CN114567933B 基于改进遗传算法的异构云雾协同网络中的资源分配方法 （南京邮电大学）

基于改进遗传算法的异构云雾协同网络中本发明公开基于改进遗传算法的异构云雾终端设备将计算任务迁移所需的上行链路的传明在雾端收集终端设备所需完成计算任务的数2基于构建的异构网络计算迁移问题模型，获得最优的终端1,-M,...-1,0,1,...,M,MneN,N＝{1,2,…,N}表示终端设备的集合，终端设备的任务卸载策略表示为A=fa,=ilies,neN},an＝0表示终端设备n选择在本地处理计算任务；a,=m,meM表示终端设备n选择通过第m个SBSs将计算任务卸载至雾端；a,=-m,meM表示终端设备n务卸载至雾端；an＝-M-1表示终端设备n选nf表示终端设备所分配到的用于完成计算任务的计表示终端设备n在云端完成计算任务的功率，p,"表示终端设备n在本地完成计算任3C3中，表示终端设备n通过SBSs将计算任务中继至MBS处后再迁移至云端所获得的C4中，表示终端设备n通过SBSs将计算任务中继至MBS处再迁移至雾端所获得的计表示完成终端设备的所有计算任务所需的最小计算资源，表示终端设备完成所有计算在本地完成计算任务所能接受的最大时延，表示终端设备n将计算任务迁移至云端处理2.根据权利要求1所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，4表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，τ表示单位数据从MBS到云端的传输时间延迟，ura表示终端设备n直接通过MBS将计算任em表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，e;表示扫描可用基站时消耗的能量，表示终端设备n的上行链路传输速率Jm表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，表示终端设备n向MBS传输计算任务时的总功率，r:"表示终端设表示终端设备n通过子信道k向第m个基站传输计算任务的功率5en表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的能耗，表示终端设备n直接通过MBS将计算任务迁移至雾端产生的能耗，表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，表示终端设备n向MBS传输计算任务时的总功率，;""表示终端设备n直接通过MBS将计算任务迁移至雾端时的上行3.根据权利要求2所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，任务中继至MBS处再迁移至云端产生的时延，ua表示终端设备n直接通过MBS将计算任务任务中继至MBS处再迁移至雾端产生的时延，tra表示终端设备n直接通过4.根据权利要求3所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，6ob表示异构网络计算迁移问题模型的目标函数，γ表示预先设定的惩罚程度的5.根据权利要求4所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，6.根据权利要求5所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，OS:(n)表示当前父辈染色体a的染色体OS(n)，RA;(n)表示当前父辈染色体a的染色体Os;n)表示当前父辈染色体b的染色体OS(n),表示当前父辈染色体b的染色体os;"n)表示交叉后新生成的子代染色体a的染色体OS(n)，R;"(n)表示交叉后新生成的子代染色体a的染色体RA(n)，表示交叉后新生成的子代染色体a的染色体FAos;"(n)表示交叉后新生成的子代染色体b的染色体OS(n),R;"(n)表示交叉后新生成77.根据权利要求6所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，RA和FA部分采用非均匀变异，随机扰动被选择的个体的基因8.根据权利要求7所述的基于改进遗传算法的异构云雾协同网络中的资源分配方法，将自适应交叉概率Pc和自适应变异概率Pm均分别与当前种群的适应度函min8进行高斯扰动并增大变异概率Pm使当前变异概率Pm变为2Pm，迫使搜索跳出局部最优解，9构云雾协同网络中的资源分配方法，本发明在雾端收集终端设备所需完成计算任务的数ospinsn",neN{-M-1,-M,...-1,0,1,...,M,M+1n[0024]C6中，每个终端设备含有一个计算任务M,=D,,C,,",Dn表示该计算任务的大[0025]表示终端设备n将计算任务迁移至雾端处理所能接受的最大时延，表示终端[0034]表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的[0036]表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的"表示终端设备n的上行链路传输速率，rin表表示终端设备n向MBS传输计算任务时的总功率，r"表示终端设备n直接通过MBS将计算任K}个子信道，每个子信道最多只能分配给一个终端设备使用；ωm表示第m个基站的信道带[0039]表示终端设备n通过子信道k向第m个基站传输计算任务的功率，g,"表示终端[0049]en表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的b表示单个计算任务的回程传输时延；终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，piw表示终端设备n向MBS传输计算任务时的总功率，表示终端设备n直接通过MBS将计算任务迁移至雾端时计算任务中继至MBS处再迁移至云端产生的时延，un表示终端设备n直接通过M计算任务中继至MBS处再迁移至雾端产生的时[0089]Os"(n)表示当前父辈染色体a的染色体OS(n)，表示当前父辈染色体a的染[0090]Os;(n)表示当前父辈染色体b的染色体OS(n),表示当前父辈染色体b的染[0091]os;"n表示交叉后新生成的子代染色体a的染色体OS(n)，R;"n)表示交叉后[0092]Os;"n)表示交叉后新生成的子代染色体b的染色体OS(n),表示交叉后[0113]依据适应度标准差公式计算当前种群的个体适应度标准差σ,适应度标准差公式种群进行高斯扰动并增大变异概率Pm使当前变异概率Pm变为2Pm，迫使搜索跳出局部最优算量以及完成任务所能接受的最大时延这三个参数，通过改进遗传算法(IGA)实现对终端协同计算的资源分配方案，解决了异构网络中雾计算和云计算共存协同的资源分配问题，[0122]本发明提出了一种遗传算法的参数自适应改进方法，提[0129]图1为本发明建立的一个由云计算、雾计算和物联网组建的三层体系异构网络模传算法无法解决复杂约束函数的问题，引入了罚函数来反映解对于约束条件的偏离程度，终端设备n都含有一个计算任务W,=(D,,ci,"},Dn表示该计算任务的大小(单位为表示完成终端设备n完成计算任务所需的计算资源，表示终端设备n完成计算任务所能∈M1表示终端设备n选择通过第m个SBSs将计算任务卸载至雾端，an＝-m,m∈M1表示终端设备n选择通过第m个SBSs将计算任务卸载至云端，an＝M+1表示终端设备n选择通过MBS将计终端设备将计算任务迁移时产生的时延和能耗。当终端设备n将自身的计算任务卸载到雾站之间的信道增益，表示终端设备n通过子信道k向第m个基站传输计算任务的功率，表示相同子信道上其他基站对使用第m个基站的终端设备n的干扰，n’[0150]其中：表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的时延，表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端产生的能耗，e;表示扫描可用基站时消耗的能量，表示终端设备n在空闲状态下的维护功率。ri.n表示终端设备n的总传输功率，表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至雾端获得的计算资源，tb表示单个计算任务的回程传输时延。表示直接通过MBS将计算任务迁移至雾端产生的时延设备n直接通过MBS将计算任务迁移至雾端产生的能耗；表示终端设备n直接通过MBS将计算任务迁移至雾端获得的计算资源，r"表示终端设备n直接通过MBS将计算任务迁移[0160]其中，表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的时延，表示终端设备n通过第m个SBSs将计算任务中继至MBS处再迁移至云端产生的能耗，其中τ表示单位数据从MBS到云端的传输时间延迟，表示终端设备n通过第m个SBSs将计算任务中继至MBS处再任务迁移至云端产生的时延，表示终端设备n直接通osri.ns",neN为-m,m∈M1表示终端设备n选择通过选择通过第m个SBSs将计算任务卸载到云端，值为M+1汰另一部分染色体。而决定染色体被选择还是被淘汰的标准则是每个染色体的适应度值。根据每个个体的适应度函数值选择优良个体遗[0205]引入现有技术中的罚函数penaly(n,g)来衡量约束并表示公式十一中的不等式约束，罚函数如下：例如，为了满足约束C4，罚函数penaly(n,g)中应该包括[0218]Os:(n)表示当前父辈染色体a的染色体OS(n)，表示当前父辈染色体a的染[0219]OS"(n)表示当前父辈染色体b的染色体OS(n),RA;(n)表示当前父辈染色体b的染[0220]os;"n)表示交叉后新生成的子代染色体a的染色体OS(n)，R;"n)表示交叉后[0221]Os;"n)表示交叉后新生成的子代染色体b的染色体OS(n),R"(n)表示交叉后非均匀分布的一个随机数，y代表或变异点xg(n)的取值范围为2概率Pm均与当前种群g(t)的适应度函数值种群进行高斯扰动并增大变异概率Pm使当前变异概率Pm变为2Pm，迫使搜索跳出局部最优现在流程图一个流程或