[发明专利]一种基于改进粒子群算法的雾计算任务卸载时延优化方法

权利要求书

1.一种基于改进粒子群算法的雾计算任务卸载时延优化方法，雾计算系统包括任务卸载的终端节点和接受任务处理的雾节点，一个终端节点会将任务卸载给多个进行任务处理的雾节点，其特征在于，所述方法包括以下步骤：

(1)初始化系统参数，包括信噪比阈值、雾节点数量、任务总量、雾节点CPU周期和频率以及计算能力系数，发射功率阈值，发射总功率，信道带宽，噪声功率，路径损耗因子，以及终端节点与雾节点的距离；

(2)随机产生一个规模为P行N列大小的二维数组作为初始种群，并限定初始种群中每个粒子的位置和速度；其中P为种群中粒子个数，N为雾节点数量；

(3)以最小化系统的卸载时延为目标，以每个粒子对应的卸载时延数值，作为粒子群算法的适应度函数值；

(4)计算每个粒子的个体最优值和整个群体的全局最优值；对每个粒子j，用它的适应度函数值fit(j)和个体最优值p_best(j)比较，如果fit(j)p_best(j),则用fit(j)替换p_best(j)；此外，用每个粒子的适应度函数值fit(j)和全局最优值g_best比较，如果fit(j)g_best，则用fit(j)替换g_best；

(5)对粒子的速度、位置进行进化，并进行边界条件处理；

(6)重复进化过程直到满足迭代终止条件，得到不同迭代次数下的雾计算任务卸载的最佳卸载时延。

2.根据权利要求1所述的一种基于改进粒子群算法的雾计算任务卸载时延优化方法，其特征在于，所述步骤(3)中卸载时延d的计算公式为：

其中，M为任务总量，C_P为终端节点计算速率，F_i为第i个雾节点的最优等效计算能力。

3.根据权利要求2所述的一种基于改进粒子群算法的雾计算任务卸载时延优化方法，其特征在于，第i个雾节点的最优等效计算能力F_i的计算公式为：

其中，δ_i为第i个雾节点的CPU周期，f_i为第i个雾节点的CPU频率，λ_i为第i个雾节点的计算能力系数，r_i为终端节点与第i个雾节点间的信道容量，其计算公式为：

其中，B为无线链路信道带宽，SNR_i为终端节点向第i个雾节点传输数据的信噪比，α表示路径损耗因子，D_i代表终端节点与第i个雾节点的距离，N₀是噪声功率，p_i为终端节点向第i个雾节点传输数据的发射功率。

4.根据权利要求3所述的一种基于改进粒子群算法的雾计算任务卸载时延优化方法，其特征在于，终端节点传输数据的发射功率和信噪比，满足以下约束：

0＜p_i≤p_th

SNR_i≥SNR_th

其中，p_th为终端节点向雾节点传输数据的发射功率阈值，p_max为终端节点发射总功率阈值，SNR_th表示终端节点传输数据的信噪比阈值。

5.根据权利要求1所述的一种基于改进粒子群算法的雾计算任务卸载时延优化方法，其特征在于，所述步骤(5)中采用改进的压缩因子对粒子的速度进行进化，速度更新表达式为：

v_id(t+1)＝λ·v_id(t)+c₁r₁(t)[p_best(t)-x_id(t)]+c₂r₂(t)[g_best(t)-x_id(t)]

其中，c₁和c₂为学习因子；t标记迭代次数；r₁(t)和r₂(t)为[0～1]范围内的均匀随机数；v_id(t)和x_id(t)分别为粒子的速度和位置；p_best(t)为个体最优值，表示粒子迄今为止搜索到的最优位置；g_best(t)为全局最优值，表示整个粒子群迄今为止搜索到的最优位置；λ为压缩因子，其表达式为：

其中，