1.一种超密集网络中计算卸载与资源优化方法,其特征在于,所述方法包括:步骤S1:获取超密集网络的网络基础信息,根据所述网络基础信息构建网络系统,所述网络系统包括通信模型、计算模型及安全模型,并在所述网络系统的约束下构建优化问题,所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题;
步骤S2:根据所述优化问题得到初始解,并将初始解定义为父代种群,采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群,并输出目标种群中所有个体的编码;
步骤S3:以目标种群中所有个体的编码初始化粒子群中粒子的位置,并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置;
步骤S4:根据全局最优粒子的位置执行计算卸载与资源优化配置;
所述步骤S1的步骤包括:
根据以下公式构建优化问题P1:
其中, 表示任务关联矩阵, , 表示用户 的任务 是否卸载到基站 , 表示基站的索引集合, 表示用户集合,表示每个用户的 个任务的索引集合, 表示安全密码算法选择矩阵,, 表示任务 是否选择密码算法 , 表示密码算法的索引集合, 表示用户计算资源的分配矩阵, , 表示用户分 配给 任 务 的 计 算资 源量 , 表 示基 站 计算 资源 的分 配 矩阵 ,, 表示基站 分配给用户 的任务 的计算资源量, 表示用户发射功率集, , 表示用户 的发射功率,表示用于调整标准总能耗与标准总安全成本的权重, 表示用户总能耗, 表示用户最大总能耗,表示用户总成本, 表示任务 因安全保护失败而产生费用, 为用户 的任务 的处理时延, 表示用户 的任务 的最后期限, 表示用户 的任务 的处理时延不能超过该任务的最后期限 , 表示用户 的任务 至多关联一个基站, 表示任务 只能选择一个密码算法, 表示用户 的发射功率不能低于 且不能高于它的最大发射功率 ,取足够小的常量值以避免“0/0”的现象, 表示用户 分配给自身所有任务的计算资源不能超过它的最大计算资源量 , 表示基站 分配给所关联用户任务的计算资源不能超过它的最大计算资源量 ;
所述步骤S2的步骤包括:
步骤S21:初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序 ,并将当前迭代次序 设置为1;
步骤S22:分别将父代种群 中每个个体的 编码成染色体, 编 码 成 染 色 体 , 编 码 成 染 色 体, 编 码 成染 色 体 , 编码 成 染 色 体,其中, 表示由所有用户的所有任务构成的虚拟用户的索引集, 表示个体 中用户 所关联基站的索引号, 表示用户 所选择密码算法的索引号, 表示用户 在本地的计算资源分配量, 表示用户 在边缘服务器的计算资源分配量, 表示用户 的发射功率;
步骤S23:初始化父代种群,并根据以下公式构建父代种群中个体 的适应度函数:其中, 表示个体 的适应度函数值, 表示用户 的任务 的时延约束的惩罚因子,表示用户 的计算资源约束的惩罚因子, 表示基站 的计算资源约束的惩罚因子;
使用适应度函数计算父代种群中所有个体的适应度值,并将适应度值最高的个体作为历史最佳个体;
步骤S24:判断当前迭代次序 是否小于等于最大迭代次序 ,若当前迭代次序 小于等于最大迭代次序 ,则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作,以得到目标种群,若当前迭代次序 大于最大迭代次序 ,则输出目标种群中所有个体的染色体编码。
2.根据权利要求1所述的超密集网络中计算卸载与资源优化方法,其特征在于,所述步骤S24的步骤包括:步骤S241:根据锦标赛法选择策略从父代种群中随机选取两个个体,将适应度较高的个体放入目标种群中,并判断两个个体中是否有历史最佳个体,若两个个体中没有历史最佳个体,则用历史最佳个体替换目标种群中适应度值最低的个体;
步骤S242:定义多样性测度 ,并根据多样性测度定义多样性引导的变异概率:其中, 、 与 是预先设置的概率, 与 是阈值常量;
步骤S243:从父代种群中剩下的个体中选取任意相邻个体 和 ,并根据以下公式得到个体 和 之间的新型自适应交叉概率:其中, 表示个体 和 之间的新型自适应交叉概率, 表示自适应权重, 表示个体 和 中适应度低的个体的适应度值, 表示父代种群中剩下的个体的最小适应度值,表示父代种群中剩下的个体的平均适应度值,表示取值于区间 的常量;
从所述相邻个体 和 的染色体片段中随机选择一个交叉位置,根据所述新型自适应交叉概率 对个体 和 从交叉点开始互换相应染色体片段;
步骤S244:根据以下公式得到父代种群中剩下的个体 的新型自适应变异概率:其中, 表示父代种群中剩下的个体 的新型自适应变异概率, 表示父代种群中剩下的个体的最大适应度值, 表示取值区间 的常量;
步骤S245:根据所述多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则,以依次分别对父代种群中剩下的个体的染色体进行变异;
步骤S246:使用适应度函数计算变异后父代种群中个体的适应度值,将适应度值最高的个体作为当前最佳个体,并判断当前最佳个体的适应度值是否高于历史最佳适应度值,若当前最佳个体的适应度值高于历史最佳适应度值,则用当前最佳个体替换历史最佳个体;
步骤S247:将当前迭代次序 的值加1。
3.根据权利要求2所述的超密集网络中计算卸载与资源优化方法,其特征在于,所述步骤S245中的预设变异规则为:其中, 和 为服从0‑1均匀分布的随机数, 、 、 、 、 均为分段函数,系统首先生成两个随机数 和 ,判定 值,得到对应的分段函数, 决定变异幅度, 决定变异方向, 表示变异后个体 中用户 所关联基站的索引号, 表示变异后用户 所选择密码算法的索引号, 表示变异后用户 在本地的计算资源分配量, 表示变异后用户 在边缘服务器的计算资源分配量, 表示变异后用户 的发射功率, 表示向下取整函数, 表示基站 的最大计算资源量, 表示用户 的最大发射功率。
4.根据权利要求3所述的超密集网络中计算卸载与资源优化方法,其特征在于,所述步骤S3的步骤包括:步骤S31:初始化自适应粒子群算法的最大迭代次序 ,并将当前迭代次序 设置为1;
步骤S32:将目标种群中所有个体作为自适应粒子群算法的粒子,将个体的染色体编码作为粒子的子粒子,并初始化所有粒子 的子粒子的位置 、 、 、 、 ,并分别以区间的随机数初始化所有粒子 的子粒子的速度 、 、 、 、 ,而后初始化所有粒子 的子粒子的历史最佳位置 、 、 、 、 ,所述历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置;
步骤S33:使用适应度函数计算所有粒子在历史最佳位置时的适应度值,将历史最佳位置中适应度值最高的粒子作为全局最优粒子,并初始化全局最优粒子 的位置 、、 、、 ;
步骤S34:判断当前迭代次序 是否小于等于最大迭代次序 ,若当前迭代次序 小于等于最大迭代次序 ,则更新普通粒子的速度和位置,并根据普通粒子的速度和位置更新全局最优粒子的速度和位置;
步骤S35:使用适应度函数计算所有粒子位于历史最佳位置时的适应度,并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子;
步骤S36:将当前迭代次序 的值加1。
5.根据权利要求4所述的超密集网络中计算卸载与资源优化方法,其特征在于,所述步骤S34的步骤包括:步骤S341:根据以下公式更新普通粒子 的速度:,
,
,
,
,
其中,上标 表示第 次迭代,与 为常量, 与 是粒子 取值于 区间的随机数, 表示粒子 的惯性权重;
步骤S342:根据以下公式更新普通粒子 的位置:,
,
,
,
;
步骤S343:根据以下公式更新全局最优粒子 的速度:,
,
,
,
;
其中, 为常量, 、 与 的元素来
自于 区间的随机数, 表示缩放因子;
步骤S344:根据以下公式更新全局最优粒子 的位置:,
,
,
,
;
步骤S345:使用适应度函数计算所有粒子的适应度,并判断当前适应度是否高于位于历史最佳位置时的适应度,若当前适应度高于位于历史最佳位置时的适应度,则将粒子的当前位置作为历史最佳位置。
6.根据权利要求5所述的超密集网络中计算卸载与资源优化方法,其特征在于,所述步骤S4的步骤包括:根据步骤S32中编码染色体的方式,将全局最优粒子的位置还原成原始优化参量解的形式;
并根据所获取的解,执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。