车联网边缘计算卸载决策与资源分配的优化方法

本发明属于车联网边缘计算，特别涉及一种车联网边缘计算卸载决策与资源分配的优化方法。

背景技术：

1、近年来，随着汽车保有量的增长，汽车的智能化程度也在不断提升，如自动驾驶、图像辅助导航、自动驾驶等。但是，这种智能化的业务往往对运算能力要求很高，给车载本地计算资源带来了巨大的负担。处理未来车辆数据所需的能力将很容易耗尽车辆的车载资源，大多数车辆无法在本地执行这些任务。为了应对这些挑战，车联网边缘计算(vehicularedge computing，vec)解决方案应运而生。通过将任务卸载到附近的边缘节点，例如与vec服务器连接的路边单元(road side unit，rsu)或基站，可以为车辆提供边缘计算服务。因而，利用有限的计算资源与高效的资源分配相结合，以促进复杂任务的卸载决策，是一个值得研究的问题。

2、目前在有关车联网边缘计算的研究中，绝大部分仅针对卸载决策来进行优化，很少有研究对实时任务卸载决策、通信资源和计算资源分配的协同效应。因此，有必要设计一种联合卸载决策与资源分配的优化方法，以解决上述问题。

技术实现思路

1、本发明旨在通过一种基于改进遗传算法的联合优化策略，实现对任务卸载比例、信道带宽以及边缘服务器计算资源的优化配置。在无线传输资源和边缘计算服务器处理资源受限的背景下，本发明致力于解决如何最小化车载任务完成时间的优化难题，采取的改进式遗传算法通过改进的自适应突变和交叉算子，提高了个体交叉突变概率的合理性，既保留了优秀个体，又增强了低适应度个体的探索能力，防止种群进化陷入局部最优解。

2、本发明采取的技术方案如下：

3、一种车联网边缘计算卸载决策与资源分配的优化方法，包括以下步骤：

4、步骤1：建立车辆与边缘服务器的通信模型，计算车辆的各个任务的上行任务数据速率；

5、步骤2：建立车辆的任务卸载模型，按照任务卸载比例将任务卸载至基站，根据任务卸载比例、任务的大小和上行任务数据速率计算每个任务的本地处理时间、上行时间以及边缘服务器处理卸载任务的时间，并根据上行时间和边缘服务器处理卸载任务的时间计算得到对应的车辆卸载任务的总处理时间；

6、步骤3：联合任务卸载比例、信道带宽和边缘服务器为处理卸载任务分配的资源，以最小化系统总完成时间为目标，建立边缘服务器系统总开销优化函数模型，其中系统总完成时间为各个任务的完成总时间中的最大值，每个任务的完成总时间为该任务的本地处理时间与对应的车辆卸载任务的总处理时间中的最大值；

7、步骤4：利用改进的遗传算法对边缘服务器系统总开销优化函数模型进行求解，求解过程具体包括以下步骤：

8、步骤4.1：对任务卸载比例、信道带宽和边缘服务器为处理卸载任务分配的资源这三个变量进行二进制矩阵列编码，得到的每个矩阵表示一条染色体i，初始化由i条染色体构成的种群集合；

9、步骤4.2：根据适应度函数计算每条染色体的适应度值；

10、步骤4.3：判断种群是否达到遗传终止条件，若是，则输出最优解；若否，则根据选择策略对种群中的染色体进行随机配对选择，选择出产生下一代的染色体；

11、步骤4.4：按照改进的自适应交叉概率对两个配对的染色体进行交叉操作，该改进的自适应交叉概率的计算公式为：

12、

13、其中，为设定的最大交叉概率，为设定的最小交叉概率，fmax为当前种群中适应度值最高的染色体，f′为待交叉两个染色体的最大适应度值，favg为当前种群的平均适应度值；

14、步骤4.5：按照改进的自适应突变概率对交叉操作后得到的新的染色体进行突变操作，该改进的自适应突变概率的计算公式为：

15、

16、其中，为设定的最大突变概率，为设定的最小突变概率，f为待突变染色体的适应度值；

17、步骤4.6：生成新种群后返回步骤4.2。

18、本发明以城市道路交通网为应用场景，建立了联合任务卸载决策、通信资源和边缘服务器计算资源的优化方法，该方法采用改进的遗传优化算法来解决任务卸载与资源分配问题。本发明的有益效果：

19、考虑一个基站和多个单向直行车辆的场景，车辆产生的任务可部分上传至边缘服务器进行处理，在该场景下，本发明提供一种基于改进遗传算法的车联网边缘计算卸载决策与资源分配的优化方法，该方法提出通信模型和部分卸载模型，设计最小化任务处理时间优化问题。在无线传输资源和边缘服务器计算资源受限的情况下，通过改进遗传算法联合求解任务卸载比例、信道带宽以及边缘服务器计算资源的分配，有效降低车载任务完成时间；改进遗传算法通过优化交叉和变异过程，在保留最优解集方面表现出色，不仅提升了算法在广泛搜索空间中的探索能力，还显著降低了算法陷入局部最优而无法跳出的风险。

技术特征：

1.一种车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，在步骤1中，假设每辆车都有一个计算任务am＝{fm，dm，lm}，其中m∈(1，2，3...m)，fm表示车辆的本地计算资源，dm表示待处理任务的大小，m表示车辆用户总数，在描述处理大小为1byte的任务所需cpu周期数时，定义lm为该任务对应的时间成本，其值为处理单个字节任务所耗费的cpu周期数；车辆通过频分多址向边缘服务器上传卸载任务，任务am的上行任务数据速率为：

3.根据权利要求2所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，信噪比snr的取值范围为[5，25]db。

4.根据权利要求2或3所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，在步骤2中，将任务am按任务卸载比例pm卸载至基站，剩余比例(1-pm)的计算任务留在本地处理，计算得到任务am的上行时间为：

5.根据权利要求2或3所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，建立的边缘服务器系统总开销优化函数模型的公式为：

6.根据权利要求5所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，适应度函数的公式为：

7.根据权利要求2或3所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，步骤4.1中编码后得到的矩阵大小为15m×3m。

8.根据权利要求2或3所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，步骤4.3中的选择策略采用轮盘赌算法。

9.根据权利要求1或2所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，在步骤4.4中，采用单点交叉策略对染色体序列进行重组，具体步骤包括：

10.根据权利要求2或3所述的车联网边缘计算卸载决策与资源分配的优化方法，其特征在于，遗传终止条件为种群中最高适应度值与种群平均适应度值的差值小于设定的界限值，或者遗传终止条件为算法当前的迭代次数达到预设的最大迭代次数。

技术总结
本发明涉及一种车联网边缘计算卸载决策与资源分配的优化方法，属于车联网边缘计算技术领域。本发明在车辆产生的任务可部分上传至边缘服务器进行处理的场景下，建立车辆与边缘服务器的通信模型、车辆的任务卸载模型，并联合任务卸载比例、信道带宽和边缘服务器为处理卸载任务分配的资源，以最小化系统总完成时间为目标，建立系统总开销优化函数模型，在无线传输资源和计算资源受限的情况下，利用改进的遗传算法对优化函数模型进行求解，获得任务卸载比例、信道带宽以及资源分配的最优解，有效降低车载任务完成时间，同时在保留最优解集方面表现出色，不仅提升了算法在广泛搜索空间中的探索能力，还显著降低了算法陷入局部最优而无法跳出的风险。

技术研发人员：彭雪飞,刘奥辉
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/11/28