技术摘要：
本发明涉及一种基于自适应遗传算法的任务卸载决策方法，属于移动边缘计算领域。通过针对单小区‑多用户MEC场景下的计算任务卸载，设计系统总开销优化函数，并提出卸载决策的优化问题。由于该类问题是非线性限制的0‑1规划问题，无法通过相应公式求解，但若使用枚举法求  全部
背景技术：
近年来，随着移动通信技术的发展和智能终端的普及，各种网络服务和应用不断 涌现，用户对网络服务质量、请求时延等网络性能的要求越来越高。尽管目前新型移动设备 的中央处理单元(CPU,central  processing  unit)的处理能力越来越强大，但仍有很大可 能在短时间内无法处理巨大的应用程序需求。此外，由移动设备依靠自身本地处理这些应 用任务也面临着另一个问题，即电池电量快速消耗所引起的续航时间缩短问题。这些问题 严重影响了应用程序在用户设备上的运行效率和用户体验。为了解决以上问题，欧洲电信 标准协会提出了移动边缘计算(Mobile  Edge  Computing ,MEC)技术，与传统云计算系统相 比，它提供了无线接入网络内的计算能力。作为MEC的关键技术之一，任务卸载是指移动设 备将计算密集型和延迟敏感型任务卸载到MEC服务器进行处理的技术，以解决移动设备在 存储、计算性能以及能效等方面存在的不足。 在单小区-多用户场景下部署的MEC系统中，由于MEC服务器的计算能力有一定的 限制，可能会限制所有用户都将计算任务卸载到MEC服务器上执行的可能性，因此需要设计 合适的卸载决策。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于自适应遗传算法的任务卸载决策方 法。降低用户在此过程中的总开销。假设用户需要执行一定的计算任务，MEC服务器及用户 设备本身均有一定的任务计算及处理能力，用户可以选择本地处理其自身的计算任务，也 可将计算任务卸载到MEC服务器上处理。通过将用户任务的处理时延和能量消耗的加权和 建模为优化目标，利用自适应遗传算法制定用户的任务卸载决策。 为达到上述目的，本发明提供如下技术方案： 一种基于自适应遗传算法的任务卸载决策方法，该方法包括以下步骤： 步骤一：单小区-多用户网络场景模型的构建； 步骤二：单小区-多用户网络场景任务卸载模型的构建； 构建单小区-多用户场景下的任务卸载模型，单小区-多用户场景下的任务卸载模 型包括通信模型、计算模型以及系统总开销优化函数模型； 步骤三：基于自适应遗传算法的任务卸载策略； 通过初始化种群和编码、适应度函数设计、基因选择、交叉、变异遗传操作，最后得 出最优的用户卸载决策。 可选的，所述单小区-多用户网络场景模型为宏基站BS小区下有K个移动用户，所 有移动用户的集合表示为 BS与MEC服务器共址部署并相连，MEC服务 5 CN 111585816 A 说　明　书 2/12 页 器利用其计算资源协助处理移动用户卸载的计算任务。 可选的，所述单小区-多用户网络场景任务卸载模型包括通信模型、计算模型以及 系统总开销优化函数模型： (1)通信模型的构建 假设用户采用正交的上行传输信道，用户在计算卸载过程中彼此之间不会产生同 频干扰；令Rk(pk)表示用户k以pk功率传输时的上行链路速率，表示为： 其中，Wk表示用户k对应的上行链路带宽，用户k可调节其上行传输功率为pk∈(0， pmax]， 表示系统上行链路总带宽，hk表示用户k到BS的上行链路功率增益， 表示BS对应于用户k的上行链路噪声功率； (2)计算模型的构建 用户k的计算任务使用一个三元参数组来表示： 其中bk表 示计算任务输入数据的大小，sk表示计算该任务所需的CPU周期数， 表示用户k所能容 忍的最大时延，即任务若在 时间内完成，则不会影响用户的体验质量QoE； 假设任务 不能再分，即任务仅能够被整体处理，或者其已 是最小任务单元；用户k通过监测应用配置获取任务输入数据大小bk及所需的计算资源信 息sk；根据具体需求，用户选择在本地进行计算任务处理，或将计算任务卸载到基站侧的 MEC服务器进行远端处理； ①当用户k选择本地执行任务时，令 表示用户k的本地计算能力，即CPU周期数； 表示本地执行任务完成时间，则有： 令 表示用户k本地执行任务所消耗的能量，表示为： 其中，能耗系数k值的大小取决于移动设备的芯片结构； 本地计算的开销包括本地设备执行此计算任务所对应产生的能量消耗和时延的 加权和，根据公式(26)(27)，表示为： 其中， 且 分别为用户k对任务能耗和时延的偏好权重 值；若用户k对任务完成时延要求高，则需增大 减小 即以增加能耗为代价来减小任务 完成的时延； 6 CN 111585816 A 说　明　书 3/12 页 ②当用户k选择将任务卸载到MEC服务器进行计算时，令 表示任务在对应于用 户远端的MEC服务器的处理时延，表示为： 其中， 和 分别表示任务的输入数据通过上行链路上传至MEC服务器以及 任务在MEC服务器处理所对应的时延，并且有： 其中， 务处理时延，记作 表示为： 为保证任务正常处理，在公式(31)中，令fk表示MEC服务器分配给卸载用户的计算 资源，假定fk≠0； 用户k卸载任务的远端处理能耗，记作 包含用户上传数据量所消耗的能量，忽 略等待任务处理和结果返回阶段的待机能耗，表示为： 其中，ζ是设备传输功率放大器的效率；当用户k选择将任务卸载到MEC服务器进行 处理时，其总开销包括任务上传至MEC服务器的能量消耗和任务在远端MEC服务器的执行时 延的加权和，根据公式(29)(30)(31)(32)，表示如下 ③系统总开销优化函数模型 令ak∈{0，1}表示用户k是否进行任务卸载的决策变量；当ak＝1时，用户k选择将任 务卸载到基站MEC服务器执行；否则，用户k选择本地处理任务；本发明的主要目标是最小化 用户在计算任务卸载过程中的总开销；在单小区-多用户的场景下，计算任务卸载的优化目 标函数表示： 其中，A＝{a1，a2，…，aK}表示K个用户的卸载决策集合；约束条件C1表明用户任务 仅能选择本地执行或者远端处理；约束条件C2表明由于系统带宽限制，假设各个用户上传 时分配的链路带宽Wk皆相等，则有 表示小区内仅同时允许 7 CN 111585816 A 说　明　书 4/12 页 不超过N个用户进行数据上传；约束条件C3表示用户的计算任务处理时的总时延要小于用 户所能容忍的最大时延。 可选的，所述基于自适应遗传算法的任务卸载策略包括：通过初始化种群和编码、 适应度函数设计、基因选择、交叉和变异，得出最优的用户卸载决策。 本发明的有益效果在于：针对单小区-多用户MEC场景，本发明建立了一个多用户 场景下的任务卸载模型，包括任务模型、通信模型以及计算模型。设计了系统总开销优化函 数，并提出了基于自适应遗传算法的任务卸载决策方案，最终通过迭代求解得到最优的卸 载决策。 本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并 且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可 以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和 获得。 附图说明 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优 选的详细描述，其中： 图1为网络场景图； 图2为单点交叉示意图； 图3为基本位变异示意图； 图4为基于自适应遗传算法的卸载决策流程图。