邊緣計算計算卸載與資源分配聯合優(yōu)化算法

張?zhí)m勇 王夢琳

固定資產管理是企事業(yè)單位中一項非常嚴肅,政策性、原則性、技術性很強的后勤工作,它將把控資產信息、提高管理效率、降低支出成本作為管理目標,提升了企業(yè)的資產管理水平[1].早在2020 年,財政部發(fā)布了《關于加強行政事業(yè)單位固定資產管理的通知》,來加強事業(yè)單位的后勤資產管理水平.除此之外,我國在軍事后勤建設的投入逐年增加,后勤工作會議指出：加快建設現代軍事物流體系和軍隊現代資產管理體系[2].無論軍事還是民用,后勤資產管理建設都是現階段發(fā)展重點,必須探索出一條能夠推進后勤資產管理工作向現代化和智能化方向發(fā)展的道路,引領我國后勤資產管理實力邁向新臺階.

我國資產管理經歷手工記賬、二三維條碼的發(fā)展過程,形成了信息化管理系統.由于資產管理特殊性,現有系統普遍存在以下問題：精細化程度低、平臺功能有限；資產辨認與定位難、可視化程度低；編碼體系不統一、編碼覆蓋信息不全[3].因此,結合傳感定位、網格剖分、實時監(jiān)控等技術,建設統一后勤資產業(yè)務管理平臺,實現可以為全天候、全地域環(huán)境提供精細化保障的“可視化后勤”,是現代后勤建設的主要目標[4].

專家學者對相關技術開展研究來提升資產管理系統服務水平.LIN Y 完成了基于射頻識別的倉庫研究與實踐物流管理系統設計,針對倉儲管理中手工作業(yè)多、效率低的問題,設計了基于射頻識別（radio frequency identification,RFID）倉庫自動化解決方案,滿足大型倉儲企業(yè)需求[5].WANG T 等利用RFID 技術建立基于物聯網技術的固定資產管理平臺,實現合理高效使用和部署固定資產,優(yōu)化和簡化管理過程,確保得到可靠和完整的資產數據[6].LEE C 等提出了一種基于藍牙定位用于跟蹤資產的室內定位系統,實現一種經濟高效的資產管理解決方案[7].

應用北斗網格剖分技術解算資產位置構建統一定位編碼標準,基于RFID 系統、北斗定位系統、攝像頭等設備采集資產數據,利用軟件及數據庫技術實現具備實時監(jiān)控與資產可視化功能的先進資產管理系統.在后勤資產管理系統發(fā)展過程中,傳統系統構架直接將企業(yè)管理系統連接至后勤云計算中心,隨著接入硬件設備逐漸增多,大量原始數據未經過解算全部上傳至云端會占用更多的帶寬和服務器資源,給系統的運維帶來極大資源負擔,也不利于對資產環(huán)境視頻監(jiān)控畫面進行實時調取,在一定程度上影響用戶體驗,限制了后勤資產管理系統向現代化發(fā)展[8].

云計算、聯邦學習、邊緣計算等分布式計算技術被提出用于協調共享資源的使用,邊緣計算具有實時性高、計算能力強、帶寬高、安全性高等優(yōu)點,在眾多通信新技術中脫穎而出[9].在系統構架中引入邊緣層,能在數據源頭實現定位、RFID 標簽等原始數據的及時處理與響應,向云端直接傳輸解碼結果減少數據傳輸消耗.同時邊緣計算及多碼流處理技術的結合運用,也為實時視頻監(jiān)控需求提供了解決方案,能夠提高視頻圖像數據價值,降低帶寬與時延,提高處理效率.

邊緣計算技術核心是基于分布式邊緣服務器,在數據源頭提供具有網絡、計算、存儲等功能的服務器節(jié)點,完成被卸載的計算任務,經過資源分配等步驟將結果返回設備端[10].為了提升技術服務性能,本文針對邊緣計算服務模型中資源分配、計算卸載兩項業(yè)務開展研究,優(yōu)化調度模型、尋找更佳的控制策略來提供最優(yōu)服務.

相關專家也對邊緣計算計算卸載以及資源分配等問題開展相關研究,SONG H K 等研究了無線邊緣網絡中邊緣計算服務器部署和用戶卸載關聯的網絡,設計了一種改進遺傳算法來解決該問題,有效減少平均服務延遲[11].TANG C G 等提出了一個通用的支持緩存的車載邊緣計算方案,同時考慮任務緩存帶來的響應延遲和能耗,同其他算法相比具有優(yōu)勢性[12].XU F 等提出了兩階段計算卸載算法,能夠有效降低時延[13].黃冬晴等提出一種面向多用戶的聯合計算卸載和資源分配策略,利用拉格朗日乘子法獲得最佳計算資源分配,基于貪心算法獲得最佳卸載決策,不斷迭代降低系統成本[14].

目前許多專家對資產管理系統進行優(yōu)化,開展邊緣計算技術業(yè)務研究,但大都是針對單一目標進行優(yōu)化設計.也有不少專家對單一業(yè)務進行多目標優(yōu)化,例如針對卸載決策或資源分配問題進行時延能耗多目標優(yōu)化.隨著研究不斷深入,逐漸向多業(yè)務聯合優(yōu)化方向發(fā)展,也提出了計算卸載和資源分配聯合優(yōu)化的概念,通過不斷迭代兩個業(yè)務問題的求解獲得更優(yōu)解.由于聯合優(yōu)化計算過程復雜,現有論文一般采用復雜度較低的算法來求解卸載決策計算問題,例如文獻[14]采用貪心算法計算.因此,本文研究計算卸載和資源分配問題,基于數學推導解決計算資源分配問題,基于進化類算法計算卸載決策,迭代計算聯合優(yōu)化時延和能耗兩個目標,得到最優(yōu)控制策略.

1 系統模型與問題描述

1.1 系統模型

1.2 本地執(zhí)行模型

1.3 傳輸模型

由香農公式,移動用戶上行鏈路傳輸速率：

1.4 卸載至邊緣服務器執(zhí)行模型

若任務在邊緣端執(zhí)行,則計算時間由任務上傳、處理以及下載3 部分組成,由于任務處理后數據大小遠小于執(zhí)行前數據大小,且下行鏈路傳輸速率也遠高于上行鏈路傳輸速率,因此,忽略下載任務的時延和能耗,任務上傳時間為：

其中,Rie為移動用戶i 與邊緣服務器上行鏈路傳輸速率,任務處理時間為：

忽略邊緣設備在計算過程中消耗的能耗,將任務Mi卸載到邊緣服務器所需能耗為：

1.5 卸載至云端服務器的執(zhí)行模型

同理,若任務在云端執(zhí)行,忽略下載任務的時延和能耗,任務執(zhí)行時間僅由任務上傳與任務處理2部分組成,任務上傳時間為：

其中,Ric為移動用戶i 與云端服務器上行鏈路傳輸速率,任務處理時間為：

任務卸載到云端服務器后,由于云端計算資源充足,不考慮資源分配,忽略任務處理能耗,得到任務Mi卸載到云端服務器所需能耗為：

其中,Pec為云端服務器的上傳功率.

1.6 目標函數

由以上公式可知,移動用戶的任務執(zhí)行能耗和時延的期望為：

則遍歷所有終端設備,得到任務執(zhí)行總時間和設備消耗總能耗如下：

本文目標是探究任務執(zhí)行總時間和設備總能耗綜合最小的卸載策略,α 為權重因子,在（0,1）之間取值,反映了時延和能耗的重視程度,目標函數定義如下：

優(yōu)化目標建模為：

2 問題的分解與求解

本章將大問題分解得到上行功率分配、計算資源分配、卸載決策3 個子問題,針對前兩個問題進行求解與公式推導.

2.1 問題分解

由于通信與計算資源是連續(xù)變量,卸載決策是整數向量,該問題是一個混合整數非線性規(guī)劃的問題,屬于非確定性多項式問題研究范疇,將其改寫為：

由于卸載決策向量與資源分配變量完全解耦,進一步將該問題分解為上行鏈路通信和計算資源分配問題與最優(yōu)分配方式下的計算卸載問題,綜合計算兩個問題求解最小化系統開銷.

拆解出的資源分配問題可表示為：

設定了卸載方式,代入上式拆解整理可得：

上式中,Q 是不參與待優(yōu)化變量相關的常數項,式中第1 項為通信資源分配資問題,第2 項為計算資源分配子問題,可分別求解.

上行功率分配子問題為：

計算資源分配子問題為：

2.2 上行功率分配問題求解

將上行功率分配子問題改寫為：

2.3 計算資源分配問題求解

將計算資源分配子問題改寫成：

由于海森矩陣正定,因此,該問題是凸問題,采用卡羅需-庫恩-塔克（Karush-Kuhn-Tucker,KKT）條件求解,拉格朗日函數可表示為：

其中,式（34）為拉格朗日函數求極值的必要條件,式（35）、式（36）是互補松弛條件,式（37）、式（38）為不等式約束條件,由式（36）、式（38）可知μ=0.通過對式（34）求導,得到最優(yōu)計算資源分配：

由式（35）知,最優(yōu)計算資源分配滿足：

則由上兩式聯立求解得：

則綜合求解得最優(yōu)計算資源分配表達式為：

3 聯合優(yōu)化算法設計

上面求解了上行功率分配與計算資源分配問題,本章將根據上行功率分配求解結果設計動態(tài)調整算法,提出改進粒子群（particle swarm optimization,PSO）算法進行計算卸載問題求解,最后提出聯合優(yōu)化算法.

3.1 上行功率分配動態(tài)調整算法設計

在分配問題求解過程中,可能出現某MEC 服務器分配資源之和超出上限的情況,需要動態(tài)調整分配量,按照原分配方案等比例縮小,使資源分配和恰好達到服務器上限,算法描述如算法2 所示.

3.2 計算卸載改進PSO 算法設計

拆解出的計算卸載子問題為：

很多學者聯合優(yōu)化問題選擇貪心算法、博弈論等簡單策略實現卸載決策的求解,獲得較好的局部最優(yōu)卸載結果.而在卸載決策單一問題的研究中,會更偏向算法優(yōu)化設計,傾向于選擇進化算法、強化學習等優(yōu)化算法,獲得接近于全局最優(yōu)的卸載決策.由于本文目的是循環(huán)迭代卸載決策和資源分配問題實現聯合優(yōu)化,因此,選擇以“循環(huán)優(yōu)化”為核心的進化類算法求解卸載決策.PSO 算法搜索能力強、易實現,在高維度優(yōu)化問題上收斂速度很快,但易早熟陷入局部最優(yōu)[77].因此,本文提出基于改進PSO 算法求解最優(yōu)卸載決策,在標準PSO 基礎上設計了自適應調整的慣性權重系數，在算法迭代后期引入交叉重組機制,來打破粒子早熟停滯的問題[17].

3.2.1 標準粒子群算法

其中,C1、C2是學習因子,調節(jié)影響飛行方向比重；ξ和η 是服從U（0,1）均勻分布的隨機值；ω 是慣性權重,調節(jié)飛行速度；t 是迭代次數.

3.2.2 編碼

本文采用整數編碼機制,假設粒子群規(guī)模為D,每個粒子代表一個卸載策略,粒子元素取值為0～n+1的整數.假設系統中用戶終端設備周圍有3 個邊緣服務器,用戶任務數目為7 個,任務集合為TASK={task1,task2,…,task7},此時假設任務的某個卸載決策向量為,其中,0 代表task1在本地執(zhí)行,4 代表task2在云端執(zhí)行,2 代表task3在編號為2 的MEC 服務器上執(zhí)行,1 代表task4在編號為1 的MEC 服務器上執(zhí)行,以此類推,編碼方式效果圖如圖1 所示.

圖1 編碼方式圖Fig.1 Coding scheme

圖2 編碼變換圖Fig.2 Transcoding map

3.2.3 適應度函數

本文求解目標是最優(yōu)卸載策略使能耗和時延代價和最小,由系統目標函數可知,f 總代價越大,方案評價越差,本文將目標函數作為適應度函數,其中,規(guī)定f 最小值不為0.

3.2.4 算法的改進

本文在標準PSO 基礎作出以下兩點改進：1）自適應調整慣性權重系數；在迭代尋優(yōu)過程中動態(tài)調整模型中的慣性權重系數,提高解的全局、局部尋優(yōu)能力來提高解的質量.2）引入遺傳交叉思想,提高算法后期在解空間的探索能力.

1）自適應調整慣性權重系數

慣性權重系數ω 用來平衡全局和局部搜索,標準PSO 算法中固定ω 的值使得搜索效果不佳,很容易使算法陷入局部最優(yōu).因此,自適應調整慣性權重系數的值,在算法初期取較大的ω 值,增強算法的全局探索能力,隨著算法的執(zhí)行逐漸減小ω 值,增強算法的開發(fā)能力,在本文中應用的權重計算方式如下所示：

其中,t 為當前迭代次數,ωmax和ωmin表示慣性權重系數最大和最小取值,本文取ωmax=0.9,ωmin=0.4,Tmax為最大迭代次數.

2）遺傳交叉重組

PSO 算法初期收斂速度快,后期容易陷入局部最優(yōu),為了跳出局部最優(yōu),在迭代達到一定次數后,觸發(fā)遺傳交叉重組機制豐富種群多樣性.

遺傳交叉重組的規(guī)則定義如下：在當前迭代的種群中,根據交叉率選取一定數量的粒子放入交叉重組池內,池內粒子隨機兩兩交叉得到同樣數目的子代粒子,并將子代粒子與當前迭代種群粒子混合,按照適應度排序篩選出排名前H 的粒子參與下一次迭代,本文定義執(zhí)行交叉重組后得到子代粒子的位置和速度向量分別如下[18]：

本文定義改進PSO 算法流程圖設計如圖3 所示.

圖3 算法流程圖Fig.3 Algorithm flowchart

3.3 決策與資源分配聯合優(yōu)化策略設計

由上述描述可知,本文提出的計算卸載和資源分配聯合優(yōu)化算法是通過相互迭代卸載決策和資源分配兩個子問題來獲得最佳解,有關該算法的具體求解步驟如算法3 所示.

4 仿真與試驗驗證

為驗證本文所提基于改進粒子群算法的計算卸載與資源分配聯合優(yōu)化算法性能,在其余參數不變的基礎上,分別與3 種算法進行仿真對比試驗,算法介紹如下：

隨機卸載決策（Random）算法：任務隨機分配云端、邊緣端、本地執(zhí)行,資源平均分配.

貪心（Greedy）算法：文獻[14]的算法,上行功率與計算資源分配按照二分法、拉格朗日乘子法求取,基于貪心算法求取卸載決策,執(zhí)行計算卸載與資源分配聯合優(yōu)化策略.

標準粒子卸載決策群（standard PSO,STPSO）算法：卸載決策基于標準PSO 求解,資源平均分配.

交叉重組PSO（cross recombination PSO,CRPSO）算法：本文算法,基于引入交叉重組機制與自適應ω的PSO 算法求解決策卸載,基于二分法、拉格朗日乘子法求取上行功率與計算資源分配,執(zhí)行計算卸載與資源分配聯合優(yōu)化策略.

有關本章算法及仿真參數的設定如表1、表2 所示,其任務輸入數據量服從[1,50]之間的均勻分布（單位為MB）,任務工作量服從[1,200]之間的均勻分布（單位為GHz）.

表1 算法相關參數Table 1 Algorithm related parameters

表2 實驗仿真參數設置Table 2 Experimental simulation parameter settings

根據以上模型,在本仿真參數的驗證中,忽略移動過程中通信鏈路切換帶來的影響,重點關注卸載過程.任務可在本地、邊緣端、云端執(zhí)行,且假設所有邊緣服務器的計算能力相同,在本次仿真環(huán)境中,邊緣服務器的數目為8 個.基于表1～表2 兩個表格中的參數,利用仿真平臺進行對比試驗,分別論證迭代次數、權重系數、用戶數量、工作量對系統總代價的影響.

4.1 迭代次數對系統總代價的影響

Greedy 算法僅僅迭代到精度要求就停止計算,Random 算法結果的優(yōu)劣是波動的,它們不屬于進化類算法,解算出卸載決策的優(yōu)劣受迭代次數影響較小,因此,不參與本部分測試.重點關注STPSO 和CRPSO算法中系統總代價與迭代次數之間的關系,以便選取合適的迭代次數值繼續(xù)后續(xù)的測試.取平均用戶數目m=300,時延與能耗的權重系數α=0.5,迭代次數T 設置為從1～500 均勻增加,仿真結果如圖4所示.

圖4 迭代次數仿真圖Fig.4 Iteration number simulation diagram

隨著迭代開始進行，兩種算法的系統總代價都逐漸減小,當迭代次數達到300 次后,兩種算法都能將系統總代價下降到較好的水平,但STPSO 算法系統易陷入局部最優(yōu)導致總代價趨于平穩(wěn)不再變化,CRPSO 算法由于在算法后期加入了交叉重組機制,系統總代價仍能緩慢下降.因此,在后續(xù)測試中將算法迭代次數設置為500,迭代到300 次后,在CRPSO算法中啟用交叉重組機制,打破局部最優(yōu)獲得更優(yōu)卸載決策.

4.2 時延能耗權重系數對系統總代價影響

系統總代價包括任務執(zhí)行時間和設備消耗能耗,因此,時延與能耗的權重系數也會影響系統總代價,在測試中,設置迭代次數為500 次,用戶數量為300,研究權重系數在0.1～0.9 之間均勻變化時,Random、Greedy、STPSO 和CRPSO 算法間性能比較,仿真結果圖如圖5 所示.

圖5 時延能耗權重系數仿真圖Fig.5 Simulation diagram of delay energy consumption weight coefficient

隨著權重系數逐漸增大,時延相較于能耗的比重越來越高,系統總代價整體呈增加趨勢,證明了時延在系統總代價中占據主導地位.在4 種算法中,Random 算法的卸載結果具有隨機性,導致在4 種算法中評價最差.Greedy 算法雖然采取了和本文相同的資源分配方案及聯合優(yōu)化思想,但貪心算法在卸載決策的求取上還具有一定局限性,使得該算法總代價評價在4 種算法中位列第3.STPSO 算法僅采取資源平均分配方式,未充分體現聯合優(yōu)化思想,但基于粒子群算法能夠得到較好的卸載決策,該算法評價僅次于CRPSO 算法.CRPSO 算法基于改進的粒子群算法求解更優(yōu)的卸載決策,基于數學方法求解資源分配方式并充分應用聯合優(yōu)化思想,使算法評價達到最優(yōu).綜合來看,CRPSO 算法顯著降低系統總代價,降低了Random 算法總代價的54.09%,Greedy 算法的45.66%,STPSO 算法的18.26%.

4.3 用戶數量對系統總代價的影響

當用戶數目發(fā)生改變,系統的時延與能耗也會隨之發(fā)生變化,系統總代價也會受到影響.為了探究用戶數量與系統總代價之間的關系,設置迭代次數為500 次,時延與能耗權重系數為0.5,研究用戶數目在50～500 之間均勻變化時,4 種算法性能比較,仿真結果圖如圖6 所示.

圖6 用戶數量仿真圖Fig.6 Simulation diagram of the number of users

隨著用戶數目逐漸增多,接入系統的任務量增加,導致卸載過程的時延與能耗也在增加,系統總代價逐漸增大.結合4 種算法的自身特點,算法之間的總代價關系同上個實驗相比保持不變.同樣地,本文提出的CRPSO 算法系統總代價最小,降低了Random算法總代價的66.15%,Greedy 算法的54.53%,STPSO算法的35.34%.

4.4 工作量對系統總代價的影響

工作量也是影響系統總代價的因素,當任務工作量發(fā)生改變時,系統總代價也會受到影響.為了探究工作量與系統總代價之間的關系,設置迭代次數為500 次,時延與能耗權重系數為0.5,用戶數量為300,研究最大工作量在60～200 之間均勻變化時,4種算法的性能比較,仿真結果圖如圖7 所示.

圖7 工作量仿真圖Fig.7 Workload simulation diagram

根據圖7 可知,隨著最大工作量不斷增加,導致卸載過程中所需的時延與能耗增加,使系統總代價整體呈現增加趨勢.基于4 種算法計算的系統總代價關系仍與之前仿真結果保持一致,本文提出的CRPSO 算法總代價最小,能夠降低Random 算法總代價的59.34%,Greedy 算法的45.74%,STPSO 算法的24.07%.

基于以上4 項實驗可知,設計資源分配求解方案、應用聯合優(yōu)化思想,基于進化類算法求解卸載決策等優(yōu)化方式都能夠降低系統總代價,相比較而言改進進化類算法來求解卸載決策的方式在降低系統總的代價上的效果更為顯著.本文提出的CRPSO 算法不僅通過數學方法來求解資源分配方案,重點改進了粒子群算法來求解更優(yōu)的卸載決策,還應用了聯合優(yōu)化卸載決策與資源分配兩個業(yè)務的思想,使得本文算法在多項實驗的仿真驗證中評價最好,因此,本文提出的CRPSO 算法能夠顯著降低系統的時延與能耗,可以對邊緣環(huán)境下移動服務起到很好的優(yōu)化作用.

5 邊緣計算在資產管理系統中應用

基于以上邊緣計算聯合優(yōu)化算法,設計基于邊緣計算技術的后勤資產管理系統構架.將北斗定位系統、RFID 系統、監(jiān)控系統部署在資產終端用于采集資產實時監(jiān)控管理所需數據,將各類底層數據的解析任務卸載到邊緣服務器上,邊緣服務器完成計算后直接將有效的數據推理結果上傳至云端.用戶操縱底層終端系統發(fā)布資產業(yè)務請求,系統首先會根據邊緣服務器中存儲的資產信息迅速完成響應,一些較為復雜的系統功能會通過調用云端存儲數據來實現.

在系統運行過程中,本文提出的聯合優(yōu)化算法可以實現邊緣計算業(yè)務優(yōu)化,更好地為資產管理系統提供服務,終端設備層隨機生成數據解算任務序列,結合當前各層服務器參數通過調度程序給出最優(yōu)卸載決策方案,下放到各個單元執(zhí)行.在本方案設計中,邊緣層承擔了主要計算業(yè)務需求,云端承擔了主要存儲工作,有效提升系統性能與用戶體驗,實現實時資產業(yè)務響應、精細化資產信息存儲的功能需求[19].基于邊緣計算技術后勤資產管理系統設計構架如圖8 所示.

圖8 邊緣計算模式構架圖Fig.8 Edge computing mode architecture diagram

為了驗證應用邊緣計算技術應用的有效性,本文根據軟件定義網絡的思想,構建了“Flootlight+Mininet”邊緣計算平臺環(huán)境來模擬引入邊緣層及相關控制器算法的資產管理系統實際情況[20].同時和未引入邊緣層的環(huán)境進行對比,圖9、圖10 展示了通過Mininet 所編寫的兩種環(huán)境下的網絡拓撲.

圖9 引入邊緣層的網絡拓撲Fig.9 Network topology with edge layer

圖10 未引入邊緣層的網絡拓撲Fig.10 Network topology without edge layer

根據圖9、圖10,上方的h1 代表計算節(jié)點主機,下方的h2～h11 代表用戶設備端,引入邊緣層的網絡拓撲中多了一層交換機（S8～S11）,通過在控制器C0中設置控制算法對交換機進行調度.分別設置兩種環(huán)境下交換機數量為10 個和6 個,設備端的計算任務請求節(jié)點均為10 個,鏈路帶寬設置為20 Mb/s,計算任務流大小為10～20 Mb/s,并根據上圖編寫網絡拓撲運行腳本.啟動Floodlight,運行Mininet 腳本并連接至控制器,連接成功后,利用Xterm、Iperf 軟件從設備端請求節(jié)點向計算節(jié)點主機發(fā)送計算任務流,計算從單節(jié)點到多節(jié)點同時向計算節(jié)點主機交互的系統總時延,整理如圖11 所示.

圖11 節(jié)點與主機交互時延圖Fig.11 Node and host interaction delay diagram

由圖11 可知,隨著計算任務請求節(jié)點增多,系統響應總時延不斷增加,在引入了邊緣層后,控制器會對請求節(jié)點的任務流進行合理調度,在多個節(jié)點任務流同時請求時減少用戶總時延、提升用戶體驗.因此,本文提出的應用在資產管理系統環(huán)境的邊緣計算構架以及邊緣計算業(yè)務算法,可減少用戶時延與設備能耗,提升用戶體驗.

6 結論

本文提出建立后勤資產管理系統邊緣計算服務構架來解決現代化進程中的難題,重點研究邊緣計算服務模型中資源分配與計算卸載業(yè)務,為降低邊緣設備任務卸載的時延和能耗,提出了計算卸載與計算資源分配聯合優(yōu)化算法,將優(yōu)化目標設定為用戶的計算時延和能耗的加權和,來共同優(yōu)化資源分配和計算卸載問題.基于二分法和拉格朗日乘子法分別求解上行功率以及計算資源分配問題,然后提出了改進的粒子群算法來求解計算卸載問題,最后給出本文提出的聯合優(yōu)化算法.試驗仿真驗證了本文提出算法的有效性,同其他標準算法相比,該算法能有效降低系統總代價,在后勤資產系統及未來的邊緣系統環(huán)境中有很多優(yōu)勢和應用,但仍存在以下不足：

1）終端頻繁移動的情況需要考慮

本文在仿真建模過程中假設當前時刻終端位置是固定的,然而在實際應用場景中,移動終端是頻繁移動的,而這不僅會使上傳速率發(fā)生變化,同時也會增加不同終端間的連接幾率,使問題更具復雜化,因此,下一步的研究重點是在終端頻繁移動的條件下,提出有效的卸載算法來降低系統總代價.

2）系統優(yōu)化目標需考慮用戶體驗

目前僅選取計算時延和能耗的加權和最小作為本文的優(yōu)化目標,然而在實際應用中,用戶體驗衡量系統好壞是一個十分重要的指標,因此,在后續(xù)的研究中,在研究目標的選擇上,還應充分考慮用戶體驗等關鍵信息.