可通过矩阵乘法vori×m获得。
51、进一步的,还包括,获取当前数据分发种群代数任务卸载种群代数和迁移频率gent,根据或是否为gent的整数倍判断是否对数据分发种群或任务卸载种群进行知识迁移。
52、进一步的,每次知识迁移中,对当前数据分发种群或任务卸载种群中,在其各自的优化目标函数上表现最好的前q个个体作知识迁移,q为一指定的正整数。
53、本发明中定义了跨域多任务优化问题,基于按需请求模式实现边缘节点的数据调度,同时考虑具有异构通信和计算能力的边缘服务器,将计算任务卸载到不同节点,与此同时