1.一种基于深度学习的能量高效雾计算迁移方法,包括如下步骤:(1)构建完成时间最小化模型,提出基于深度学习的雾计算迁移决策算法,用以最小化任务完成时间;
(2)基于上述迁移决策算法求解的最优迁移决策,构建终端用户能耗最小化模型,提出最优传输功率分配求解算法,用以最小化终端用户能耗;
所述步骤(1)中的完成时间最小化模型如下:s.t.αn={0,1},
所述步骤(2)中的终端用户能耗最小化模型定义如下:其中,pmin和pmax分别为信道传输速率的最小值和最大值,由于本地设备功率 为固定值,因此本地能耗 也为固定值,可将(2)中的优化问题转化为:
而转化后的目标函数并不是凸函数,很难对其进行最优化求解,为此,将其转化为减式*
形式的优化问题,并引入了最大化加权能效u的概念,具体如下所示:*
其中,p为最优传输功率, 所以该优化问题等价于求取最优传输功率,综合一维搜索算法的理念,采用了OTPA算法以解决这个优化问题,具体包含以下步骤:
步骤001:输入DL‑FCOD算法所得最优迁移决策 信道衰弱系数g、信道噪声功率N0、用户最大容忍误差e和最大迭代次数I等;
步骤002:初始化 u=0,迭代次数i=0,当 且i≤I时,执行步骤003;
步骤003: i=i+1,跳转至步骤002;当时,返回
通过上述步骤求得每个任务的最优传输功率即最小传输能耗,结合(3)中求和函数的特性,对所有用户任务的最小传输能耗进行求和,从而得到最小总能耗,local
αn为用户n的实时计算任务的迁移决策,Dn第n个用户的数据大小,C 为终端用户设备server
的计算能力,C 为雾服务器的计算能力,Bn用户n所处信道的传输速率,T为用户的最终完成时间,N为用户数量, 为用户n的信道传输功率。
2.根据权利要求1所述的基于深度学习的能量高效雾计算迁移方法,其特征在于:所述完成时间最小化模型求解的第一个约束条件表示用户n的实时计算任务的迁移决策,αn=1说明任务在本地设备进行处理,αn=0说明任务在雾服务器进行处理;第二个约束条件表示任意一个在本地执行的计算任务的完成时间应小于等于所有计算任务的完成时间;第三个约束条件表示任意一个迁移出去的计算任务的完成时间应小于等于所有计算任务的完成时间。
3.根据权利要求2所述的基于深度学习的能量高效雾计算迁移方法,其特征在于:当所述αn的取值集合有所差异时,用户n的任务完成时间也就有所不同,所有用户的最终完成时间T会有所差异,所以该优化问题等价于求取完成时间最小迁移决策集合,采用DL‑FCOD算法来解决这个优化问题,具体包含如下步骤:步骤001:训练样本数据的生成,通过终端用户采集用户原始数据,具体包含用户数据大小和信道传输速率,并利用贪心算法求取当前状态下的最优迁移决策集合;
步骤002:深度神经网络的训练,将步骤001中的用户原始数据及所得最优迁移决策集合作为深度神经网络的训练集输入,并选择激活函数、损失函数和优化方法;
步骤003:自适应迁移决策的实现,基于步骤002训练的深度神经网络,感知用户实时数据,即可获得对应的迁移决策即完成时间最小化的用户实时任务迁移决策。
4.根据权利要求3所述的基于深度学习的能量高效雾计算迁移方法,其特征在于:所述步骤001之后、步骤002之前,还包括如下步骤:步骤001‑1:输入用户数据大小 和传输速率步骤001‑2:单独求取各个用户的迁移决策,当本地完成时间小于在雾服务器处理任务的完成时间时,迁移决策为1;反之,迁移决策为0;
步骤001‑3:当N个用户的最优迁移决策均已生成时,合并输出最优迁移决策集合。