[發明專利]一種基于前景理論框架的邊緣計算任務卸載方法有效
| 申請號： | 202210808327.6 | 申請日： | 2022-07-11 |
| 公開（公告）號： | CN115150405B | 公開（公告）日： | 2023-08-01 |
| 發明（設計）人： | 張德干;張平;張婷;張捷;董文淼;鄂泓霖;安宏展;張志昊;王曉陽;王法玉;陳洪濤 | 申請（專利權）人： | 天津理工大學 |
| 主分類號： | H04L67/1021 | 分類號： | H04L67/1021;G06N3/006 |
| 代理公司： | 天津佳盟知識產權代理有限公司 12002 | 代理人： | 李淑惠 |
| 地址： | 300384 *** | 國省代碼： | 天津;12 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 前景 理論 框架 邊緣 計算 任務 卸載 方法 | ||
1.一種基于前景理論框架的邊緣計算任務卸載方法，其特征在于該方法主要包括如下步驟：
第1、邊緣計算任務卸載場景下的人工魚群算法實現：
第1.1、聚群行為；
第1.2、追尾行為；
第1.3、捕食行為；
第1.4、隨機游動；
第2、基于前景理論框架的邊緣計算任務卸載方法的設計：
第2.1、改進人工魚群算法；
第2.2、算法復雜度分析；
步驟第2.1中為了增強人工魚群算法的尋優能力，對標準人工魚群算法中的覓食函數、聚群函數和追尾函數進行改進，限定人工魚的搜索范圍，使其遠離局部極值，向最優位置靠近，引入當前最優適應度閾值限定策略，
1)對覓食函數的改進，試追尾次數try_num次后，如果其狀態值小于當前魚群最優適應度值的1/n，則執行隨機游動函數，否則保持當前狀態以避免人工魚離開其最優位置；
2)對聚群函數的改進，只有當人工魚搜尋到中心位置處的適應度值大于最優適應度值的1/n時，它才向某一方向游動，否則執行覓食函數，以保證其不會陷入較小局部極值點附近；
3)對追尾函數的改進，與聚群函數改進類似，只有當人工魚搜索到魚群中適應度值大于當前最優適應度值的1/n時，它才繼續向某一方向游動，否則執行覓食函數；
改進算法的代碼與人工魚群算法一致，但是需要在算法中加入記錄全局最優適應度值的變量，并且更新最優適應度值時需要滿足公式(7)，其中Fitness_global為全局最優適應度值，使用捕食行為作為例子進行說明，
Fitness(prey)Fitness_global?(7)
首先進行魚群的初始化之后對整個魚群迭代gen_times次，在每次迭代中，每條人工魚都會進行覓食、聚群和追尾的行為，之后根據適應度函數，計算出進行相應行為之后所在水域的營養物質濃度，最后比較三種行為的適應度值，得到最優適應度值Fitness_best，人工魚計算卸載算法AFSA首先要初始化車輛初始位置Xn，車輛移動步長step，車輛可偵察視野vision，迭代搜索次數MAX_GEN，當滿足卸載要求或達到最大迭代次數時，終止優化返回結果，否則繼續執行，然后計算每一輛車的最優適應度值，調用子算法實現人工魚的捕食行為，移動到視野內更好的計算任務卸載位置，調用子算法實現人工魚的聚群行為，向更好的計算任務卸載位置移動，調用子算法實現人工魚的追尾行為，向更好的計算任務卸載位置移動，比較人工魚進行三種行為之后的適應度值，其中最小適應度值記為最優適應度值，并記錄當前位置為卸載最有位置，返回進行下一條魚的最優適應度計算，迭代計數器加一并返回繼續進行迭代，
Fitness_best＝min{Fitness_prey，Fitness_swarm，Fitness_follow}?(8)；
步驟第2.2中算法的復雜度表示為一個函數，該函數的定義域為輸入數據的規模，函數值的范圍為執行步驟的數量，即時間復雜度，或需要的存儲空間，即空間復雜度，時間復雜度是解決問題所需要的時間，通過計算部署來度量，設總迭代次數為M，人工魚數量為F，覓食、聚群、追尾算法的嘗試次數為T，
因為AFSA算法執行過程會執行若干次迭代，且每次迭代會調用若干次覓食、聚群和追尾算法，所以算法的時間復雜度為：
O(M*F*(O(T)+O(T)+O(T)))≈O(M*F*T)?(9)
AFSA算法中需要儲存的變量為人工魚群的位置及最優適應度值及其他輔助變量，而人工魚群位置和人工魚數量成正比，最優適應度值和總迭代次數成正比，所以本算法的空間復雜度為：
O(M*F)?(10)；
在研究的場景中，每輛車輛都會擁有一個專屬的任務，每個任務由一個三元組組成，其中包括任務量bi，處理每個字節所需要的CPU循環數c以及每個任務所能等待的最長時間即任務將任務是否卸載標記為offloadi，j，offloadi，j＝{0，1}，其中0代表車輛Ui的任務在本地執行，1代表車輛Ui的任務卸載到飛蜂窩基站Bj，并且將飛蜂窩基站Bj是否將任務傳輸到核心網絡基站Mm標記為transportj，m＝{0，1}，其中0代表不傳輸，1代表傳輸；
本地任務處理的最大CPU頻率為本地卸載任務的最大天線發射功率為最小發射功率為BS(Base?Station)卸載任務的最大天線發射功率為最小發射功率為最終實際的本地發射功率和BS發射功率Pij、Pjm會在最大值和最小值之間按泊松分布隨機波動，假定核心網絡層由足夠大的發射功率，并且處理任務的時間和處理結果回傳時間可忽略不計，BS基站處理速度足夠快，任務處理時間可忽略不計，根據香農定理，車輛Ui任務傳輸到飛蜂窩基站Bj的傳輸速度為
飛蜂窩基站Bj任務傳輸到核心網絡基站Mm的傳輸速度為
其中W為信道帶寬，g為信道增益，σ2為高斯噪聲，g＝l-6，l為兩者之間的距離；
如果在本地處理任務，則任務處理時間為
Ti，exe＝bi·c/fi?(13)
其中fi為車輛Ui的CPU頻率，假設CPU頻率穩定不變且不隨時間改變，則本地任務處理能耗為
如果任務被卸載到飛蜂窩基站Bj處理，則傳輸時間為
傳輸能耗為
eij＝Pij·Tij?(16)
如果任務被傳輸到核心網絡基站Mm處理，則傳輸時間為
其中傳輸能耗為
ejm＝Pjm·Tjm?(18)
前景理論的數學模型包括兩個函數，即價值函數和概率比重函數；
價值函數使用Tversky函數，充分考慮大多數人的心理預期
其中d是理論適應度函數，即不考慮前景理論的原始價值函數，β是風險厭惡參數，與函數影響成反比，λ是風險懲罰參數，λ越大則v(d)對風險越敏感；
概率比重函數使用Prelec函數，
其中α為可能性扭曲參數，α值越小，對可能性的影響越大，即越偏離理性，pi為任務卸載成功概率，pi∈[0，1]，如果卸載失敗，則任務在本地進行，并且會產生額外懲罰d；
在期望效用函數理論EUT系統中，可以得到問題的適應度函數，任務卸載成功時
卸載失敗時
fitnessfalse＝ei，exe+d?(22)
則在本問題的估值階段中將Tversky函數和Prelec函數加入到適應度計算后可以得到公式(23)
fitnessPT＝v(fintesssucess)·w(pi)+v(fitenessfalse)w(1-pi)?(23)
最后得到本問題的適應度
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于天津理工大學，未經天津理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210808327.6/1.html，轉載請聲明來源鉆瓜專利網。
