1.面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,步骤如下:
步骤S1:获取超密集NOMA-MEC网络的网络基础信息构建网络架构,所述网络架构包括通信模型、计算模型以及安全模型;配置网络架构中多约束下的优化问题;
步骤S2:根据优化问题进行种群初始化,初始化过程包括在优化问题的约束内生成一组随机候选解并将其视为初始解集合,将其经过混沌映射后定义为原始种群,并找到种群初始最佳个体,初始化结束后进行改进红嘴蓝鹊算法迭代过程:在搜索猎物的阶段红嘴蓝鹊组成数量各异的不同类型团队,并以团队形式进行捕猎,设置均衡系数;在捕捉小型猎物时组成小组进行活动,小组中红嘴蓝鹊个体数量是在所有个体中随机选择25只数量;在捕捉大型猎物时以集群的方式行动,集群中红嘴蓝鹊个体数量是在所有个体中随机选择10只以上的个体;组成团队后在探索食物时和聚类搜索操作中利用动态变化系数调整位置;在捕捉猎物时利用随机数给不同团队分配不同攻击策略,用标准正态分布数动态调节适应度值;在食品储藏阶段根据前后适应度值的比较利于个体选择最优值,同时根据随机数判断是否实行莱维飞行操作;然后在迭代过程内中不断重复搜索猎物、捕捉猎物、食品贮藏操作,以此更新当前种群最优个体的信息,并输出红嘴蓝鹊种群中所有个体的位置信息编码;
步骤S3:用目标种群中所有红嘴蓝鹊个体的位置信息编码初始化鳗鱼-石斑鱼捕食代理个体的位置,选出初始化最优个体,并利用鳗鱼-石斑鱼算法进行进一步搜索,对鳗鱼-石斑鱼捕食代理个体的位置进行更新,选择当前种群最佳个体与初始化最佳个体中的更优个体作为历史最佳个体,输出种群最优鳗鱼-石斑鱼捕食代理个体的历史最佳位置信息;
步骤S4:根据种群最优鳗鱼-石斑鱼捕食代理个体的历史最佳位置信息进行能效型任务卸载资源配置;
步骤S3中,将一条鳗鱼和一条石斑鱼组成的团队视为捕食代理个体,用目标种群中所有红嘴蓝鹊个体的位置信息编码初始化鳗鱼-石斑鱼种群中捕食代理个体的位置信息,根据适应度寻找初始化最优个体;随后进入算法迭代,过程如下:在石斑鱼追踪猎物过程中通过自适应因子寻找合适的位置和最佳适应度,避免陷入局部最优;在信号传递阶段用系数区分石斑鱼给鳗鱼发送信号分享最佳位置信息时使用的不同动作,使得鳗鱼也不断更新位置;在合作攻击阶段石斑鱼和鳗鱼通过不同方式捕捉猎物,并利用不同的权重系数根据石斑鱼和鳗鱼的位置更新捕食代理个体位置,寻找当前最优个体,在迭代结束后选出种群中当前最优个体并与初始化最优个体中的更优个体视为历史最佳个体,输出相关信息参数。
2.根据权利要求1所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,步骤S1中,获取网络基础信息包括:在超密集NOMA-MEC网络中,每个小基站都配置服务器,所有小基站都连接到附近的宏基站,小基站的数量不少于用户移动设备的数量,在超密集NOMA-MEC网络中存在一个宏基和个小基站,宏基站的索引定义为0,小基站索引集合为,为小基站的数量,则所有基站的索引集合为;每个用户移动设备的任务索引集合为,为任务数量,从到的安全保护级别索引集合为,表示加密算法的安全级别,L为加密算法数量;每个用户移动设备都有一个独立任务,需要在安全漏洞成本和规定的截止期限内执行;根据小基站的位置分布不同,利用K-means聚类技术将其划分为个簇,其中每个簇有个正交的子信道,提供给集群中的小基站使用,与小基站相关联的用户移动设备通过NOMA方式使用相同的子信道,个子信道在集合中从1到进行索引。
3.根据权利要求2所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,步骤S1中所生成优化问题的表达式如下:;
其中,任务卸载关联决策的索引集合为是用户移动设备和小基站之间的关联索引,任务安全决策的索引集合为为用户移动设备的任务对加密算法的使用决策,选择子信道决策的索引集合为,为用户移动设备在子信道上的关联决策,为子信道集合;用户移动设备的上行发射功率的索引为,为用户移动设备的发射功率,用户移动设备卸载到基站的任务数据量的索引集合为,小基站卸载到宏基站的任务数据量的索引为;代表任务总运行时间,表示任务最大约束时延,为任务加密保护成本,总共有个用户移动设备,最多有个,用户移动设备索引集合为,每个用户有个独立执行的任务,最多有个任务,任务索引集合为,有种鲁棒性不同的加密算法,从小到大排列后由1到表示级别,加密算法索引为;最小上行链路发射功率任意选定一个足够小的值以防止除零,为用户移动设备选择关联的基站,为基站的集合;表示用户移动设备的任务执行时间不能超过其最大约束时延;表示用户移动设备的总加密保护成本不能超过其最大约束成本;表示当用户移动设备与基站关联时关联决策,否则为0,表明一个用户移动设备只能同时与一个基站相关联;表示选择加密算法时决策,否则为0,表示用户移动设备的任务只能选择一种加密算法;表示一个用户移动设备只能选择一条子信道,表示当子信道被选择时,否则为0;给出了用户移动设备发射功率的下边界值和上边界值;表示卸载数据量和均大于等于0,但小于等于用户移动设备所执行的任务的数据大小,另外必须小于等于,为小基站卸载到附近的宏基站的任务量。
4.根据权利要求3所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,步骤S2操作步骤如下:步骤S2.1:初始化改进的红嘴蓝鹊算法IRBMO的最大迭代次数,并将初始迭代次数设置为1;
步骤S2.2:设种群中红嘴蓝鹊个体的总数为,其中改进红嘴蓝鹊算法RBMO的原始种群中的任一红嘴蓝鹊个体,每个红嘴蓝鹊个体完成编码后求解的目标函数都为适应度值,利用目标函数计算种群中所有红嘴蓝鹊个体的适应度值并找到最佳个体;将优化参数替换为,其中基站指数集合,表示红嘴蓝鹊个体与用户移动设备关联时的基站指数,加密算法级别集合,表示红嘴蓝鹊个体与用户移动设备关联的加密算法级别,信号索引集合,表示红嘴蓝鹊个体中用户移动设备选择的信号索引,上行发射功率集合,表示红嘴蓝鹊个体中用户移动设备的上行发射功率,数据量集合,表示红嘴蓝鹊个体中用户移动设备卸载任务到关联小基站上的数据量,任务量集合,表示红嘴蓝鹊个体中用户移动设备或与其关联的小基站卸载到宏基站的任务量;
利用适应度函数计算原始种群中所有红嘴蓝鹊个体的适应度值,并将适应度值最大的个体作为历史最佳红嘴蓝鹊个体;
步骤S2.3:判断当前迭代次数是否超过最大迭代次数,如果当前迭代次数小于等于最大迭代次数,则对红嘴蓝鹊种群实施搜索猎物、捕捉猎物、食品贮藏操作;如果当前迭代次数大于最大迭代次数则直接输出所有红嘴蓝鹊个体的信息编码。
5.根据权利要求4所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,红嘴蓝鹊个体组成小组时搜索猎物时位置更新的过程表示为:;
其中分别表示第轮迭代时用户移动设备选择的传输功率,用户卸载到小基站的任务数据量,用户卸载到小基站的任务数据量,用户移动设备选择的基站索引,用户移动设备选择的加密算法索引,用户移动设备选择的信道索引;同理分别为第轮迭代用户移动设备选择的传输功率,用户卸载到小基站的任务数据量,用户卸载到小基站的任务数据量,用户移动设备选择的基站索引,用户移动设备选择的加密算法索引,用户移动设备选择的信道索引;分别为种群中第个用户移动设备选择的传输功率,用户卸载到小基站的任务数据量,用户卸载到小基站的任务数据量,用户移动设备选择的基站索引,用户移动设备选择的加密算法索引,用户移动设备选择的信道索引;为迭代系数,通过此参数根据迭代次数不断优化红嘴蓝鹊个体位置信息;分别表示在种群中随机选择的用户移动设备选择的传输功率、用户卸载到小基站的任务数据量、用户卸载到小基站的任务数据量、用户移动设备选择的基站索引、用户移动设备选择的加密算法索引、用户移动设备选择的信道索引的位置信息,表示对向下取整,表示输出之间的随机数,表示红嘴蓝鹊小组具有的个体数量。
6.根据权利要求5所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,当红嘴蓝鹊个体组成集群搜索猎物时位置参数更新的过程表示为:;
表示红嘴蓝鹊组成小团体狩猎的个体数,数值介于之间。
7.根据权利要求6所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,红嘴蓝鹊种群组成不同团队捕捉猎物,当组成团队为小组时,红嘴蓝鹊个体捕捉猎物时位置各参数更新如下所示:;
其中,分别为用户移动设备选择的传输功率、用户卸载到小基站的任务数据量、用户卸载到小基站的任务数据量、用户移动设备选择的基站索引、用户移动设备选择的加密算法索引、用户移动设备选择的信道索引对应的初始化最佳个体位置信息:;
动态因子和角度变量用于动态调节红嘴蓝鹊位置,防止陷入局部最优;当组成团队为集群时,红嘴蓝鹊个体位置各参数更新如下所示:。
8.根据权利要求7所述的面向超密集NOMA-MEC网络的能效型协同卸载方法,其特征在于,所述步骤S3具体过程如下:步骤S3.1:将原始种群中所有红嘴蓝鹊个体的相关位置信息继承给鳗鱼-石斑鱼种群中的捕食代理个体,同时计算代理个体适应度值;
步骤S3.2:将当前位置情况下拥有最佳适应度值的捕食代理个体视为历史最佳个体;
步骤S3.3:判断当前迭代次数是否超过最大迭代次数,如果当前迭代次数小于等于最大迭代次数,则鳗鱼-石斑鱼种群会实施内部信号传递和合作攻击操作;如果当前迭代次数大于最大迭代次数则直接输出历史最佳鳗鱼-石斑鱼个体的信息编码和适应度值;
步骤S3.4:信号传递的具体操作如下所示:
;
其中,,表示对取绝对值;
步骤S3.5:合作攻击的具体操作如下所示:
;
其中b为迭代随机系数,表示自然常数的次方,为圆周率;
步骤S3.6:令迭代次数;
步骤S3.7:根据所求的最优个体相关参数进行能效型任务卸载相关配置。