原文传递
车联网中基于优先级的任务卸载和资源分配联合优化方法研究
| 论文题名： | 车联网中基于优先级的任务卸载和资源分配联合优化方法研究 |
| 关键词： | 移动边缘计算;任务卸载;资源分配;灰狼算法;粒子群算法;车联网 |
| 摘要： | 近年来，随着经济的高速发展，机动车数量呈直线上升趋势，产生的数据和计算任务也呈指数增加，使得车辆利用自身的有限资源在本地CPU上执行密集型和敏感型的任务具有挑战性。移动边缘计算（MobileEdgeComputation,MEC）网络应运而生，它将服务器部署在靠近用户车辆的路边基础单元上以减少时间延迟与能量的损耗。在车辆边缘计算网络（VehicleEdgeComputingNetworks,VECN）中，任务从用户车辆到路边基础单元上的转移过程被称为任务卸载。然而，边缘服务器的计算资源并不是无穷大的，那么，用户车辆如何选择卸载终端和边缘服务器如何分配资源使时间延迟和能耗最小化对移动边缘计算的研究至关重要。为此，本文将计算任务分为完整性和切割性两种状态，并分别在任务的不同状态下进行基于优先级的任务卸载和资源分配联合优化方法的研究。 本文构建了多用户车辆多MEC服务器的系统环境，分析了任务的执行方式，建立了本地计算模型与计算卸载模型，其中包含网络通信模型、时间计算模型和能量损耗模型。本文指出可以将任务作为单位“1”被完整地处理或者将任务进行切割，进行分开处理。在任务的完整和切割的两种状态下，利用上述模型实现时间延迟最小化和能量损耗最小化的模型构建，将两个优化目标根据任务的优先级进行线性加权构建成为适应度函数，以便于后续算法的求解。 首先，基于任务完整性提出了一种协同任务卸载和资源分配的联合优化方案（CollaborativeTaskOffloadingandResourceAllocation,CTOARA），并为CTOARA方案设计了一种改进的群智能优化算法（IVA-GWO算法）以实现最优解。IVA-GWO算法改进了传统的灰狼优化算法中的有效因子a的衰减方式，并提出根据自适应变异因子进行变异操作，择优选择后代个体，提高了算法的开发和探索能力。 其次，基于任务切割性提出了结合莱维飞行的改进粒子群算法（CWL-PSO算法）。具体而言，先采用混沌映射进行解的初始化，使候选解在解空间上分布均匀，再提出根据迭代次数动态调整惯性权重和学习因子来解决粒子在进化过程中搜索范围不变的现象，最后结合莱维飞行的优势进行速度矢量的更新，确保算法有极小的概率陷入局部极值的同时提高了算法的精度。 最后，为了验证算法的可行性，分别在任务的两种状态下进行了多组对比实验。仿真结果表明，在解决任务完整情况下的任务卸载和资源分配问题时，所提出的IVA-GWO算法的收敛性要优于其他的群体智能优化算法，并且CTOARA方案能更好地减少时间延迟和能耗。在解决任务切割情况下的任务卸载和资源分配问题时，所提出的CWL-PSO算法比其他算法有更好的收敛性和稳定性。 |
| 作者： | 王冶 |
| 专业： | 软件工程 |
| 导师： | 刘衍珩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
