無(wú)人駕駛汽車(chē)跨區(qū)域的APSO聯(lián)合任務(wù)卸載優(yōu)化

楊勇毅, 李陶深,2*, 葛志輝, 呂品

(1.廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院, 廣西南寧530004;2.南寧學(xué)院信息工程學(xué)院, 廣西南寧530299)

0 引言

近年來(lái),無(wú)線(xiàn)通信技術(shù)飛速發(fā)展的,人們?cè)谠朴?jì)算的基礎(chǔ)上提出了移動(dòng)邊緣計(jì)算(mobile edge computing, MEC)。MEC是指在移動(dòng)網(wǎng)絡(luò)邊緣部署計(jì)算和存儲(chǔ)資源,為移動(dòng)網(wǎng)絡(luò)提供IT服務(wù)環(huán)境和云計(jì)算能力,從而為用戶(hù)提供超低時(shí)延和高帶寬的網(wǎng)絡(luò)服務(wù)解決方案[1]。與云計(jì)算相比,MEC在無(wú)人駕駛汽車(chē)領(lǐng)域可以降低回程鏈路的傳輸壓力,節(jié)省相應(yīng)的業(yè)務(wù)響應(yīng)時(shí)延[2]。與此同時(shí),隨著5G和智能化技術(shù)的發(fā)展,任務(wù)卸載成為邊緣計(jì)算在無(wú)人駕駛領(lǐng)域的主要應(yīng)用之一[3]。

任務(wù)卸載應(yīng)用在無(wú)人駕駛領(lǐng)域中的主要目的是為了優(yōu)化無(wú)人駕駛汽車(chē)的時(shí)延和能耗,為此人們?cè)贛EC中采用了計(jì)算卸載策略[4]。Liu等[5]提出一種多跳任務(wù)卸載模型,采用半定松弛方法與自適應(yīng)調(diào)整過(guò)程來(lái)解決最小化所有任務(wù)的執(zhí)行時(shí)間和計(jì)算成本的加權(quán)和的優(yōu)化問(wèn)題,以獲得相應(yīng)的卸載決策。Hsu等[6]將聯(lián)合卸載決策和資源分配問(wèn)題作為一個(gè)混合整數(shù)非線(xiàn)性規(guī)劃問(wèn)題,并利用深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)和粒子群優(yōu)化算法(particle swarm optimization, PSO)提出了一個(gè)混合學(xué)習(xí)框架,其中PSO可以通過(guò)向DNN提供高質(zhì)量的標(biāo)記數(shù)據(jù)來(lái)加速訓(xùn)練過(guò)程,從而使DNN模型推斷出具有更少實(shí)時(shí)計(jì)算延遲的高準(zhǔn)確度卸載策略。Du等[7]將方向相同、速度相近的車(chē)輛組成相互通信的隊(duì)列,選擇一個(gè)頭部車(chē)輛控制隊(duì)列車(chē)輛的感知調(diào)度和任務(wù)卸載策略,同時(shí)引入最大-最小公平算法和迭代算法解決聯(lián)合優(yōu)化問(wèn)題,顯著減小了處理時(shí)延。Wen等[8]提出一種基于多階段粒子群優(yōu)化(multi-stage particle swarm optimization, MPSO)的車(chē)輛邊緣計(jì)算(vehicular edge computing, VEC)卸載方法將時(shí)延限制作為優(yōu)化約束,根據(jù)卸載率、CPU容量和通信資源利用率等因素確定最佳卸載策略。Shu等[9]提出一種改進(jìn)的量子粒子群優(yōu)化算法來(lái)優(yōu)化任務(wù)時(shí)延和能耗。

除了研究任務(wù)卸載策略在無(wú)人駕駛領(lǐng)域的應(yīng)用外,還進(jìn)行了如下研究。Gan等[10]提出一種無(wú)人機(jī)輔助MEC系統(tǒng)軌跡優(yōu)化和計(jì)算任務(wù)卸載策略模型,并采用種群多樣性-二進(jìn)制粒子群優(yōu)化算法(population diversity-binary particle swarm optimization, PDPSO)求解能耗和時(shí)延之和的最優(yōu)值,同時(shí)使用深度確定性策略梯度算法(deep deterministic policy gradient, DDPG)來(lái)獲得無(wú)人機(jī)的最優(yōu)軌跡。Gupta等[11]詳細(xì)對(duì)比了啟發(fā)式算法、元啟發(fā)式算法和混合算法在霧計(jì)算環(huán)境中的資源優(yōu)化情況,研究發(fā)現(xiàn),啟發(fā)式算法不能單獨(dú)執(zhí)行多目標(biāo)優(yōu)化問(wèn)題,而元啟發(fā)式算法和混合算法則可以用于多目標(biāo)優(yōu)化問(wèn)題。

綜上所述,現(xiàn)有的無(wú)人駕駛領(lǐng)域中邊緣計(jì)算的任務(wù)卸載策略以減小任務(wù)計(jì)算總時(shí)延和能耗為主要研究方向,技術(shù)路線(xiàn)是通過(guò)建立相應(yīng)計(jì)算任務(wù)卸載模型,制定計(jì)算任務(wù)卸載策略,采用相對(duì)成熟的PSO對(duì)目標(biāo)進(jìn)行優(yōu)化,從而達(dá)到減小任務(wù)計(jì)算總時(shí)延和能耗的目的;也有部分學(xué)者研究相應(yīng)算法,從而達(dá)到減小任務(wù)計(jì)算總時(shí)延和能耗的目的,然而,大部分學(xué)者研究的計(jì)算卸載模型都基于車(chē)車(chē)協(xié)同,都應(yīng)用了PSO及其衍生算法,較少學(xué)者研究基于車(chē)路協(xié)同的計(jì)算任務(wù)卸載模型?；诖?筆者提出一種基于自適應(yīng)粒子群優(yōu)化算法(adaptive particle swarm optimization, APSO[12]的無(wú)人駕駛汽車(chē)的跨區(qū)域計(jì)算任務(wù)卸載模型,減小任務(wù)計(jì)算總時(shí)延和能耗,并通過(guò)實(shí)驗(yàn)證明所提方案的有效性和可行性。

1 跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型

本文提出一種跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型如圖1所示。設(shè)計(jì)目標(biāo)是實(shí)現(xiàn)最小化任務(wù)計(jì)算總能耗和時(shí)延的加權(quán)和。該模型的設(shè)計(jì)思想是：①充分利用道路上的空閑車(chē)輛資源和路側(cè)單元(road side unit, RSU)(其中RSU包含MEC服務(wù)器,MEC服務(wù)器可以為RSU提供計(jì)算資源),有效減小客戶(hù)車(chē)產(chǎn)生的計(jì)算任務(wù)的計(jì)算總時(shí)延;②利用道路兩側(cè)的RSU進(jìn)一步減小車(chē)輛進(jìn)行任務(wù)計(jì)算所需要的能耗;③有效避免計(jì)算任務(wù)結(jié)果在2個(gè)距離較遠(yuǎn)的RSU之間遷移所出現(xiàn)的安全問(wèn)題。為了達(dá)到最小化任務(wù)計(jì)算總能耗和時(shí)延的加權(quán)和,需要優(yōu)化客戶(hù)車(chē)向服務(wù)車(chē)和RSU的任務(wù)卸載策略和任務(wù)發(fā)射功率。

圖1 跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型Fig.1 Optimization model for cross regional joint task offloading

1.1 系統(tǒng)模型描述

在圖1所示的系統(tǒng)模型中,當(dāng)客戶(hù)車(chē)初始位置位于既可以與左側(cè)RSU通信,也可與道路上行駛的服務(wù)車(chē)通信的范圍時(shí),如圖中的1號(hào)位置,客戶(hù)車(chē)將部分計(jì)算任務(wù)卸載到左側(cè)RSU和服務(wù)車(chē)上進(jìn)行計(jì)算。假設(shè)當(dāng)計(jì)算結(jié)果完成時(shí)客戶(hù)車(chē)和服務(wù)車(chē)移動(dòng)到了2號(hào)位置,客戶(hù)車(chē)在該位置超出左側(cè)RSU的通信范圍,但在服務(wù)車(chē)的通信范圍之內(nèi),而服務(wù)車(chē)在左側(cè)RSU的通信范圍內(nèi)。此時(shí)由于左側(cè)RSU和右側(cè)RSU之間距離較遠(yuǎn),將計(jì)算結(jié)果在左側(cè)RSU和右側(cè)RSU之間遷移容易出現(xiàn)數(shù)據(jù)丟失等安全性問(wèn)題,因此,可以將服務(wù)車(chē)作為任務(wù)計(jì)算結(jié)果傳輸?shù)慕Y(jié)點(diǎn),即RSU將任務(wù)的計(jì)算結(jié)果通過(guò)服務(wù)車(chē)傳遞到客戶(hù)車(chē)上,而服務(wù)車(chē)的計(jì)算結(jié)果則可以直接傳遞到客戶(hù)車(chē)上。

1.2 通信模型

由于任務(wù)計(jì)算結(jié)果返回的數(shù)據(jù)遠(yuǎn)遠(yuǎn)小于傳輸?shù)?因此反饋時(shí)延可以忽略不計(jì)。

根據(jù)客戶(hù)車(chē)與服務(wù)車(chē)和客戶(hù)車(chē)與RSU之間的距離,可以計(jì)算出每個(gè)鏈路的信道增益為

(1)

(2)

式中：h1表示客戶(hù)車(chē)到RSU的信道增益;h2表示客戶(hù)車(chē)到服務(wù)車(chē)的信道增益;β0表示1 m參考距離的信道增益;d1表示客戶(hù)車(chē)到RSU的距離;d2表示客戶(hù)車(chē)到服務(wù)車(chē)的距離。

利用信道增益,可以得到數(shù)據(jù)傳輸速率為

(3)

(4)

式中：r1表示客戶(hù)車(chē)到RSU的傳輸速率;r2表示客戶(hù)車(chē)到服務(wù)車(chē)的傳輸速率;B0表示分配的帶寬;p1表示客戶(hù)車(chē)到RSU的發(fā)射功率;p2表示客戶(hù)車(chē)到服務(wù)車(chē)的發(fā)射功率;δ2表示噪聲功率。

根據(jù)式(3)、式(4)可知通信模型的通信時(shí)延Ti和通信能耗Ei分別為

(5)

(6)

(7)

(8)

式中：T1和E1分別表示客戶(hù)車(chē)到RSU的通信時(shí)延和通信能耗;T2和E2分別表示客戶(hù)車(chē)到服務(wù)車(chē)的通信時(shí)延和通信能耗;l表示計(jì)算的任務(wù)大小;α1表示客戶(hù)車(chē)到RSU任務(wù)卸載比例;(1-α1)α2表示客戶(hù)車(chē)到服務(wù)車(chē)任務(wù)卸載比例。

1.3 計(jì)算模型

計(jì)算模型涉及到部分卸載計(jì)算中包含卸載到RSU計(jì)算的α1l數(shù)據(jù)量、服務(wù)車(chē)的(1-α1)α2l數(shù)據(jù)量和客戶(hù)車(chē)(1-α1)(1-α2)l的數(shù)據(jù)量。

由于客戶(hù)車(chē)需要計(jì)算數(shù)據(jù)量為(1-α1)(1-α2)l,因此客戶(hù)車(chē)的計(jì)算時(shí)延Tloc為

(9)

式中：cloc表示客戶(hù)車(chē)的CPU處理1bit數(shù)據(jù)所需的周期數(shù),即客戶(hù)車(chē)的CPU計(jì)算強(qiáng)度;floc表示客戶(hù)車(chē)的CPU計(jì)算頻率。

由公式(9)可以求得客戶(hù)車(chē)的計(jì)算時(shí)延為T(mén)loc,因此客戶(hù)車(chē)的計(jì)算能耗Eloc為

Eloc=Kloc(floc)3Tloc

=Kloc(1-α1)(1-α2)lcloc(floc)2,

(10)

式中Kloc表示客戶(hù)車(chē)的CPU的電容系數(shù),它取決于芯片的架構(gòu)[13]。

由于RSU不考慮能耗,因此只需計(jì)算RSU的計(jì)算時(shí)延。計(jì)算公式為

(11)

式中：crsu表示RSU的CPU處理1bit數(shù)據(jù)所需的周期數(shù),即RSU的CPU計(jì)算強(qiáng)度;frsu表示RSU的CPU計(jì)算頻率。

與客戶(hù)車(chē)的計(jì)算類(lèi)似,服務(wù)車(chē)的計(jì)算時(shí)延Tser為

(12)

式中：cser表示服務(wù)車(chē)的CPU處理1bit數(shù)據(jù)所需的周期數(shù),即服務(wù)車(chē)的CPU計(jì)算強(qiáng)度;fser表示服務(wù)車(chē)的CPU計(jì)算頻率。

由公式(12)可以求得服務(wù)車(chē)的計(jì)算時(shí)延為T(mén)ser,因此服務(wù)車(chē)的通信能耗Eser為

Eser=Kser(fser)3Tser

=Kser(1-α1)α2lcser(fser)2,

(13)

式中Kser表示服務(wù)車(chē)的CPU的電容系數(shù)。

根據(jù)以上公式,就可以計(jì)算得到客戶(hù)車(chē)、RSU和服務(wù)車(chē)的時(shí)延和能耗。

1.4 優(yōu)化問(wèn)題的描述

在確定的卸載策略α1和α2上,總時(shí)延T和總能耗E可表示為

T=max(Tloc,Trsu+T1,Tser+T2),

(14)

E=E1+E2+Eloc+Eser。

(15)

根據(jù)本文模型的優(yōu)化目標(biāo),要解決的問(wèn)題可定義為：找到客戶(hù)車(chē)、RSU和服務(wù)車(chē)之間數(shù)據(jù)傳輸和計(jì)算的總能耗和總時(shí)延的加權(quán)和的最小值,可描述為

s.t. C1：0≤α1,α2≤1,

C2：0≤p1,p2≤1,

(16)

式中θ為時(shí)延和能耗的權(quán)重。約束條件C1說(shuō)明了客戶(hù)車(chē)卸載到RSU和服務(wù)車(chē)的計(jì)算任務(wù)比例均不能小于0且不能大于1;約束條件C2說(shuō)明了計(jì)算任務(wù)從客戶(hù)車(chē)卸載到RSU和服務(wù)車(chē)的發(fā)射功率均不能小于0且不能大于1。求解公式(16)需要優(yōu)化的目標(biāo)為p1、p2、α1和α2,由文獻(xiàn)[11]可知該類(lèi)優(yōu)化問(wèn)題適用元啟發(fā)式算法,因此本文采用APSO優(yōu)化以上四個(gè)目標(biāo)從而求解公式(16)。

2 跨區(qū)域聯(lián)合卸載優(yōu)化模型的優(yōu)化算法

基于圖1所示的跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型,本文應(yīng)用APSO來(lái)實(shí)現(xiàn)最小化任務(wù)計(jì)算總能耗和時(shí)延的加權(quán)和的目標(biāo)。算法的設(shè)計(jì)思想是：首先對(duì)粒子進(jìn)行編碼,即粒子位置x=[x1,x2,x3,x4],粒子的編碼值與優(yōu)化目標(biāo)對(duì)應(yīng)如下：x1對(duì)應(yīng)α1,x2對(duì)應(yīng)α2,x3對(duì)應(yīng)p1,x4對(duì)應(yīng)p2。對(duì)粒子編碼完成后需要設(shè)置適應(yīng)度函數(shù),由于本文目標(biāo)是最小化任務(wù)計(jì)算總能耗和時(shí)延的加權(quán)和,因此選擇總能耗和時(shí)延的加權(quán)和的結(jié)果為適應(yīng)度值,而總能耗和時(shí)延的加權(quán)和的結(jié)果求解公式如公式(16)所示。該算法實(shí)現(xiàn)時(shí),通過(guò)迭代更新粒子位置,從而獲取全局最優(yōu)解,即總能耗和時(shí)延的加權(quán)和的最小值。下面介紹算法的具體實(shí)現(xiàn)。

APSO是在PSO的基礎(chǔ)上通過(guò)使用自適應(yīng)策略來(lái)調(diào)整算法的慣性權(quán)重,APSO可以顯著提高算法的性能和收斂速度。

以下給出PSO中粒子位置xi和速度vi更新的表達(dá)式為

vi+1=ωvi+c1r1(pbest-xi)+c2r2(gbest-xi),

(17)

xi+1=xi+vi+1,

(18)

式中：ω是慣性權(quán)重;c1和c2為學(xué)習(xí)因子;r1和r2是[0,1]之間的隨機(jī)數(shù),以增加搜索的隨機(jī)性;粒子的速度vi=[v1,v2,v3,v4],其中v1、v2表示第i次迭代時(shí)任務(wù)卸載策略變化的快慢,v3、v4表示第i次迭代時(shí)發(fā)射功率變化的快慢;pbest表示個(gè)體的最優(yōu)位置,即當(dāng)前迭代次數(shù)中總能耗和時(shí)延的加權(quán)和的最小值所對(duì)應(yīng)的卸載策略;gbest表示全局的最優(yōu)位置,即對(duì)應(yīng)當(dāng)前總能耗和時(shí)延的加權(quán)和的最小值所對(duì)應(yīng)的卸載策略。

從式(17)中可以看出,ω是影響原粒子速度的慣性權(quán)重。當(dāng)ω較大時(shí),每次位置變化較為明顯,雖然這樣增加了算法的全局搜索能力,但局部搜索能力較弱;而當(dāng)ω較小時(shí),每次位置變化較小,這樣雖然增加了局部搜索能力,但全局搜索能力較弱,這樣容易陷入局部最優(yōu)解。為了解決如上問(wèn)題,采用線(xiàn)性遞減法自適應(yīng)地選擇ω,計(jì)算公式為

(19)

式中：ωmax和ωmin分別為慣性權(quán)重的最大值和最小值;T為算法迭代總次數(shù);i為當(dāng)前迭代次數(shù)。

基于APSO的跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型的優(yōu)化算法描述如下：

輸入：粒子種群規(guī)模、維度、學(xué)習(xí)因子、迭代次數(shù)、粒子邊界位置、粒子最大和最小速度、最大和最小慣性權(quán)重。

輸出：全局最優(yōu)值(總能耗和時(shí)延加權(quán)和的最小值)和其對(duì)應(yīng)的粒子位置(卸載策略和發(fā)射功率)。

步驟1：輸入粒子種群規(guī)模、維度、學(xué)習(xí)因子、迭代次數(shù)、粒子邊界位置(依據(jù)約束條件C1和C2)、粒子最大和最小速度、最大和最小慣性權(quán)重。

步驟2：初始化每個(gè)粒子的位置、速度、全局最優(yōu)值和其對(duì)應(yīng)粒子位置、局部最優(yōu)值和其對(duì)應(yīng)粒子位置。

步驟3：將初始化的粒子位置代入適應(yīng)度函數(shù)[公式(16)]計(jì)算適應(yīng)度值(局部最優(yōu)值)。

步驟4：循環(huán)開(kāi)始。

步驟5：根據(jù)式(17)-(19)和輸入的粒子種群規(guī)模迭代求解全局最優(yōu)值(總能耗和時(shí)延加權(quán)和的最小值)和其對(duì)應(yīng)的粒子位置(卸載策略和發(fā)射功率)。

步驟6：執(zhí)行步驟4直到超過(guò)迭代次數(shù)后結(jié)束循環(huán)。

步驟7：輸出全局最優(yōu)值(總能耗和時(shí)延加權(quán)和的最小值)和其對(duì)應(yīng)的粒子位置(卸載策略和發(fā)射功率)。算法結(jié)束。

3 實(shí)驗(yàn)與分析

3.1 參數(shù)設(shè)置

實(shí)驗(yàn)參數(shù)設(shè)置如下：1 m參考距離的信道增益β0=-50 dB,信道帶寬B0=107Hz;噪聲功率δ2=10-12W;客戶(hù)車(chē)的CPU計(jì)算強(qiáng)度cloc=1 000 cycles/bit;客戶(hù)車(chē)的CPU計(jì)算頻率floc=1 GHz;客戶(hù)車(chē)的CPU的電容系數(shù)Kloc=10-28;RSU的CPU計(jì)算強(qiáng)度crsu=800 cycles/bit;RSU的CPU計(jì)算頻率frsu=3 GHz;服務(wù)車(chē)的CPU計(jì)算強(qiáng)度cser=1 000 cycles/bit;服務(wù)車(chē)的CPU計(jì)算頻率fser=1 GHz;服務(wù)車(chē)的CPU電容系數(shù)Kser=10-28;時(shí)延和能耗的權(quán)重θ=0.75;計(jì)算任務(wù)大小l={1,2,3,4,5} Mbits。

實(shí)驗(yàn)中,APSO參數(shù)設(shè)置為：學(xué)習(xí)因子大小為2.0,粒子數(shù)量為20,迭代次數(shù)為100次,速度范圍為[-1,1],慣性權(quán)重大小范圍為[0.4,0.9]。

3.2 結(jié)果與分析

為了對(duì)比分析本文中提出的跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型(簡(jiǎn)稱(chēng)聯(lián)合卸載優(yōu)化模型)的有效性和可行性,選擇了以下模型作為對(duì)比模型：

①本地計(jì)算模型：客戶(hù)車(chē)將計(jì)算任務(wù)全部本地計(jì)算。將聯(lián)合卸載優(yōu)化模型與本地計(jì)算模型對(duì)比,旨在驗(yàn)證將客戶(hù)車(chē)的部分計(jì)算任務(wù)卸載到其他計(jì)算設(shè)備上可以有效降低計(jì)算總能耗和時(shí)延的加權(quán)和。

②獨(dú)立卸載模型：將客戶(hù)車(chē)的計(jì)算任務(wù)部分卸載到附近的一輛服務(wù)車(chē)上,采用APSO優(yōu)化卸載策略和發(fā)射功率。將聯(lián)合卸載優(yōu)化模型與獨(dú)立卸載模型對(duì)比,旨在驗(yàn)證加入RSU作為計(jì)算設(shè)備可以有效降低計(jì)算總能耗和時(shí)延的加權(quán)和。

③多跳卸載模型：參考文獻(xiàn)[5]中模型,且采用兩跳場(chǎng)景,并采用APSO優(yōu)化卸載策略和發(fā)射功率。將聯(lián)合卸載優(yōu)化模型與多跳卸載模型對(duì)比,旨在驗(yàn)證在無(wú)人駕駛汽車(chē)跨區(qū)域計(jì)算任務(wù)卸載場(chǎng)景下,聯(lián)合卸載優(yōu)化模型可以有效的降低計(jì)算總能耗和時(shí)延的加權(quán)和。

圖2展示了不同模型中在計(jì)算任務(wù)大小為1 Mbits的情況下客戶(hù)車(chē)和服務(wù)車(chē)CPU計(jì)算頻率對(duì)總能耗和時(shí)延的加權(quán)和的影響。從圖2中可以看出,隨著CPU計(jì)算頻率的提升,本地計(jì)算模型、多跳卸載模型和獨(dú)立卸載模型的結(jié)果都相應(yīng)減小,但隨著CPU計(jì)算頻率的增大,結(jié)果減小幅度越小。而本文的聯(lián)合卸載優(yōu)化模型的計(jì)算結(jié)果并沒(méi)有出現(xiàn)變化。出現(xiàn)這樣結(jié)果的原因是,隨著CPU計(jì)算頻率的增加,本地計(jì)算模型、多跳卸載模型和獨(dú)立卸載模型中計(jì)算時(shí)延減小的幅度小于CPU計(jì)算所需能耗的增加,導(dǎo)致減小幅度變小。而采用聯(lián)合卸載優(yōu)化模型,隨著CPU計(jì)算頻率的增加,分配給RSU的任務(wù)比例和分配給服務(wù)車(chē)的計(jì)算比例減小的同時(shí)減小了對(duì)RSU和服務(wù)車(chē)的發(fā)射功率。綜上可以得出,聯(lián)合卸載優(yōu)化模型不僅有效減小總能耗和時(shí)延的加權(quán)和,還能夠在客戶(hù)車(chē)和服務(wù)車(chē)CPU計(jì)算頻率較小時(shí)達(dá)到較好的效果。圖3展示了在計(jì)算任務(wù)為1 Mbits的情況下,客戶(hù)車(chē)和服務(wù)車(chē)CPU計(jì)算強(qiáng)度對(duì)總能耗和時(shí)延的加權(quán)和的影響。從圖3中可以看出隨著CPU計(jì)算強(qiáng)度的增加,總能耗和時(shí)延的加權(quán)和的結(jié)果都呈增大趨勢(shì)。但本地計(jì)算模型、獨(dú)立卸載模型和多跳卸載模型的結(jié)果的增加速度明顯高于本文的聯(lián)合卸載優(yōu)化模型。出現(xiàn)這樣結(jié)果的原因是,隨著CPU計(jì)算強(qiáng)度的增加,聯(lián)合卸載優(yōu)化模型增加分配給RSU的計(jì)算任務(wù)的同時(shí)減少分配給服務(wù)車(chē)的計(jì)算任務(wù),使得RSU計(jì)算更多任務(wù),從而盡可能減小總能耗和時(shí)延的加權(quán)和的增長(zhǎng)速度。

圖2 CPU計(jì)算頻率結(jié)果影響圖Fig.2 Impact chart of CPU calculation frequency result

圖3 CPU計(jì)算強(qiáng)度結(jié)果影響圖Fig.3 Impactchart of CPU calculation intensity results

圖4展示了不同模型中任務(wù)大小不同對(duì)總能耗和時(shí)延的加權(quán)和的影響。其中客戶(hù)車(chē)和服務(wù)車(chē)CPU計(jì)算頻率和CPU計(jì)算強(qiáng)度固定為1 GHz和1 000 cycles/bit,RSU的CPU計(jì)算頻率和CPU計(jì)算強(qiáng)度固定為3 GHz和800 cycles/bit。從圖4中可以看出,隨著計(jì)算任務(wù)量的增加,聯(lián)合卸載優(yōu)化模型結(jié)果遠(yuǎn)小于其他模型,且4種模型的結(jié)果都呈線(xiàn)性增加。出現(xiàn)這樣的原因是因?yàn)槿蝿?wù)量的增加并不影響計(jì)算任務(wù)分配比例和發(fā)射功率。圖5展示了APSO、GA和SA在不同任務(wù)大小時(shí)對(duì)總能耗和時(shí)延的加權(quán)和的影響。其中SA包含了冷卻因子為0.99和0.92(此時(shí)算法運(yùn)行時(shí)間與APSO相同)2種情況,GA的變異概率為0.01,且APSO、GA和SA的粒子數(shù)量和迭代次數(shù)分別為20和100,SA和GA結(jié)果取10次平均值。從圖5中可以看出,SA在冷卻因子為0.99時(shí)結(jié)果最好,其次依次是APSO、冷卻因子為0.92的SA和GA。特別地,在任務(wù)大小為1 Mbits時(shí),冷卻因子為0.99的SA與APSO結(jié)果相似。雖然冷卻因子為0.99的SA結(jié)果最為優(yōu)秀,但其算法運(yùn)算時(shí)間為APSO的數(shù)倍,這樣的情況在對(duì)時(shí)延敏感的無(wú)人駕駛場(chǎng)景中是不被允許的。且SA在不同任務(wù)大小下均需要根據(jù)結(jié)果設(shè)置初始溫度。綜上,APSO在聯(lián)合卸載優(yōu)化模型中綜合性能最好。

圖4 計(jì)算任務(wù)大小對(duì)模型的影響結(jié)果圖Fig.4 Impact chart of calculation task size on model results

圖5 不同任務(wù)大小對(duì)算法的影響結(jié)果圖Fig.5 Impactchart of different task sizes on the algorithm

圖6展示了APSO、GA、SA(冷卻因子為0.92)在計(jì)算任務(wù)大小為1 Mbits下算法迭代次數(shù)對(duì)總能耗和時(shí)延加權(quán)和結(jié)果的影響。其中粒子數(shù)量為20,其余參數(shù)參考圖5實(shí)驗(yàn),且3種算法均取10次平均值。從圖6中可以看出GA和SA在迭代次數(shù)大于70次結(jié)果才呈下降趨勢(shì)且結(jié)果波動(dòng)明顯,而APSO在迭代次數(shù)為30次時(shí)結(jié)果為0.144 0,迭代次數(shù)為100次時(shí)結(jié)果為0.143 8。從結(jié)果可以看出,在迭代次數(shù)分別為30、100次時(shí)的結(jié)果相差并不大,說(shuō)明APSO算法在較小迭代次數(shù)下就可以達(dá)到較好的實(shí)驗(yàn)結(jié)果,同時(shí)在較小迭代次數(shù)下運(yùn)行算法所需時(shí)間也相應(yīng)減少。

圖6 不同算法的迭代次數(shù)影響結(jié)果Fig.6 Impactchart of iteration times on results of different algorithms

4 結(jié)語(yǔ)

本文提出了一種跨區(qū)域聯(lián)合任務(wù)卸載優(yōu)化模型,實(shí)現(xiàn)了最小化任務(wù)計(jì)算總時(shí)延和任務(wù)計(jì)算總能耗的加權(quán)和,并設(shè)計(jì)了一種基于APSO算法的任務(wù)卸載策略來(lái)求解模型的任務(wù)計(jì)算總時(shí)延和任務(wù)計(jì)算能耗加權(quán)和的最小化優(yōu)化問(wèn)題。實(shí)驗(yàn)結(jié)果表明,該模型能夠充分利用道路上的空閑車(chē)輛資源和道路兩側(cè)的RSU,有效地減小了客戶(hù)車(chē)產(chǎn)生的計(jì)算任務(wù)的計(jì)算總時(shí)延和車(chē)輛進(jìn)行任務(wù)計(jì)算所需要的能耗,同時(shí)也能有效地避免計(jì)算任務(wù)結(jié)果在2個(gè)距離較遠(yuǎn)的RSU之間遷移所出現(xiàn)的安全問(wèn)題,但是,該模型應(yīng)用場(chǎng)景比較單一,只考慮單車(chē)輛計(jì)算任務(wù)場(chǎng)景,下一步研究工作可以擴(kuò)展到多車(chē)輛計(jì)算任務(wù)場(chǎng)景,并研究更為普適的模型。