1.边缘计算中用户卸载与资源分配联合优化方法,其特征在于:包括如下步骤:S1:定义用户设备集合{M}={1,2,3...m...M},一共M个用户设备,每个用户设备用m表示,用户m需要处理的计算任务为Um={fm,Dm,Lm},其中fm为用户的本地计算资源,Dm为用户所需要处理的任务的大小,Lm为处理1个字节任务所需要的CPU周期数;
S2:每个用户需要优化三个变量,分别为用户卸载比例Pm,信道分配带宽Bm和MES分配计算资源Fm,将所有用户的卸载比例与分配资源组成一组策略组合{P,F,B}({P1,P2...Pm,F1,F2...Fm,B1,B2...Bm});
S3:重复步骤S2生成N个不同的策略组合,组成一个N行,3*M列的种群矩阵K,N的大小为
4*M,定义K为:
其中ki,j(i∈[1,N],j∈[1,m])为第i个策略组合中,第j个用户的卸载资源比例Pm;ki,j(i∈[1,N],j∈[m+1,2m])为第i个策略组合中,第j-m个用户的MEC分配的计算资源Fm;ki,j(i∈[1,N],j∈[2m+1,3m])为第i个策略组合中,j-2m个用户的分配带宽Bm;
S4:同时进行用户的任务卸载和本地任务处理,系统中M个用户同时处理任务,求出系统总体完成时间;
S5:初始化:精度exp、信道带宽Bmax、MEC计算资源Fmax、Um={fm,Dm,Lm}、种群矩阵K;
S6:随机生成一个3行3*M列矩阵Ktemp用于存放每次迭代过程中的最优个体选择以及基因交叉和变异后得到的三个最优策略组合;
S7:系统中M个用户同时处理任务,对于每个策略组合Kn,最后总体任务完成时间应该是所有用户全部完成任务处理的时间;
S8:求出所有策略组合Kn的完成时间,选出种群矩阵中完成时间最小的最优策略组合;
S9:进行策略组合间基因交叉操作,生成最优策略组合
S10:进行策略组合中基因变异操作,生成最优策略组合
S11:令 若abs((min(T(Ktemp1))-min(T(Ktemp))))≤exp,则输出argmax(T(Ktemp1))作为输出的最优分配策略,否则,Ktemp=Ktemp1,返回步骤S8,重复执行,直至最优值收敛。
2.根据权利要求1所述的边缘计算中用户卸载与资源分配联合优化方法,其特征在于:所述步骤S4具体为:
每个用户需要将Pm比例的任务卸载到边缘服务器中(Pm取值范围为[0,1])进行处理,剩下的(1-Pm)比例的计算任务留在本地处理,用户m本地处理的时间用户通过频分复用的方式来传输卸载的数据,用户m卸载任务数据的速率Rm=Bm*log2(1+SNRm);每个用户卸载任务的传输时间 当用户将部分任务卸载到边缘服务器后,服务器将分配Fm计算资源来处理这些数据,则边缘服务器处理用户m卸载任务的时间因此用户卸载任务的处理时间由于用户的任务卸载和本地任务处理是同时进行的,所以每一个用户的总完成时间Tm=Max(Tm_local,Tm_offload);系统中M个用户同时处理任务,因此系统总体完成时间T=Max(T1,T2,T3...TM)。
3.根据权利要求2所述的边缘计算中用户卸载与资源分配联合优化方法,其特征在于:所述步骤S8中求出所有策略组合Kn的完成时间,得到比例矩阵Q=(Q1,Q2...Qn),其中并将Q降序排列,生成[0,1]的随机数rand,计算rand落在Q的哪个范围之内,选出范围所属的个体Kn作为种群矩阵的最优策略组合。
4.根据权利要求1所述的边缘计算中用户卸载与资源分配联合优化方法,其特征在于:所述步骤S9中策略组合间基因交叉操作具体为:
S9-1:生成随机数a(a∈3*M),交换K中k2*i-1,a和k2*i,a(i∈[1,N/2])的值,随机交换不同策略组合中相同基因的值,产生新的策略组合;
S9-2:生成[0,(N/2)]的随机数rand,重复操作S2-2-1rand次,形成新的种群矩阵K1;
S9-3:重复步骤S8,生成最优策略组合
5.根据权利要求1或4所述的边缘计算中用户卸载与资源分配联合优化方法,其特征在于:所述步骤S10中策略组合中基因变异操作具体为:S10-1:生成随机数c,(c∈[0,1]);
S10-2:若b∈[0,M],生成随机数c,(c∈[0,1]);
S10-3:若b∈[M+1,2*M],生成随机数c,(c∈[0,Fmax]),Fmax是MES最大计算能力;
S10-4:若b∈[2*M+1,3*M],生成随机数c,(c∈[0,Bmax]),Bmax是信道最大传输带宽;
S10-5:交换ki,b(i∈[1,N])和c的值,完成最优策略组合中基因变异操作,形成新的种群矩阵K2;
S10-6:重复步骤S8,生成最优策略组合