一种超密集边缘计算网络的任务卸载方法及终端

1.本发明涉及边缘计算技术领域，特别涉及一种超密集边缘计算网络的任务卸载方法及终端。


背景技术：

2.思科报告表示，到2022年全球移动设备的数量将达到123亿台。随着智能汽车、手机和无人机等一些移动设备的爆炸式增长，移动应用的数量和类型也在不断地增加，这些移动应用通常需要强大的计算资源才能在响应截止期内被执行完成，这对移动设备的计算能力和电池寿命都提出了严峻的挑战。
3.为了应对该挑战，移动边缘计算(mobile edge computing，mec)作为一种新的计算框架，能够满足移动用户低时延高可靠的计算需求。mec服务器通常部署在距离用户较近的位置来扩展移动设备的计算能力，通过将计算任务从移动设备卸载到网络边缘，能够有效缓解移动设备的计算压力，降低任务卸载的能耗和时延。
4.然而，边缘服务器的计算资源有限，传统蜂窝无线网络部署下的mec很难满足大规模用户设备的接入和通信质量要求，传输过程中可分配的无线频谱资源也会变得更加稀缺。为了更好地应对5g和物联网时代对计算资源和频谱资源的激增要求，迫切需要更先进的组网方式和无线技术来提高网络容量，增加频谱利用率。
5.为了应对上述挑战，考虑引入超密集网络(ultra
‑
dense networks，udns)。udn主要是在传统宏小区覆盖的基础上，加密小型小区的部署，从而为移动设备提供足够的频谱资源；另外，通过重用小区间的有限频谱，能够显著提高网络频谱利用率和网络容量。因此，在udn的基站上部署mec服务器，可以形成超密集边缘计算网络，其中小基站(small base station，sbs)的密集部署能够覆盖更多移动设备，为它们提供接入服务，打破传统宏网络单层覆盖的缺陷，提高网络容量，增加频谱效率；而连接小基站的mec服务器则为移动设备提供了丰富的计算资源。
6.然而，超密集边缘计算网络中的任务卸载也存在一系列的挑战。首先，每个连接mec服务器的sbs同时为多个移动设备提供接入服务时，需要考虑信道状态变化的同时，将计算资源分配给不同的服务请求。其次，移动设备需要选择对应的信道将任务卸载到mec服务器上，大量移动设备选择同一个信道竞争有限的频谱资源时，将会产生设备间干扰，影响通信质量。最后，在任务传输过程中，任务执行延迟和能耗会受到上传功率的影响。


技术实现要素：

7.本发明所要解决的技术问题是：提供一种超密集边缘计算网络的任务卸载方法及终端，能够降低任务卸载的能耗，并提高任务上传功率。
8.为了解决上述技术问题，本发明采用的技术方案为：
9.一种超密集边缘计算网络的任务卸载方法，包括步骤：
10.产生任务种群，为所述任务种群中的每一个任务生成对应的初始化卸载决策和初
始化信道分配方案；
11.使用黄金分割算法计算每一个所述任务在对应的所述初始化信道分配方案中所使用信道的最优上传功率；
12.基于所述信道的状态和所述任务的类型，更新所述任务对应的初始化卸载决策；
13.根据信道传输能耗和有效干扰更新所述任务对应的初始化信道分配方案；
14.根据自适应模拟退火遗传算法计算每一个所述任务的最优卸载决策和最优信道分配方案。
15.为了解决上述技术问题，本发明采用的另一种技术方案为：
16.一种超密集边缘计算网络的任务卸载终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方案的一种超密集边缘计算网络的任务卸载方法。
17.本发明的有益效果在于：产生任务种群，为任务种群中的每一个任务生成对应的初始化卸载决策和初始化信道分配方案，使用黄金分割算法计算每一个所述任务在对应的初始化信道分配方案中所使用信道的最优上传功率，提高任务的上传功率；基于信道的状态和任务的类型，更新任务对应的初始化卸载决策；根据信道传输能耗和有效干扰更新任务对应的初始化信道分配方案；因此能够基于当前的信道状态和任务类型，更新卸载决策，以保证卸载的任务能够在信道状态良好的情况下传输和处理，最终得到尽可能优的卸载决策，降低任务卸载的总能耗；根据自适应模拟退火遗传算法计算每一个任务的最优卸载决策和最优信道分配方案，从而降低任务卸载的能耗。
附图说明
18.图1为本发明实施例的一种超密集边缘计算网络的任务卸载方法的流程图；
19.图2为本发明实施例的一种超密集边缘计算网络的任务卸载终端的示意图；
20.图3为本发明实施例的一种超密集边缘计算网络的任务卸载方法的超密集边缘计算网络的基本架构示意图。
具体实施方式
21.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
22.请参照图1和图3，本发明实施例提供了一种超密集边缘计算网络的任务卸载方法，包括步骤：
23.产生任务种群，为所述任务种群中的每一个任务生成对应的初始化卸载决策和初始化信道分配方案；
24.使用黄金分割算法计算每一个所述任务在对应的所述初始化信道分配方案中所使用信道的最优上传功率；
25.基于所述信道的状态和所述任务的类型，更新所述任务对应的初始化卸载决策；
26.根据信道传输能耗和有效干扰更新所述任务对应的初始化信道分配方案；
27.根据自适应模拟退火遗传算法计算每一个所述任务的最优卸载决策和最优信道分配方案。
28.从上述描述可知，本发明的有益效果在于：产生任务种群，为任务种群中的每一个任务生成对应的初始化卸载决策和初始化信道分配方案，使用黄金分割算法计算每一个所述任务在对应的初始化信道分配方案中所使用信道的最优上传功率，提高任务的上传功率；基于信道的状态和任务的类型，更新任务对应的初始化卸载决策；根据信道传输能耗和有效干扰更新任务对应的初始化信道分配方案；因此能够基于当前的信道状态和任务类型，更新卸载决策，以保证卸载的任务能够在信道状态良好的情况下传输和处理，最终得到尽可能优的卸载决策，降低任务卸载的总能耗；根据自适应模拟退火遗传算法计算每一个任务的最优卸载决策和最优信道分配方案，从而降低任务卸载的能耗。
29.进一步地，所述使用黄金分割算法计算每一个所述任务在对应的所述初始化信道分配方案中所使用信道的最优上传功率包括：
30.根据所述任务的最大可容忍时延计算所述任务的上传功率范围；
31.使用所述任务通过所述初始化信道分配方案中所使用信道传输时的最小上传功率和最大上传功率缩小所述任务的上传功率范围；
32.判断所述最大上传功率和所述最小上传功率的差值是否大于阈值，若大于阈值，则判断所述最小上传功率的传输能耗是否大于判断所述最小上传功率的传输能耗，若是，则增加所述上传功率范围的左边界值，否则，减小所述上传功率范围的右边界值，直至所述最大上传功率和所述最小上传功率的差值小于或者等于阈值；
33.若小于或者等于阈值，则将所述最大上传功率和所述最小上传功率的平均值作为所述任务在所述信道上的最优上传功率。
34.由上述描述可知，先根据任务的最大可容忍时延计算任务的上传功率范围，再根据在信道传输时的上传功率最值缩小上传功率范围；在上传功率最值差大于阈值时，根据上传功率最值的传输能耗大小对上传功率范围进行范围缩小，以便于后续根据上传功率范围的左右边界值计算最优上传功率。
35.进一步地，根据所述任务的最大可容忍时延计算所述任务的上传功率范围包括：
36.根据所述任务的最大可容忍时延得到任务的有效干扰需要满足：
[0037][0038]
式中，ei
i,k
表示任务t
i
在信道k上传输时的有效干扰，p
i,k
表示任务t
i
在信道k上传输时的功率，s
i
表示任务t
i
的数据量大小，w表示信道带宽；
[0039]
根据任务有效干扰满足的公式得到上传功率的范围为：
[0040][0041]
由上述描述可知，根据最大可容忍时延得到任务的有效干扰需要满足的条件，并计算出上传功率的范围，从而能够保证在满足任务截止期限的同时，对任务卸载能耗进行优化。
[0042]
进一步地，基于所述信道的状态和所述任务的类型，更新所述任务对应的初始化卸载决策包括：
[0043]
若所述任务的初始化卸载决策中不对所述任务进行卸载，则判断是否满足以下公
式：
[0044][0045]
式中，s
i
表示任务t
i
的数据量，ω
i
表示完成任务t
i
所需的计算量，exp(r)表示信道传输速率的期望值，f
m
表示本地计算能力；
[0046]
若是，则把所述初始化卸载决策更新为将任务卸载到服务器；
[0047]
若所述任务的初始化卸载决策中将任务卸载到服务器，则判断所述任务是否满足预设类型，若是，则把所述初始化卸载决策更新为不对所述任务进行卸载。
[0048]
由上述描述可知，根据任务的初始化卸载决策，若不对任务进行卸载，则根据信道状态判断该任务是否需要进行卸载，并对应修改初始化卸载决策；若对任务进行卸载，则根据任务类型判断该任务是否不需要进行卸载，并对应修改初始化卸载决策，因此更新任务的卸载决策，能够降低任务卸载的能耗。
[0049]
进一步地，所述信道传输速率的期望值的计算包括：
[0050]
将信道拟合成丢包模型，在预设时间片内检测信道的状态，若信道状态低于状态阈值时，则所述信道传输速率为r
b
，否则所述信道传输速率为r
g
；
[0051]
若信道状态从较差变成较好，则状态转移概率为p
bg
，若信道状态从较好变成较差，则状态转移概率为p
gb
；
[0052]
根据所述信道的状态转移概率，计算所述信道传输速率的期望值：
[0053][0054]
由上述描述可知，由于任务传输过程中信道状态是不断变化的，信道状态的好坏会影响当前任务的传输速率，因此将信道拟合成丢包模型根据信道的状态转移概率，能够准确计算信道传输速率的期望值。
[0055]
进一步地，所述根据信道传输能耗和有效干扰更新所述任务对应的初始化信道分配方案包括：
[0056]
根据所述任务的有效干扰约束条件，得到
[0057]
根据信道传输能耗和有效干扰计算信道分配方案：
[0058][0059]
式中，t
i_deadline
表示任务ti的截止时间，ei
i,k
表示任务t
i
在信道k上传输时的有效干扰，p
i,k
表示任务t
i
在信道k上传输时的功率，s
i
表示任务t
i
的数据量大小，e表示能耗，γ
i,k
表示任务t
i
分配的信道，f
s,j
表示服务器j的计算能力。
[0060]
由上述描述可知，根据任务的有效干扰条件和信道传输能耗，能够结合截止时间和移动设备的动态需求更新信道分配方案，从而降低任务卸载的能耗。
[0061]
进一步地，所述根据自适应模拟退火遗传算法计算每一个所述任务的最优卸载决策和最优信道分配方案包括：
[0062]
计算所述任务种群及其每一个任务的适应度值：
[0063][0064]
式中，t
i_deadline
表示任务t
i
的截止时间，e表示能耗，l表示惩罚系数，l＝1*10
‑
2.5
；
[0065]
对所述任务种群中的任务进行交叉变异，并计算交叉变异后的适应度值fitness
new
，若fitness
new
小于fitness，则保留交叉变异后的适应度值，否则，根据退火概率决定是否保留更新前的适应度值；
[0066]
计算交叉概率和变异概率，返回最优卸载决策和最优信道分配方案。
[0067]
由上述描述可知，将aga算法初始化的种群适应度值作为模拟退火的初始解，将交叉变异后的适应度值作为模拟退火的新解。根据模拟退火的更新规则得到的新解对应的卸载方案作为aga算法下一代的初始方案。所以，将aga和sa结合能够克服彼此的不足，不仅在效率上优于传统的遗传算法，相比于sa算法，还提高了全局搜索能力，更好地找到卸载最优解。
[0068]
进一步地，计算交叉概率p
c
包括：
[0069][0070]
式中，f
average
表示平均适应度值，f
′
表示当前个体的适应度值，f
max
表示最大适应度值，p
c1
、p
c2
表示交叉概率，交叉概率的取值为p
c1
＝0.99，p
c2
＝0.88。
[0071]
进一步地，计算变异概率pm包括：
[0072][0073]
式中，f
average
表示平均适应度值，f
′
表示当前个体的适应度值，f
max
表示最大适应度值，p
m1
、p
m2
分别表示变异概率，变异概率的取值为p
m1
＝0.1，p
m2
＝0.01。
[0074]
请参照图2，本发明实施例提供了一种超密集边缘计算网络的任务卸载终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方案的一种超密集边缘计算网络的任务卸载方法。
[0075]
本发明的一种超密集边缘计算网络的任务卸载方法及终端，适用于在截止时间内最小化任务卸载的总能耗，将超密集边缘计算网络中所有移动设备任务卸载的总能耗作为优化目标，将aga(adaptive genetic algorithm，自适应遗传算法)和sa(simulated annealing，模拟退火算法)结合能够克服彼此的不足，不仅在效率上优于传统的遗传算法，相比于sa算法，还提高了全局搜索能力，更好地找到卸载最优解以下通过具体的实施例进行说明：
[0076]
实施例一
[0077]
请参照图1和图3，一种超密集边缘计算网络的任务卸载方法，包括步骤：
[0078]
s1、产生任务种群，为所述任务种群中的每一个任务生成对应的初始化卸载决策
和初始化信道分配方案。
[0079]
具体的，将aga算法初始化的种群适应度值作为模拟退火的初始解，即为种群中的每一个任务生成对应的初始化卸载决策x
i,j
和初始化信道分配决策γ
i,k
。
[0080]
在本实施例中，每个sbs连接一个边缘服务器，边缘服务器表示为s＝{s1,s2,s3,
…
,s
n
}，sbs以同频的方式部署，根据正交频分复用技术；将每个sbs的信道划分成c个子信道，并描述为k＝{k1,k2,k3,
…
,k
c
}，因此不同信道之间互不干扰。
[0081]
每个用户设备(user equipment,ue)产生一个任务，假设任务卸载过程中ue不移动，而不同小区的ue可能会复用相同的信道，所以不同用户在相同的信道传输任务时会产生用户间的干扰。将ue的集合表示为u＝{u1,u2,u3,
…
,u
m
}，对应的ue产生的任务集合为t＝{t1,t2,t3,
…
,t
m
}，同时，本发明将服务器和ue的计算资源表示为f＝{f
m
,f
s1
,f
s2
,
…
,f
sn
}。
[0082]
由于每个设备产生一个任务，将t
i
＝(ω
i
,s
i
,d
i
,t
i_deadline
)表示为一个ue产生的计算任务。其中ω
i
表示完成任务t
i
所需的计算量大小。s
i
表示每个任务t
i
的数据量大小，d
i
为产生任务t
i
的ue到sbs的距离，t
i_deadline
表示完成任务t
i
的截止时间。在超密集网络中，每个ue都有一个任务需要完成，所以定义x
i,j
＝{0,1}表示任务的卸载决策。x
i,j
＝0表示任务t
i
不卸载，而x
i,j
＝1表示任务t
i
需要卸载到服务器s
j
。此外，还定义了γ
i,k
＝{0,1}表示任务t
i
的信道分配决策，因此γ
i,k
＝1表示任务t
i
通过信道k传输，而γ
i,k
＝0表示没有信道传输。
[0083]
当用户ue选择卸载任务时，需要考虑上行链路传输过程的其他ue的干扰问题。用户ue产生的任务t
i
在信道k上传输时的有效干扰为：
[0084][0085]
因此任务t
i
在信道k上传输时的信噪比为：
[0086][0087]
通过计算得到用户ue产生的任务t
i
在信道k上的传输速率为：
[0088]
r＝wlog2(1+ei
i,k
p
i,k
)；
[0089]
其中，w表示子信道的带宽，p
i,k
表示任务t
i
的上传功率，g
i,k
表示任务t
i
在信道k上传输时对应的信道增益，σ2表示噪声功率谱密度。
[0090]
当任务选择本地计算时，需要设备端提供计算资源来处理计算任务，用f
m
表示设备端的的计算能力，则本地计算时的任务处理能耗为：
[0091][0092]
任务不卸载时的计算时间表示为：
[0093][0094]
选择卸载计算时，通过无线网络传输任务时会产生相应的传输能耗和计算能耗，任务的传输能耗为：
[0095]
[0096]
任务传输时间表示为：
[0097][0098]
卸载时任务的计算能耗为：
[0099][0100]
任务卸载时的计算时间为：
[0101][0102]
将选择任务卸载到本地设备端的用户总能耗表示为e
m
，那么对于超密集网络中所有的ue，本地处理时的任务总能耗为：
[0103][0104]
同时，将卸载的用户的总能耗表示为e
c
，所有ue中卸载的任务总能耗为：
[0105][0106]
任务卸载的总时延为：
[0107][0108]
由于下行链路的传输数据量较小，所以忽略了接收返回数据时设备端的能耗和时延。
[0109]
s2、使用黄金分割算法计算每一个所述任务在对应的所述初始化信道分配方案中所使用信道的最优上传功率。
[0110]
在本实施例中为了在截止时间内最小化任务卸载的总能耗，将超密集边缘计算网络中所有移动设备任务卸载的总能耗作为优化目标，表示为：
[0111][0112]
式中，c1表示完成任务t
i
的最大可容忍时延；c2表示传输过程中任务t
i
在信道k的信噪比大小大于阈值，才能保证传输过程的可靠性；c3表示上传功率的范围；c4和c5保证了一个任务只能卸载到一个服务器上处理，同时一个任务也只能通过一个信道传输；c6表示任务的有效干扰需要大于阈值，才能保证任务传输质量；c7是信道选择的条件。
[0113]
根据约束条件c1可以得到任务上传功率的最小值：
[0114][0115]
因此上传功率的范围为：
[0116][0117]
由于上传功率主要影响传输能耗，所以将传输能耗作为上传功率的函数，并利用黄金分割算法求解最优上传功率。
[0118]
s3、基于所述信道的状态和所述任务的类型，更新所述任务对应的初始化卸载决策。
[0119]
s31、若所述任务的初始化卸载决策中不对所述任务进行卸载，则判断是否满足以下公式：
[0120][0121]
式中，s
i
表示任务t
i
的数据量，ω
i
表示完成任务t
i
所需的计算量，exp(r)表示信道传输速率的期望值，f
m
表示本地计算能力；
[0122]
若是，则把所述初始化卸载决策更新为将任务卸载到服务器。
[0123]
具体的，在任务卸载过程中，由于信道状态是不固定的，当信道状态不好时，数据传输速率较低，因此会产生更多的传输能耗和时延；同时，随着接入小基站的移动设备数量增加，任务卸载能耗和时延也会随之增加。所以，根据当前的信道状态，以及任务属性，制定了相应的卸载方案。首先，当初始化的任务选择不卸载时，如果满足：
[0124][0125]
那么当前的任务卸载方案需要更新为卸载到服务器上。
[0126]
s32、若所述任务的初始化卸载决策中将任务卸载到服务器，则判断所述任务是否满足预设类型，若是，则把所述初始化卸载决策更新为不对所述任务进行卸载。
[0127]
如果初始化的任务选择卸载到服务器上处理，那么当任务类型满足：
[0128][0129]
则当前的卸载方案需要更新，任务选择本地处理。该方案基于当前的信道状态和任务类型，不断更新卸载决策，以保证卸载的任务能够在信道状态良好的情况下传输和处理，最终得到尽可能满足t
icomp
+t
icomm
≤t
i_deadline
的卸载决策，降低任务卸载的总能耗。
[0130]
其中，信道传输速率的期望值的计算包括：
[0131]
将信道拟合成丢包模型，在预设时间片内检测信道的状态，若信道状态低于状态阈值时，则所述信道传输速率为r
b
，否则所述信道传输速率为r
g
；
[0132]
若信道状态从较差变成较好，则状态转移概率为p
bg
，若信道状态从较好变成较差，则状态转移概率为p
gb
；
[0133]
根据所述信道的状态转移概率，计算所述信道传输速率的期望值：
[0134][0135]
具体的，移动设备通过无线信道向mec服务器传输数据，当任务通过无线信道上传到sbs上时，考虑到实际任务传输过程中信道状态是不断变化的，因而信道状态的好坏会影响当前任务的传输速率。为了更好描述当前信道状态对当前任务上传过程中的影响，将无线信道拟合成gilbert elliot模型。假设在时间片t内检测到无线信道的状态为g
t
，当信道状态较差时，此时的信道状态描述为g
b
，若当前的信道状态很好时，将此时的信道状态描述为g
g
。由于信道状态一般影响传输速率的大小，所以对应的将g
t
＝g
g
时对应的传输速率描述为r
t
＝r
g
，同时将g
t
＝g
b
时对应的传输速率描述为r
t
＝r
b
。此外，用状态转移概率描述信道状态的变化情况，当信道状态从差变成好时，状态转移概率为p
bg
，而当信道状态从好变成差时，状态转移概率描述为p
gb
。所以当信道状态比较好时，信道状态的稳定概率为p
bg
/(p
bg
+p
gb
)，信道状态不好时的稳定概率为p
gb
/(p
bg
+p
gb
)。最后，根据信道状态的稳定概率，可以得到信道传输速率的期望值为：
[0136][0137]
s4、根据信道传输能耗和有效干扰更新所述任务对应的初始化信道分配方案。
[0138]
其中，根据所述任务的有效干扰约束条件，得到
[0139]
根据信道传输能耗和有效干扰计算信道分配方案：
[0140][0141]
式中，t
i_deadline
表示任务ti的截止时间，ei
i,k
表示任务t
i
在信道k上传输时的有效干扰，p
i,k
表示任务t
i
在信道k上传输时的功率，s
i
表示任务t
i
的数据量大小，e表示能耗，γ
i,k
表示任务t
i
分配的信道，f
s,j
表示服务器j的计算能力。
[0142]
具体的，由于每个任务只能选择一个信道进行传输，而任务传输能耗主要受传输速率和信道分配决策的影响，为了尽可能降低任务传输过程的能耗，给出了信道分配决策的优化方案。首先根据约束条件c1可推出有效干扰的约束条件c6，并得到：
[0143][0144]
最后得到以下的信道分配方案
[0145][0146]
该方案表示，任务传输过程中，需要选择传输能耗最低且满足约束条件c6的信道分配决策。
[0147]
s5、根据自适应模拟退火遗传算法计算每一个所述任务的最优卸载决策和最优信道分配方案。
[0148]
其中，计算所述任务种群及其每一个任务的适应度值：
[0149][0150]
式中，t
i_deadline
表示任务t
i
的截止时间，e表示能耗，l表示惩罚系数，l＝1*10
‑
2.5
；
[0151]
对所述任务种群中的任务进行交叉变异，并计算交叉变异后的适应度值fitness
new
，若fitness
new
小于fitness，则保留交叉变异后的适应度值，否则，根据退火概率决定是否保留更新前的适应度值；
[0152]
计算交叉概率和变异概率，返回最优卸载决策和最优信道分配方案。
[0153]
具体的，在初始化过程中，首先将可能的计算卸载方案作为遗传算法中的染色体。将每个任务对应的位置作为染色体的基因，那么每个染色体一共有m个基因。编码方式为整数编码，每个任务可以选择本地处理和卸载到任意一个服务器上，每个任务可以选择对应的其中一个信道去传输。同时，为了衡量每个种群对生存环境的适应性，还可以通过适应度值来判断并淘汰适应程度更差的种群。适应度值为：
[0154][0155]
其中，当任务完成时间超过该任务的最大截止时间时，在能耗的基础上加入惩罚函数，其中l＝1*10
‑
2.5
为惩罚系数，适应度函数值为能耗和惩罚函数值之和。当任务完成时间小于截止时间，将适应度值设置为能耗的值。t
i_deadline
表示单个任务的截止时间，我们通过以下的方式进行计算截止时间：
[0156][0157]
其中，deadline
l
＝t
z
表示agasa算法下的任务完成时间，而deadline
u
＝3t
z
，k1是截止时间比例，取值范围为0到1。在agasa算法的选择过程中，为了防止最优个体在下一代发生丢失，导致无法收敛到最优解，主要采用二元锦标赛结合精英选择的选择策略。首先保留当前种群中最优的个体进入子代；其次以一定的选择概率在种群中选择两个个体，将适应度值较低的个体加入到子代，直到所有个体都完成锦标赛。在交叉过程中，在父代染色体的前半段和后半段分别选择两个交叉点，进行两点交叉，形成子代染色体，在变异过程中，选择单点变异的策略。交叉变异结束后，需要比较变异前后的种群的适应度值，如果变异前的适应度值更低，那么则以一定的退火概率接受变异前的个体，退火概率设置为：
[0158][0159]
我们将交叉变异后的适应度值作为最终的适应度值fitness
new
。另外，交叉概率和变异概率对算法的收敛性有很大的影响。虽然交叉概率较大的时候种群更容易产生新个体，但是当其变大时，优良个体在种群中保留率也降低；而对变异概率来说，若其过大则该算法相当于普通的随机算法，失去了agasa算法的意义。所以，为了提高算法的性能，交叉概率p
c
和变异概率p
m
通过以下的方式求得：
[0160][0161]
式中，f
average
表示平均适应度值，f
′
表示当前个体的适应度值，f
max
表示最大适应度值，p
c1
、p
c2
表示交叉概率，交叉概率的取值为p
c1
＝0.99，p
c2
＝0.88；p
m1
、p
m2
分别表示变异概率，变异概率的取值为p
m1
＝0.1，p
m2
＝0.01。
[0162]
实施例二
[0163]
本实施例与实施例一的主要区别在于，进一步限定了如何计算任务在信道中的最优上传功率，具体为：
[0164]
根据所述任务的最大可容忍时延计算所述任务的上传功率范围；
[0165]
使用所述任务通过所述初始化信道分配方案中所使用信道传输时的最小上传功率和最大上传功率缩小所述任务的上传功率范围；
[0166]
判断所述最大上传功率和所述最小上传功率的差值是否大于阈值，若大于阈值，则判断所述最小上传功率的传输能耗是否大于判断所述最小上传功率的传输能耗，若是，则增加所述上传功率范围的左边界值，否则，减小所述上传功率范围的右边界值，直至所述最大上传功率和所述最小上传功率的差值小于或者等于阈值；
[0167]
若小于或者等于阈值，则将所述最大上传功率和所述最小上传功率的平均值作为所述任务在所述信道上的最优上传功率。
[0168]
在本实施例中，上传功率也是影响传输能耗的主要因素之一。上传功率越高，任务可传输的距离越远，然而一旦上传功率过高，那么传输过程中会产生更多的能耗；因此，为了解决上传功率控制的问题，采用一种黄金分割算法，以确定最优的上传功率：
[0169]
1.根据上传功率的取值范围可以确定为初始的上传功率左边界，同时b
i
＝p
max
为初始的上传功率右边界。
[0170]
为了进一步缩小上传功率的搜索范围，需要先计算任务通过信道k传输时的最小上传功率以及最大上传功率
[0171]
2.通过判断上传功率的边界是否缩小到一定范围，如果满足该条件，则直接根据计算上传功率。如果不满足该条件，则需要通过计算传输能耗进一步比较是否满足如果满足该条件，那么需要进一步缩小上传功率的左边界，如果不满足该条件，那么需要进一步缩小功率的右边界，直到满足条件
[0172]
3.根据输出最优上传功率。其中τ＝0.618，该算法能够将搜索范围不断缩小，保证在一定功率范围内获取每个任务最优的上传功率。
[0173]
实施例三
[0174]
请参照图2，一种超密集边缘计算网络的任务卸载终端，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一或二的一种超密集边缘计算网络的任务卸载方法的各个步骤。
[0175]
综上所述，本发明提供的一种超密集边缘计算网络的任务卸载方法及终端，产生任务种群，为任务种群中的每一个任务生成对应的初始化卸载决策和初始化信道分配方案，使用黄金分割算法计算每一个所述任务在对应的初始化信道分配方案中所使用信道的最优上传功率，提高任务的上传功率；基于信道的状态和任务的类型，更新任务对应的初始化卸载决策；根据信道传输能耗和有效干扰更新任务对应的初始化信道分配方案；结合任务类型和服务器的计算能力，并考虑信道状态变化，移动设备的动态需求以及干扰约束，提出了一种基于自适应模拟退火遗传的任务卸载方法，在满足任务截止期限的同时，对任务卸载能耗进行优化。此外，为了得到更好的上传功率，本发明采用黄金分割算法解决功率控制的问题。实验结果表明，所提出的任务卸载策略相比其他经典方法具有更好的性能。
[0176]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发
明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。