欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022112203552
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.融合射频能量采集的协同节能计算迁移方法,其特征在于,所述方法步骤为:步骤1、设计分层的网络模型,所述网络模型由用户层和雾节点层构成;所述用户层包括若干物联网设备,所述雾节点层包括若干个宏基站及雾节点;

步骤2、所述物联网设备每隔固定时间间隔T,随机地通过宏基站向雾节点发送计算任务请求;

步骤3、雾节点接收物联网设备的计算任务请求,并判断其产生的计算任务是否需要进行迁移处理;若判断为否,则由物联网设备进行本地计算;若判断为是,则依据能耗最小化迁移策略,雾节点为所述物联网设备分配一定的带宽资源;所述物联网设备对宏基站的发射功率进行分割处理,通过宏基站采集能量,且当计算任务处理完毕后,宏基站将处理结果发送给物联网设备;

步骤4、对能耗最小化迁移策略进行优化,构建一个最小化处理所有任务所需系统总能耗的优化问题,并对其进行最优求解,得到迁移决策,具体为:基于无线链路传输特性,构建了一个系统总能耗最小的优化问题,旨在联合优化计算迁移决策αi、上行带宽资源占比βi、下行带宽资源占比γi和基站发射功率分割占比μi,来提升系统整体的能量使用效率,构建如下优化问题P1:约束条件如下,

Til+Tiu+Tif+Tid≤Timax,   (a)

0≤μi≤1,   (d)

其中,物联网设备i∈{1,2,...,M},Ei为完成物联网设备i任务处理的系统总能耗,Til为物联网设备i的本地计算时延,Tiu为物联网设备i的上行传输时延,Tif为雾节点计算时延,Tid为接收解码信息的下行传输时延;

优化问题P1为最小化处理完所有物联网设备计算任务的系统总能耗;

约束条件(a)表示完成物联网设备i计算任务的总时间不能超过其自身最大容忍延迟;

约束条件(b)和(c)分别表示分配给物联网设备的上行带宽资源和下行带宽资源不能超过信道带宽总资源;

约束条件(d)表示对基站发射功率的分割占比,其中μiPs用于信息解码转发,其余部分用于射频能量采集;

约束条件(e)表示物联网设备i任务的计算迁移决策,取值的大小为0或1,分别表示迁移处理和本地处理;

为了更好地求解系统能耗最小值,引入外罚函数的思想,构造了如下惩罚项:其中,δ为惩罚因子,由于目标是求取系统总能耗最小,因此需设置δ>0,η为惩罚项系数,需要满足η≥1;类似地,对于其他不等式约束条件而言,分别构造以下惩罚函数:其中,

最后,原始优化问题被映射为最小化系统总能耗与惩罚项之和,所对应的优化问题P2表述如下:基于自适应粒子群的协同节能计算迁移算法来优化问题P2。

2.根据权利要求1所述的融合射频能量采集的协同节能计算迁移方法,其特征在于,所述步骤2具体为:假设将物联网设备i∈{1,2,...,M}向雾节点层发送的任务请求信息定义为(Di,Timax,Pimax),其中,Di表示物联网设备i待处理的任务数据大小,Timax为物联网设备i的最大容忍延迟,Pimax表示在饱和状态下设备i的功率门限值。

3.根据权利要求2所述的融合射频能量采集的协同节能计算迁移方法,其特征在于,步骤3中,当雾节点层接收到该请求信息时,将以最小化总能耗为目标,生成相应的迁移策略(αi,βi,γi,μi),其中,αi表示物联网设备i的任务计算迁移决策,当αi=1时,表示该任务在本地设备进行处理;当αi=0时,表示将该任务迁移至雾节点进行处理;βi表示雾节点分配给物联网设备i的上行带宽资源占比;γi表示设备i的下行信道带宽资源占比;μi为设备i对基站发射功率的分割占比。

4.根据权利要求3所述的融合射频能量采集的协同节能计算迁移方法,其特征在于,当雾节点判断计算任务请求为本地计算时,用户层请求的计算任务将由物联网设备进行处理;

定义物联网设备i的本地计算能力为fil,所产生的本地计算时延表示如下:对应地,处理完物联网设备i请求任务的本地计算能耗表示为:

其中Pil为设备i的本地计算功率。

5.根据权利要求4所述的融合射频能量采集的协同节能计算迁移方法,其特征在于,当物联网设备i选择将任务迁移至雾节点进行处理时,通常会选取宏基站作为中继转发节点,此时总能耗由上行传输能耗、雾节点计算能耗和下行传输能耗三个部分构成;

首先将设备i的上行传输速率表示如下:

其中,Bu表示上行信道带宽资源大小,Piu表示物联网设备i的传输功率,表示设备i发送计算任务时的上行信道增益,表示上行信道的背景高斯白噪声的功率谱密度,λ表征信道容量差距,且λ≥1;

根据该上行传输速率的描述,将物联网设备i的上行传输时延和传输能耗分别表示为:接着,雾节点会对接收到的设备i的计算任务进行处理,将雾节点计算时延表示为:其中ff为雾节点的计算能力大小,且ff>fil;

而雾节点计算能耗表示如下:

其中Pf为雾节点的计算功率;

最后,基于宏基站发出的射频信号,物联网设备利用内置的功率分割器对宏基站的发射功率进行分解,分别用于信息解码转发和射频能量采集;在此,将设备i所在信道上的传输信号定义如下:其中,为下行链路传输信号,所对应的数学期望满足Ps表示宏基站的发射功率,为高斯白噪声,表示物联网设备i接收反馈数据时的下行信道增益;

相应地,依据香农定理,将信息解码转发过程中物联网设备i对应的下行传输速率表示如下:其中,Bd表示下行信道带宽资源大小,表示环境噪声的功率谱密度;

接收解码信息的下行传输时延表示为:

其中Di′为雾节点层反馈给设备i的计算任务处理结果的数据大小;

而对应的下行传输能耗表示如下:

特别地,在射频能量采集过程中,为了更好地体现功率与能量转换之间的逻辑关系,基于设备所处信道状态及不确定性能量需求,构造了一种非线性能量采集模型,并将物理网设备i采集的能量大小定义为:其中,参数a和b为控制能量采集模块的相关参数;

综上所述,表示出完成物联网设备i任务处理的系统总能耗,具体如下:

6.根据权利要求5所述的融合射频能量采集的协同节能计算迁移方法,其特征在于,采用基于自适应粒子群的协同节能计算迁移算法来优化问题P2,具体包括以下步骤:定义粒子群落的目标搜索空间维数大小为4M,假设粒子群落由K个粒子构成,由于粒子之间存在着信息共享行为,因此各个粒子都会受其邻居粒子的影响进行自我学习,并针对性地调整速度和位置,以协同改进整体搜索效率,生成更优计算迁移策略,下面以粒子k为例来简要描述该过程,其中k∈{1,2,...,K};

该粒子首先被随机编码为一个4M维的向量,具体如下:

其中,表示粒子k的初始位置,表示的是粒子k在不同维度的初始位置,表示的是将分别拆分为四个维度所得到的不同位置;

接着,将粒子k的初始飞行速度定义为:

其中表示的不同维度中的粒子k的初始飞行速度;

考虑到优化变量即粒子k的初始位置及初始飞行速度均位于0至1区间内,该初始飞行速度被设定为[0,1]之间的随机数,并根据下式进行速度更新:其中,m表示第m维向量,且m∈{1,2,...,4M};n表示第n次迭代,且n≥0;ωn为第n次迭代的惯性权重,表示个体粒子对先前搜索动作的信任程度;c1和c2分别为个体学习因子和群落学习因子,表示下一搜索动作采纳个体学习经验和邻居共享经验的权重比;r1和r2为介于0至1范围内符合均匀分布的随机概率;表示粒子k在第n次迭代搜索到的第m维向量的局部最优位置;表示整个粒子群落搜索到的第m维向量的全局最优位置;更新后的粒子位置表示为:其中表示第n次迭代后的粒子位置;

最后,由于在融合射频能量采集的迁移场景下,能量消耗是衡量系统效用的主要评价指标;结合上述粒子位置及飞行速度的定义,将粒子群算法中的关键要素适应度函数表述为能耗与惩罚函数之和,具体如下:其中,X为由目标求解策略构成的4M维向量;

为保障迁移策略的搜索精度,并提升粒子运动状态的启发性,采用了动态惯性权重的思想,具体如下:其中,ωmax表示惯性权重的上限值,ωmin表示惯性权重的下限值,n表示当前处于第n次迭代,N表示算法的最大迭代次数;

同时,为避免粒子位置的溢出现象,对粒子飞行速度设定了边界限制,更新如下:其中,vmax为粒子飞行速度的上限值,为第n+1轮更新后的粒子k在第m维的粒子速度;

根据粒子前一时刻的搜索状态以最小化适应度函数f(Xk)为目标,求取下一时刻的局部最优解和全局最优解具体表示如下:紧接着,利用当前探索到的最优解空间,对粒子的飞行速度及所处位置进行迭代更新,直至不满足迭代条件,即到达最大迭代次数N时,输出最优计算迁移策略;特别地,引入了惩罚放大系数τ,使得惩罚因子δ呈线性增长趋势,以实现前期迁移决策探索的随机性,并保障后期资源分配策略输出的精确度及稳定性,具体表示为:δn+1=τδn,其中δn+1表示为第n+1次迭代时的惩罚因子,δn表示为第n次迭代时的惩罚因子。