[发明专利]一种基于最优资源分配量和搜索算法的计算卸载方法

权利要求书

1.一种基于最优资源分配量和搜索算法的计算卸载方法，其特征在于，实现步骤如下：

(1)获取周围距离最近的固定数量个边缘服务器的资源占用状态与任务N信息，包括任务数据量d_n，计算任务所需CPU周期数c_n，任务到来时间t_n与m个边缘服务器剩余资源量F^left＝(f₁，f₂，...f_m)；

(2)将计算任务所需CPU周期数c_n，任务到来时间t_n与m个边缘服务器剩余资源量F^left作为资源分配网络的输入，通过深度强化学习算法获得当前环境下的最优资源分配量作为输出，奖励函数目标为优化负载均衡；

(3)获取用户状态信息与基站信道状态信息，包括用户剩余计算资源用户能量传输效率用户数据发送功率与各个基站信道占用情况channel；

(4)融合任务信息、最优资源分配量、用户状态信息、基站信道状态信息作为新的状态输入卸载决策网络，通过遗传算法，优化函数平衡时延与能耗，搜索最优卸载决策，最终输出卸载决策，基站及信道选择决策与最终使用的边缘服务器的资源分配量，实现任务的计算卸载。

2.根据权利要求1所述的基于最优资源分配量和搜索算法的计算卸载方法，其特征在于：所述步骤(2)具体实现如下：

将资源分配任务化为马尔可夫决策过程，其MDP状态为：

x_n＝(task_n，edge environment)

其中task_n为第N个任务的数据量与计算所需CPU周期数，边缘服务器状态为边缘服务器剩余计算资源；不考虑用户与基站的状态信息直接假设将任务卸载到各个边缘服务器，因此输入不含有用户与基站的状态信息，通过如下奖励函数：

Cost_n1＝I^ρρ_n+I^cc_n/f_n+I^bb_n+I^finish+I^fail

其中ρ_n为当前时间条件下的任务密度，c_n为计算任务所需CPU周期数，f_n为边缘服务器所分配的计算资源，b_n为负载均衡，即各边缘服务器之间占用资源的均衡程度，I^ρ，I^c，I^b均为所设权重，平衡各优化目标间优化份额，I^finish与I^fail表示任务完成与失败时的固定奖励与惩罚，任务失败时奖励函数前四项为0；

任务密度的表示依靠系统模型中通过改变环境的参数创造符合实际的仿真环境，以一天为一个周期，单用户需求处理的任务恒定为N个，分布符合两个正态分布取均值，其中上午A时刻与下午B时刻分别为高峰期，任务密度据此表示为：

负载均衡的表示依靠用户周围固定数量边缘服务器系统整体的熵值的计算，通过方差表示：

其中n表示第n个任务，m表示第m个边缘服务器，F表示任务未卸载时边缘服务器占用的计算资源，F‘表示任务卸载后边缘服务器占用的计算资源。

3.根据权利要求1所述的基于最优资源分配量和搜索算法的计算卸载方法，其特征在于：所述步骤(3)具体实现如下：用户的状态信息基于系统模型随机生成，而基站信道的状态信息倚靠任务密度进行改变，通过调整被占用频带的数量显示网络状态的拥挤程度，表示如下：

其中K∈[0，1]表示通信网络的最大拥挤程度，MBS表示宏基站个数，SBS表示微基站个数，Y表示各基站所含有的相同频带数。

4.根据权利要求1所述的基于最优资源分配量和搜索算法的计算卸载方法，其特征在于：所述步骤(4)具体实现如下：将任务信息、最优资源分配量与用户状态信息、基站信道状态信息融合作为输入，此时原来的组合优化问题变为在当前最优资源分配量的条件下，选择最优卸载决策与选择最优基站及信道，而所有的可选卸载决策已经固定，只需要使用搜素算法寻找优化最优解即可；因此，在解决卸载决策问题时并非采用训练好的资源分配模型而是选择最优搜索，无需实时更新模型，便保证了实时性；

优化函数为：

Cost_n2＝I^tt_n+I^ee_n+I^finish+I^fail

其中，t_n表示所用时延，e_n表示所耗能量，I^t，I^e均为所设权重，平衡各优化目标间优化份额，I^finish与I^fail表示任务完成与失败时的固定奖励与惩罚，任务失败时优化函数前三项为0；

至此，搜索到最优卸载决策后，完成任务的计算卸载。