【高能效的随机混杂任务序列的执行调度优化设计案例5600字】

高能效的随机混杂任务序列的执行调度优化设计案例目录TOC\o"1-3"\h\u228621.1引言 [39]，且不会影响不等式两侧关系。接下来在不等式的两侧同时加上惩罚项，构建李亚普诺夫漂移-惩罚函数：∆其中V是一个非负的控制参数。V的取值与系统稳定性和期望优化的目标有关，可以通过控制V来改变优化目标的权重。由于等式右侧为左侧的上界，因此可以将其最小化可以实现优化目标。原目标函数公式(1.21)便可以转换为以下问题：min为了最小化目标，需要对计算资源进行分配。分别在三种执行模式下，获得最优的ft,P当任务在本地计算时，将si,m=1，siV=由于一个时隙内的Qit，Ait为定值，因此公式3.31的大小仅与VEi,m(t)−Qi当任务在远端云执行时，将si,m=0，siV=将公式（1.8）（1.9）（1.10）带入公式（1.32）可以得到关于Pi,r当任务在Cloudlet执行时，将si,m=0，siV=将公式（1.13）（1.14）（1.15）带入公式（1.33）可以得到关于Pi,c综上，分别求得三种模式下的最优工作频率与传输功率。表1.SEQ表3.\*ARABIC1任务调度决策步骤Fig1.1Taskschedulingdecisionsteps开始1队列初始化2fort=0toT−1do3令w4si,mt=1min5si,rtmin6si,ctmin7比较三种模式下的wt8更新队列10t=t+111end1.4仿真实验1.4.1仿真参数在仿真实验中，假设时隙数T=10，时隙长度τ=1s。移动设备中共8类任务，每一类任务可以在本地执行，也可以卸载到远端云或Cloudlet上远程执行，移动设备与两者之间的信道增益分别为服从参数λ1=4×10−5和λ2=5×10−5的泊松分布，带宽则分别为表1.SEQ表3.\*ARABIC2参数设置Tab1.2ParameterSetting参数设定值A110kbpT10τ1sL9500cycle/ℎitsP5~20wH4×H5×B125KbpsB145Kbpsf0.7~2GHzκ2.5×σ1.5×1.4.2仿真结果与分析在仿真中，将时间加权值设定为a=1.5。如图1.3所示，平均能耗在一开始随着V值的增加快速下降，且V值增加到一定大小后，平均能耗的下降趋于平缓；而从图1.4中则可以发现，平均等待时间即平均队列积压量先与V值呈线性增长，同样达到一定值后趋于缓慢增长。这两幅图说明了平均能量消耗与平均等待时间之间存在一个权衡,通过选择合适的V值可以使联合目标最优。图1.SEQ图3.\*ARABIC3平均能耗Fig1.3Averageenergyconsumption图1.SEQ图3.\*ARABIC4平均队列积压Fig1.4Averagequeuebacklog为了进一步了解本章算法的效果，引入以下三种情况作为对比。Cloudlet执行：所有的任务都卸载到Cloudlet进一步处理；本地执行：所有的任务都留在本地执行；远端云执行：所有任务都直接卸载到远端云进一步处理。图1.SEQ图3.\*ARABIC5不同方案下能耗比较Fig1.5Comparisonofaverageenergyconsumptionunderdifferentschemes图1.SEQ图3.\*ARABIC6不同方案下的队列积压比较Fig1.6Comparisonofaveragequeuebacklogunderdifferentschemes图1.5分别显示在5种不同的V值：800，2000，3200，4000，5600条件下，四种方案的能耗。可以看出两种卸载模式的能耗随着V值增加而降低，表明算法对移动设备计算资源的分配成功降低了能量消耗。而本地模式由于CPU频率限制已经达到可调节的极限，能耗几乎不变。其中，本章所使用的算法在能耗方面拥有最好的效果。图1.6显示了四种卸载方案在不同V值下队列积压的变化。随着V值的增加，除本地模式之外的三种模式的队列积压都随之增长，本章算法的队列积压在增长的同时保持最小。综上，可以发现根据本章算法进行调度决策可以在在减小移动设备能耗的同时保持较低的队列积压，即保持较好的时间性能。图1.SEQ图3.\*ARABIC7对比eTime算法的能耗Fig1.7Comparisonwithetimealgorithm图1.SEQ图3.\*ARABIC8对比eTime算法的队列积压Fig1.8Comparethequeuebacklogofetimealgorithm图1.7与图1.8分别将本章算法与文献REF_Ref70474644\r\h[20]中的eTime