基于混沌差分进化算法的车联网计算卸载研究_陈若涵.pdf

北大中文核心期刊国外电子测量技术 ：基于混沌差分进化算法的车联网计算卸载研究陈若涵孙晔孙洁（华北理工大学电气工程学院 唐山 ；中国信息通信研究院 北京 ）摘要：随着车联网（，）的不断发展，有限的车载终端已无法支持延迟敏感和计算密集型的车联网计算服务。移动边缘计算（，）通过在用户侧提供计算卸载服务，可实现车载任务的实时化处理并降低车载终端能耗。为了提高车联网计算中对有限资源的利用率，提出一种联合时间延迟与计算耗能的计算卸载模型，并采用差分进化算法（，）进行计算。应用混沌映射与自适应参数对 进一步优化，从而提高计算效率以应对 高延迟敏感度的要求。最后进行实验仿真，仿真结果验证所提计算卸载策略的有效性。关键词：计算卸载；车联网；边缘计算；差分进化算法中图分类号：文献标识码：国家标准学科分类代码：（，；（），）：（），（），（），：；收稿日期：基金项目：河北省自然科学基金项目（）资助引言随着车辆存有量的迅速增加，城市地区的交通事故发生率迅速上升。为了改善城市的交通状况，确保驾驶安全，车联网（，）技术正在日益成熟。在 框架中为确保车辆通信，工业和学术领域对一种新型的车载通信技术（，）进行了深入的探讨与研究。随着长期演进技术的不断发展，技术为实现控制大规模延时的数据提供了可能性。在技术方面，在通信结构上可以划分为种结构包括车对车通信、车辆对行人通信、车辆对基础设施通信和车辆对网络。车辆、人员和基础设施收集有关周围环境的信息，并与附近的其他信息收集者进行交换。在 为框架的车联网系统中，需要进行大量的计算任务，但是车辆上的处理单元与存储单元，因为受限于物理资源有限，此时，需要利用车联网的通信技术将任务传输到具有丰富计算资源的其他基础设施（如公有云），这是实现智能驾驶的重要环节。为了达到高效率需求，需要国外电子测量技术北大中文核心期刊采用计算卸载技术，将车辆的计算任务传输到目标车辆，再由目标车辆借助车联网网络将计算任务卸载到边缘服务器（，），由 划分计算卸载。计算卸载是车联网提高运算能力的一条有效途径。等提出了一种优秀的方法来解决为工作流应用卸载解决方案的挑战。等提出了一种以延迟与耗能为约束，基于改进遗传算法的系统资源分配策略。等提出 了 一 种 基 于 深 度 强 化 学 习（，）的方法，应对工业物联网计算卸载场景下的长期系统能耗问题。张建军等设计了一种多移动边缘计算（，）服务器的联合卸载方案，针对任务的紧急性和服务器负载情况进行优化。提出了一种在集中密集型计算情况下，联合相应的时间延迟，任务耗时和能量消耗多目标的联合最优化的卸载方案。等 设计了一种基于改进的强度帕累托进化的端边云协同计算卸载方法，用于针对多异构边缘服务的场景。等 考虑到被卸载任务的紧急性，提出了一种实时卸载策略，以保证任务的高效处理。等 关注联合计算中的最小耗能问题，并应用遗传算法求取最优解。等 提出一种车联网方面的有前景的预测卸载网络模式。周浩等 利用改进蚁群优化算法针对单边边缘计算研究，得到时延优化的计算卸载策略。王瑶等 将联合卸载和迁移问题建模为一个多领导者多跟随者的 博弈并求解，从而更好的保证服务质量。综上，当下 的计算卸载的研究主要以时延和能耗为优化目标，通过资源分配、任务 调度和人工智能等技术，实现高效、低开销、鲁棒的 协同服务。而大部分研究，并未考虑在 条件下，针对 的延迟敏感度高需求，本文综合耗能与延时联合优化进行模型建立，并考虑应用改进差分算法，提高计算效率，以达到 高延迟敏感度的要求。针对于 框架下的车辆对网络部分进行重点研究，提出的计算卸载模型关注于延时与耗能两个目标，并应用 归 一 化 对 模 型 进 行 优 化。然 后 应 用 差 分 进 化（，）算法对模型进行求解，再根据 算法现有的性能表现进行优化。模型建立与问题分析建立了一个云边缘计算中的 系统模型，并将 的卸载问题表述为一个多目标优化问题。系统模型在 系统（图）中，考虑了在交通密集区域与辆智能车辆的场景，假设特定区域路边有多个 ，分布在道路上，内包含多个虚拟机来处理计算卸载。辆车辆沿道路行驶，假设每个车辆都有一个计算任务，按照任务数据大小记为，。需要卸载到边缘服务器 进行处理，因此，有个计算任务，按照完成计算所需计算周期记录，记为，。假设 上一个虚拟机同时只能被一个计算任务占用，一个计算任务可以占用多个 中的多个虚拟机。因此，车辆将计算任务卸载到 上，再通过 中的虚拟机处理任务，最后服务器控制计算数据的接收或返回计算数据。设为卸载策略，记为，。取值，若，意味着完全采取车辆本地计算方式进行计 算，表 示 进 行 全 部 卸 载 到 线 上 处 理。若，意味着采取部分卸载的方式卸载到 上进行计算。本文考虑了边缘服务器的计算资源容量。计算卸载模型是对边缘服务的时间延迟、能源消耗进行联合优化，需要计算来卸载车辆的计算任务。图 系统模型）车载计算模型对于在车载计算任务的情况，本节中给出对应的车载计算模型。让作为本地执行时间，其 中 只包 括 车 载 的处理时间，作为处理任务的相应能耗。表示为车载计算设备由于其硬件而产生的最大 周期频率。表示为根据移动设备的运行时情况可用的当前 周期。当移动设备在车载处理其任务时，时间延迟可以定义为：（）能源消耗可以表示为：（）（）式中：表示是由芯片结构决定的有效切换电容，本文将设置为 。）边缘计算模型假设通信是通过无线信道进行，因此应考虑通信速率。被定义为无线信道的带宽，假设它是这样的如果多个设备选择同时卸载任务，则将被平均分配给移动设备。在此设置下，是分配给移动设备的无线信道带宽。移动设备的通信速率可以记为：北大中文核心期刊国外电子测量技术 （）（）式中：表示移动设备的传输功率；表示移动设备的信道增益；表示背景信道噪声。在这种情况下，延时可以分为传输时间和处理时间两部分。是用来表示传输时间的，定义为：（）设边缘服务器的全部计算资源可以表示为，表示分配给移动设备以完成其在边缘服务器上的任务的 周期频率。表示在边缘服务器上对来自移动设备的任务所需的处理时间。定义为：（）由于计算结果发送回移动设备的时间的数据远小于处理时间，因此将计算结果发送回移动设备的时间将被忽略。移动设备通过边缘服务器完全完成其任务的总时间为：（）相应的边缘总耗能可定义为：（）式中：是通过无线网络接入点从移动设备传输数据所需的功率；而是移动车载单元待机时的功率。归一化问题公式归一化问题中，假设包含了个车辆单元。此外，每个设备都有不同大小的任务，这意味着每个车辆的工作负载都是不同的。决策集是由计算复杂度大小和数据大小来计算决定的，该模型应考虑时滞、能源消耗。但是，这两个目标描述了不同的度量标准，并且不能简单地添加它们来形成最终的目标函数。否则，它可能会造成问题。例如数量上的差异可能会使目标函数只专注于一个特定的目标。为了解决上述问题，对模型进行了归一化处理。总延迟为：（）（）式中：表示在移动设备集中计算的最小时延；表示在移动设备集中计算的最大时延。总能耗可计算为：（）（）式中：表示在移动设备集中计算的最小能耗；表示在移动设备集中计算的最大能耗。改进后的计算方法消除了维度的影响，使目标函数在调整决策时更容易反映结果的变化。因此，目标函数可以表示如下：（）（）（）以作为系数，这个系数用于调整两个目标之间的关系，这可以看作是最终公式中目标的权重。将时间延迟目标视为系数为的基准，对另外一个目标的系数进行调整，就实现了两个目标的权重考虑。要解决的优化问题：，（）优化问题有延时、能耗和两个目标。最优问题的目标是在有限的条件下达到 函数的最小值。解决方案 差分进化算法 算法是一种启发式方法，在解决复杂的优化问题上已经取得了优秀的结果。算法的潜力在于其简单的结构，易于使用、收敛性、解的高质量和鲁棒性。类似于有相似算子的遗传算法，算法存在交叉、变异和选择。与遗传算法的主要区别就是遗传算法依赖于交叉操作，而 算法依赖于变异操作。该算法在执行全局搜索方面更有效，并且更容易跳出被困在局部极大值中。然而，算法的收敛性在很大程度上依赖于随机过程的行为，表现在其初始种群生成、交叉和突变过程中。该算法利用变异操作作为搜索机制，利用选择操作将搜索指向搜索空间中的目标区域。算法还使用了一种非均匀交叉，这种交叉可以从一个父节点获取子向量参数，而不是从其他父节点获取。重组算子利用现有种群成员的分量构造试验向量，有效地洗牌成功组合的信息，以寻找更好的解空间。算法为输入适应度函数（）、种群大小、突变率（）和交叉率（）的原始 代码。混沌映射的差分进化算法）种群初始化映射原始的 算法存在早熟收敛、控制参数难以选择等缺陷为了，提高计算效率。为此，将 混沌映射引入到 算法中。针对传统 映射遍历不均匀和影响算法的寻优速度的缺陷，文献 指出 映射比 映射具有更好的遍历均匀性。映射的数学表达式为：，（），（），国外电子测量技术北大中文核心期刊算法：原始 的伪代码输入：、初始化种群（）种群随机选取，的值评估适应度函数 ：（；（）；）变异操作生成，交叉操作生成新种群对新种群评估适应度函数 选择操作确定新种群新的种群 ：具有最佳适合度函数的个体采用 映射产生初始种群，既不改变初始化时所具有的随机性本质，又能保持初始种群的多样性，步骤如下。（）随机生成介于之间的随机初始数列，。（）根据式（）生成混沌序列，组成混沌矩阵（，），其中是种族大小，为变量维数。（）再将混沌矩阵按照式（）映射到变量取值范围，得到初始种群。（）（）自适应调参 映射迭代序列中存在小周期、不稳周期点等缺陷。为了克服这些缺点采取自适应参数的办法如下：，（）开始的时候变异算子为，在初期可以保持多样性，防止早熟。随着进展，变异算子降低最后变为，避免最优解遭到破坏 （，）（）交叉算子的均值就在 ，既有一定随机性，又保持了群体多样性。实验结果与分析将基于上述系统模型与提出的算法进行数值模拟实验。算法是在 中编写的，所有的测试都是在 操作系统和 内存的 上执行的。仿真参数如表所示，为 模型中参数取值，即、等，还有一些控制差分进化算法仿真的参数，如 、。仿真中，假设在服务中心区域处，存在一些车载移动设备与边缘服务器，移动设备的数量为可任意调节。每算法：改进的 的伪代码输入：、初始化种群：种群随机选取，间的值混沌映射初始化评估适应度函数 ：（；（）；）自适应变异操作生成，自适应交叉操作生成新种群对新种群评估适应度函数 选择操作确定新种群新的种群 ：具有最佳适合度函数的个体表仿真参数仿真参数取值移动设备计算能力（）移动设备待机功率 移动设备发射功率 移动设备接收功率 边缘设备计算能力（）信道带宽 高斯白噪声功率 突变率 交叉率 权重系数 个移动设备都分发随机数据。至于每个移动设备，它有自己的任务需要计 算，并 且 任 务 的数 据 大 小 和所 需 的 周期是随机生成的，将数据取值的范围设置为（，）和（，）。在这个设置下，进行一些实验来评估 算法。改进 算法的目的是为了提高计算效率以达到符合 高延时敏感的需求。本次问题由多目标问题转化为单一目标问题，并且是应用 算法进行改进，主要从收敛性这个方面考虑其优化。实验评判标准 作为一种改进方法，是在 基础上进行改进。所以需要与传统 进行比较，以验证改进后的方法是否有效。此外，还 选 取 改 进差 分 算 法 和粒子群算法（）作为比较方法，进行综合分析。北大中文核心期刊国外电子测量技术在不同设备数量设置的情况下，得到的 函数值没有可比性，因为引入更多的设备就意味着引入更多的数据，这可能会导致函数中某些值变大，反而导致归一化结果变小。最终，选择了以下指标来评价这些方法的性能。）函数也就是目标函数的值，这也是算法的最终目标，函数的值越低，证明该方法就越好；）执行时间，因为要提升计算效率，计算时间也是考量指标；）研究方向就是收敛曲线，因为改进的 主要就是在收敛速度上进行改进，这也是重点比较的方面。算法可靠性为了 更 好 的 验 证 改 进 的 算 法 在 收 敛 是否存在优势，将 迭 代 次 数 设 置 为 次。进 行 次仿真实验，如表和图所示，在设备数量为 的情况