1.一种信息年龄约束下基于MEC的车联网任务卸载和资源分配方法,其特征在于,包括下列步骤:步骤1、构建多车辆单边缘计算服务器的车联网系统模型,所述车联网模型是一个由多个移动车辆及单边缘计算服务器组成的网络模型:在道路旁部署单个路边单元RSU,并为其配备具有一定计算处理能力的边缘计算服务器,能够为车辆提供额外的计算资源,道路中有N辆车正在行驶,每辆车有若干大小不同且可分割的计算任务需要处理,计算任务选择完全在本地计算,或选择部分或全部卸载到边缘计算服务器处计算;
步骤2、建立基于移动边缘计算的车联网中车辆计算任务的通信模型、计算模型以及信息年龄模型:所述通信模型为:
up
其中,Ri表示车辆i的上传速率;W是车辆和边缘服务器之间可用频谱带宽;Pi 表示车辆i的上行发射功率;hi表示车辆i与边缘计算服务器之间的信道增益;n0表示加性高斯白噪声;
所述的计算模型为:
a)本地计算模型:
其中, 和 分别表示车辆i所携带的任务k的本地计算时延和能耗;Cloc表示任务在本地计算一个比特数据所需要的CPU周期数;sik表示车辆i所携带的任务k通过本地计算完成的份数;d表示可分割的计算任务的基本单位,单位为bit; 表示车辆i为计算任务k的所消耗的本地计算资源;ξ是一个常数,其值取决于芯片的结构;
b)卸载计算模型
其中, 和 分别表示车辆i所携带的任务k的计算卸载时延和缷载能耗;Cmec表示边缘服务器计算一个比特数据所需要的CPU周期数;mik表示车辆i所携带的任务k通过卸载计算完成的份数;d表示可分割的计算任务的基本单位,单位为bit; 表示边缘计算服务器up分配给车辆i计算任务k的计算资源;表示RSU的电容常数,其值取决于芯片的结构;Pi 表示上行服务器的发射功率;Ri表示车辆i的上传速率;
所述信息年龄模型为:
其中, 表示车辆i的平均信息年龄;lik表示车辆i任务k可以分割的份数;aik表示车辆i所携带的任务k的信息年龄;K是每辆车携带的任务总数;T是时隙数量;
步骤3、在车联网通信资源、计算资源和信息年龄约束下,建立卸载方式、通信资源分配以及计算资源分配的联合优化问题模型,最小化处理计算任务所需的平均能耗;
步骤4、采用基于混合策略改进的鲸鱼优化算法HS‑WOA(Hybrid Strategy Improved Whale Optimization Algorithm)求解联合优化问题模型中的优化问题。
2.根据权利要求1所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法,其特征在于,步骤3所述的信息年龄是一种度量信息新鲜程度的指标,将信息年龄定义为最新被处理完成的车辆计算任务自生成开始所经历的时间,由于陈旧信息难以满足车联网中车辆对于信息及时性的要求,考虑在信息年龄约束下,最小化车辆处理任务所需的平均能耗,以满足车联网用户对于信息及时性的要求。
3.根据权利要求1所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法,其特征在于,所述步骤3中所建立的联合优化问题模型表述为:在信息年龄的约束下,以最小化处理计算任务所需的平均能耗为优化目标,建立任务卸载方式、通信资源分配以及边缘计算服务器计算资源分配的联合优化问题模型:其中,约束条件C1表示车辆处理每个任务所需的平均能耗;约束条件C2表示对于车辆imax信息年龄的约束,Ai 表示用户可接受的任务的最大信息年龄;约束条件C3表示边缘计算服务器分配给车辆的总计算资源不超过边缘计算服务器上的可用计算资源,(·)是指示器函数,当括号内取值为真时,(·)=1,表示边缘计算服务器给车辆分配了任务所需的计算资源,反之(·)=0,表示未分配计算资源;Fmec表示边缘服务器可用的计算资源总量;约束条件C4表示分配给车辆的子信道数量不超过边缘服务器的子信道总数;Bmax表示边缘服务器最多可用的子信道数量;约束条件C5和C6表示车辆i任务k在本地计算的部分和在边缘计算服务器处计算的部分不超过任务k的总量。
4.根据权利要求3所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法,其特征在于,所述步骤4采用基于混合策略改进的鲸鱼优化算法HS‑WOA求解有约束条件的联合优化问题的步骤如下:
1)设置算法参数并初始化种群,根据搜索空间的每一维的上下界,初始化鲸鱼个体的位置 N为鲸鱼的种群规模,D为空间维度;采用分段Logistic混沌映射的策略使初始化的位置分布相对均匀;
2)计算每个鲸鱼个体的适应度值,按适应度值大小进行排序,同时记录当前最优鲸鱼的位置及适应度函数值;步骤(3)中所得到的联合优化问题模型的基于HS‑WOA的适应度函数表示如下:
3)根据相应公式计算参数a、p和系数向量
a=2·(1‑t/MaxIter) (13)p=rand(1) (14)其中,MaxIter是最大迭代次数;a的值随着迭代次数t的增加而减少,从2线性减少到0;
p、r1以及r2是[0,1]之间的随机数;表示收敛系数向量,表示系数向量;
4)比较算法中参数 和p值的大小,选择相应的更新方案:
a)当p<0.5且 时,进行收缩包围猎物的动作,根据下面公式更新鲸鱼个体的位置:其中, 为当前迭代中的最佳搜索鲸鱼个体位置; 为当前迭代中鲸鱼个体位置;
为下一次迭代中搜索鲸鱼个体的位置;
b)当p<0.5但 时,进行随机搜寻的动作,采用步长控制因子服从t分布的莱维Lévy飞行策略,改进鲸鱼个体的位置;
c)若p≥0.5时,进行气泡网捕食的动作,根据下面公式更新鲸鱼个体的位置:其中, 表示鲸鱼与当前全局最优个体之间的距离; 表示当前迭
代中的最佳搜索鲸鱼个体位置,b是对数螺线形状的常数,q是[0,1]中的一个随机数;
5)位置更新结束,计算每个鲸鱼个体的适应度值;虽然,莱维Lévy飞行能有效的使粒子通过随机游走产生新的解,经历新的搜索路径和领域,增加了种群的多样性,提高了发现更优解的概率,解决了易陷入局部极值的问题,但仍无法保证其寻找到的新解一定优于原来的解,因此需要根据下面公式判断是否保留新解:其中, 是通过式(17)、(19)和(25)位置更新后产生的新位置;rnew和γ均为[0,1]之间的随机数;
6)判断当前计算是否达到最大迭代次数,如果是,则输出当前鲸鱼个体的位置 即最终的卸载决策和资源分配结果;否则进入下一次迭代,并返回步骤2)。
5.根据权利要求4所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法,其特征在于,所述步骤1)中的采用分段Logistic混沌映射的策略进行算法位置初始化的具体过程为:其中,式(10)采用分段Logistic混沌映射来产生混沌序列,使鲸鱼个体的位置分布相对均匀,增加种群多样性;ub和lb分别是搜索空间的上界和下界;⊕ 表示数组点乘;
3.569946≤μ≤4,ε是(0,1)之间的数。
6.根据权利要求4所述的信息年龄约束下基于MEC的车联网任务卸载和资源分配方法,其特征在于,所述步骤4)的b)中的在随机搜寻阶段引入步长控制因子服从t分布的Lévy飞行策略的具体过程为:其中, 是随机选择鲸鱼位置的向量; 为当前迭代中鲸鱼个体位置; 为当前迭代中的最佳搜索鲸鱼个体位置;δ⊕Levi(β)表示对该位置进行莱维Lévy飞行搜索,其中δ为步长控制因子,用来控制步长,δ0服从t分布,使步长从搜索前期的大步长逐渐缩小为后期的小步长,保持算法全局搜索和局部搜索之间的平衡状态;⊕表示点对点乘法,Levi‑β(β)表示服从莱维分布的随机路径,满足Levi(β)~u=t ,1<β<3,实际应用中,由于Lévy飞行具有较高的运算量,为保证运算效率,常使用Mantegna算法模拟,步长s计算公式为:其中,u和v服从正态分布:
其中,Γ是Gamma函数,参数β是[0,2]之间的随机数。