基于改進(jìn)遺傳算法的計(jì)算卸載算法

李政祥，田錦

（1.安徽理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，安徽 淮南 232001；2.金陵科技學(xué)院 網(wǎng)絡(luò)與通信工程學(xué)院，江蘇 南京 211169）

隨著無線通信和人工智能的快速發(fā)展，在物聯(lián)網(wǎng)時(shí)代，車輛變得更加互聯(lián)和智能［1－2］.接踵而至的就是移動(dòng)互聯(lián)網(wǎng)及物聯(lián)網(wǎng)流量需求的指數(shù)爆炸式增長，用戶會(huì)對(duì)信道的帶寬、時(shí)延、可靠性等網(wǎng)絡(luò)指標(biāo)有更深的要求，一些計(jì)算比較復(fù)雜或者數(shù)據(jù)比較大的任務(wù)對(duì)設(shè)備提出了更多的需求.在針對(duì)一些大型的密集型任務(wù)時(shí)，往往會(huì)出現(xiàn)掉電嚴(yán)重和執(zhí)行速度慢等問題.隨著這些新技術(shù)和新思想的產(chǎn)生，車輛的資源受限與計(jì)算資源需求增長之間的矛盾也隨之而來.

計(jì)算卸載是一種將計(jì)算任務(wù)從終端設(shè)備卸載到云服務(wù)器或邊緣服務(wù)器的技術(shù)，可以提供更好的計(jì)算性能和用戶體驗(yàn).隨著移動(dòng)設(shè)備的普及和計(jì)算任務(wù)的復(fù)雜化，計(jì)算卸載算法的研究變得尤為重要.傳統(tǒng)的計(jì)算卸載算法通常采用啟發(fā)式算法或基于規(guī)則的方法進(jìn)行任務(wù)的分配和調(diào)度.但是，這些方法往往依賴于經(jīng)驗(yàn)和靜態(tài)的策略，沒有辦法及時(shí)針對(duì)環(huán)境動(dòng)態(tài)的變化.為了解決這個(gè)問題，相關(guān)研究人員開始利用一些優(yōu)化算法嘗試解決計(jì)算卸載的問題.遺傳算法就是一種優(yōu)化算法，這個(gè)算法通過克隆自然的選擇、遺傳的交叉和變異等操作，對(duì)計(jì)算卸載中的解進(jìn)行優(yōu)化.基于改進(jìn)遺傳算法的計(jì)算卸載算法尋找更有效的解和卸載策略，來提高計(jì)算任務(wù)的分配和調(diào)度性能.這種改進(jìn)包括尋找一個(gè)合適的適應(yīng)度函數(shù)、卸載策略和引入多目標(biāo)優(yōu)化策略等.

研究基于改進(jìn)遺傳算法的計(jì)算卸載算法，可以利用合理的卸載策略對(duì)任務(wù)進(jìn)行卸載，并且提高任務(wù)的效率和性能，減少終端設(shè)備的能耗，給用戶提供良好的使用體驗(yàn).這是一個(gè)具有挑戰(zhàn)性的研究領(lǐng)域，目前有越來越多的研究者在這一方面進(jìn)行探索和研究.如文獻(xiàn)［3］引入自適應(yīng)控制參數(shù)的策略，根據(jù)每一代的適應(yīng)度動(dòng)態(tài)調(diào)整算法的參數(shù)，加速算法的收斂速度.文獻(xiàn)［4］結(jié)合粒子群優(yōu)化算法和遺傳算法計(jì)算卸載問題，通過改進(jìn)交叉和變異算子的設(shè)計(jì)，增加算法的多樣性和搜索能力，提高了算法的效果.文獻(xiàn)［5］采用自適應(yīng)調(diào)整的方法，自動(dòng)優(yōu)化算法的參數(shù)，避免了手動(dòng)選擇參數(shù)的困擾，并提高了算法的性能.文獻(xiàn)［6］提出了一種混合遺傳算法與粒子群優(yōu)化算法相結(jié)合的方法，以加快算法的收斂速度.文獻(xiàn)［7－9］考慮了設(shè)備卸載決策和資源的分配，將所有能耗以最小化消耗為目標(biāo)進(jìn)行卸載.文獻(xiàn)［10－11］通過衡量所有任務(wù)卸載的計(jì)算時(shí)間，將任務(wù)塊最小化，減少卸載時(shí)延.

此外，算法的調(diào)度策略也會(huì)導(dǎo)致計(jì)算的迭代次數(shù)增加、收斂速度過慢、能耗增加、時(shí)延增大等問題.為了解決計(jì)算卸載中時(shí)延的問題，本文提出了一種改進(jìn)遺傳算法的計(jì)算任務(wù)卸載算法，改進(jìn)的遺傳算法旨在處理算法收斂速度慢的問題.在這個(gè)基礎(chǔ)上，引入縱橫交叉算法改進(jìn)和優(yōu)化邊緣計(jì)算的任務(wù)卸載問題.縱橫交叉算法是通過水平交叉和垂直交叉對(duì)邊緣計(jì)算任務(wù)卸載的解進(jìn)行改進(jìn)和優(yōu)化.該算法利用了縱向和橫向的交叉操作來提高了解的質(zhì)量.水平交叉和垂直交叉的結(jié)合能夠更好地優(yōu)化計(jì)算任務(wù)的分配和調(diào)度，進(jìn)一步提高算法的性能和效率［12］.

1 系統(tǒng)模型

1.1 系統(tǒng)場景

在一條只能單向通行的公路上按照每隔一定距離布置n個(gè)邊緣服務(wù)器（Edge Server，ES）在該模型中，設(shè)邊緣服務(wù)器之間的距離為d，假設(shè)車輛在該道路上正常勻速行駛，且車輛的基本信息可以發(fā)送到道路的邊緣服務(wù)器上面，具體的系統(tǒng)場景如圖1所示.

圖1 系統(tǒng)場景

在本方案中，車輛任務(wù)可以在車輛自身或者路邊的邊緣服務(wù)器上進(jìn)行處理，當(dāng)任務(wù)數(shù)據(jù)量過大或者車輛本身的資源不夠的時(shí)候，會(huì)將任務(wù)傳輸給路邊基站或者附近空閑車輛處理，經(jīng)過計(jì)算再返回給車輛.在這個(gè)過程中消耗的時(shí)間比較長，會(huì)有很嚴(yán)重的能量損耗.因此本文考慮將計(jì)算任務(wù)進(jìn)行分塊處理，當(dāng)車輛行駛過程中，在不影響任務(wù)完成的情況下，將任務(wù)塊分發(fā)給路側(cè)附近的邊緣服務(wù)器，等結(jié)果計(jì)算出來之后再返回車輛.隨著車輛的行駛，未完成的任務(wù)塊可以在之后距離車輛近的邊緣服務(wù)器進(jìn)行卸載，直到完成任務(wù)計(jì)算.該方案充分利用邊緣服務(wù)器為車輛任務(wù)提供適時(shí)計(jì)算服務(wù).

1.2 計(jì)算卸載模型

設(shè)車輛v需要卸載的任務(wù)為M，車輛的集合是N＝｛1，2，…，i，…，n｝，每個(gè)設(shè)備只能生成一個(gè)任務(wù)集Ti，并且每個(gè)任務(wù)具有以下屬性集Si＝｛di，ci，fi，resi，deadi，Ai｝，其中di表示任務(wù)的數(shù)據(jù)比特位大小，ci表示每字節(jié)需要的時(shí)鐘周期數(shù)，fi表示本地設(shè)備的時(shí)鐘頻率，resi表示任務(wù)計(jì)算所需要的資源，deadi表示任務(wù)的截止時(shí)間，Ai表示任務(wù)的優(yōu)先級(jí)，任務(wù)數(shù)據(jù)量越大，優(yōu)先級(jí)越高，任務(wù)截止日期越早，優(yōu)先級(jí)越高.任務(wù)優(yōu)先級(jí)的數(shù)學(xué)定義如下：

1.2.1 本地處理

由于移動(dòng)車輛具有計(jì)算能力，如果車輛有豐富的計(jì)算資源，則一些任務(wù)可以在本地進(jìn)行處理［13］，設(shè)本地處理任務(wù)的設(shè)備集為GL，如果任務(wù)Ti在本地執(zhí)行，i∈GL，本地處理的任務(wù)時(shí)間只包括計(jì)算時(shí)間，不包括傳輸時(shí)間.因此任務(wù)Ti在本地處理所花費(fèi)的時(shí)間tli大小為：

另外，將車輛i在一個(gè)時(shí)鐘周期內(nèi)所消耗的能量定義為，因此任務(wù)Ti在本地處理過程中所消耗的能量估計(jì)為：

1.2.2 邊緣計(jì)算模型

如果本地移動(dòng)設(shè)備沒有足夠的資源滿足任務(wù)所需的資源量，則以計(jì)算卸載的形式將任務(wù)轉(zhuǎn)移到時(shí)鐘服務(wù)器.需要考慮三方面的時(shí)間消耗，第一是需要考慮車輛任務(wù)傳輸?shù)铰愤呥吘壏?wù)器的時(shí)間，第二是任務(wù)在邊緣服務(wù)器上計(jì)算花費(fèi)的時(shí)間，最后是邊緣服務(wù)器將計(jì)算結(jié)果返回給車輛的時(shí)間.將在ES服務(wù)器上處理任務(wù)的數(shù)據(jù)集定義為GR，如果任務(wù)Ti被卸載到ES服務(wù)器上進(jìn)行處理，那么i∈GR.

假設(shè)邊緣網(wǎng)絡(luò)由m個(gè)ES服務(wù)器組成，用集合M＝｛1，2，…，j，…，m｝表示，并且集合具有以下屬性集S＝｛cj，fj，resj，Bj｝，其中cj代表著ES服務(wù)器計(jì)算一個(gè)比特所需要的時(shí)鐘周期數(shù)，fj表示ES服務(wù)器的時(shí)鐘頻率，resj表示ES服務(wù)器擁有的資源量，B表示ES服務(wù)器計(jì)算一個(gè)比特人物所需的處理時(shí)間，B值越小，說明ES服務(wù)器的計(jì)算能力越強(qiáng)，即優(yōu)先級(jí)越高.B的定義如下：

接下來，就要考慮將優(yōu)先級(jí)更高的任務(wù)卸載給計(jì)算能力更強(qiáng)的ES服務(wù)器.

在計(jì)算卸載過程中，需要一定的傳輸時(shí)間.根據(jù)香農(nóng)定理，信息源的信息速率小于或者等于信道容量，那么，在理論上存在一種方法可使信息源的輸出能夠以任意小的差錯(cuò)概率通過信道傳輸［14］.任務(wù)卸載到ES服務(wù)器時(shí)的最大上行傳輸速率定義為：

其中，B是車輛i和基站k之間的通信帶寬，為車輛i的傳輸功率，h2為車輛i與基站k之間的無線信道增益，σ2表示邊緣服務(wù)器k的噪聲功率為卸載時(shí)的干擾功率.此時(shí)，傳輸時(shí)間為：

因此，將任務(wù)Ti卸載到ES服務(wù)器j執(zhí)行所需的總時(shí)間如下：

除此之外，ES服務(wù)器j的能源消耗在一個(gè)時(shí)鐘周期內(nèi)被定義為，因此任務(wù)Ti卸載到ES服務(wù)器j上能量消耗的執(zhí)行費(fèi)用估計(jì)為：

處理一個(gè)任務(wù)的總時(shí)間包括傳輸時(shí)間和計(jì)算時(shí)間，返回時(shí)間忽略不計(jì).因此處理任務(wù)的總時(shí)間Ttotal為：

處理所有任務(wù)的總能量消耗Etotal表示為：

2 改進(jìn)的遺傳算法

遺傳算法在計(jì)算卸載問題中得到過廣泛的應(yīng)用.第一，通過適應(yīng)度函數(shù)對(duì)每個(gè)個(gè)體的優(yōu)劣程度進(jìn)行評(píng)估，再根據(jù)評(píng)估結(jié)果指導(dǎo)后續(xù)群體中的個(gè)體進(jìn)化，比如卸載響應(yīng)的時(shí)間、卸載能耗等優(yōu)化卸載策略.第二，遺傳算法能夠在解的范圍內(nèi)進(jìn)行全方面搜索，特別是在一些復(fù)雜、參數(shù)較多的問題中.這種能力可以幫助車輛找到更好的卸載策略，從而降低能耗.但是現(xiàn)有的遺傳卸載算法也存在一些不足.首先，在計(jì)算開銷上，遺傳算法需要在大量的群體上進(jìn)行迭代，從而導(dǎo)致計(jì)算資源被浪費(fèi)在大量的迭代計(jì)算上.其次，適應(yīng)度函數(shù)的設(shè)計(jì)對(duì)遺傳算法的效果也有很大的影響，在特定的情況需要選擇特定的適應(yīng)度函數(shù)來確定優(yōu)秀結(jié)果的標(biāo)準(zhǔn).最后，雖然遺傳算法具有全局搜索的能力，但是算法在局部搜索方面的表現(xiàn)比較弱.所以在計(jì)算卸載的應(yīng)用中，通過遺傳算法得到的解可能只是局部解.

針對(duì)任務(wù)卸載會(huì)陷入局部解的情況，本文提出一種基于縱橫交叉的改進(jìn)遺傳算法.傳統(tǒng)的交叉操作只是在染色體周圍相鄰的位置進(jìn)行交叉操作，改進(jìn)的縱橫交叉中引進(jìn)了橫向搜索，這樣可以使染色體和任意位置進(jìn)行互換，增加了可行解的多樣性.傳統(tǒng)的染色體只能在同一個(gè)染色體內(nèi)進(jìn)行基于互換組合操作，縱橫交叉算法的引入使基因組合可以跨越多個(gè)染色體，這使得基因的組合更加靈活并有助于找到全局最優(yōu)解.總的來說，將縱橫交叉算法引入到遺傳算法中可以增加解的多樣性，以及有利于搜索全局最優(yōu)解.圖2為改進(jìn)遺傳算法流程圖.

圖2 改進(jìn)遺傳算法流程

2.1 初始化

種群由M條染色體組成，每條染色體對(duì)應(yīng)一種卸載策略.設(shè)將車輛的一個(gè)任務(wù)當(dāng)作一條染色體，染色體上的每個(gè)基因?qū)?yīng)著一個(gè)子任務(wù)，通過對(duì)基因的編碼，使用0、1和2來分別表示子任務(wù)在本地執(zhí)行、在邊緣服務(wù)器端執(zhí)行和在云端執(zhí)行.

2.2 適應(yīng)度函數(shù)

在達(dá)爾文進(jìn)化論中，適應(yīng)度指的是生物的個(gè)體適應(yīng)環(huán)境和繁衍后代的能力.適應(yīng)度函數(shù)是用來評(píng)價(jià)個(gè)體好壞的標(biāo)準(zhǔn)，函數(shù)的值越大，個(gè)體越容易在進(jìn)化中被保留適應(yīng)度函數(shù).因?yàn)闀r(shí)延越小，速度越快，性能越好，因此取式（9）的倒數(shù)作為適應(yīng)度函數(shù)fit.該函數(shù)是計(jì)算卸載消耗能耗的倒數(shù)，值越小說明能耗消耗越大，當(dāng)值越大的時(shí)候，說明個(gè)體在進(jìn)化中更趨向成功，屬于優(yōu)秀個(gè)體.

2.3 選擇

在選擇階段，染色體進(jìn)行重組，通過交叉和變異的操作產(chǎn)生下一代種群.這個(gè)操作是基于輪盤賭的方法，選擇用于重組的概率為1.

2.4 縱橫交叉

交叉操作就是將兩個(gè)染色體，進(jìn)行交叉組合，以產(chǎn)生更高質(zhì)量的后代.縱橫交叉（Crisscrossoptimization algorithm，CSO）是一種基于種群的隨機(jī)搜索算法.縱橫交叉通過兩種不同的交叉方式來解決一般智能算法中存在的局部最優(yōu)問題.縱橫交叉包括橫向交叉和縱向交叉.染色體的基因通過交叉會(huì)產(chǎn)生新的染色體，每次交叉操作得到的解稱為中庸解（MShc，MSvc）.為了更好地結(jié)合這兩種交叉方式，引入競爭算子，使得它們能夠有機(jī)地結(jié)合在一起.

2.4.1 橫向交叉操作

橫向交叉是指在縱橫交叉算法的橫向搜索階段，通過利用當(dāng)前最優(yōu)解，將其傳遞給相鄰的子問題，以促進(jìn)全局最優(yōu)解的發(fā)現(xiàn).具體而言，在每個(gè)子問題中，縱向搜索階段會(huì)找到該子問題的一個(gè)局部最優(yōu)解.然后通過橫向交叉，將局部最優(yōu)解傳遞給相鄰的子問題，作為相鄰子問題進(jìn)行橫向搜索的起點(diǎn).

橫向交叉的方式如下，假設(shè)父代個(gè)體粒子X（i）和X（j）的第d維進(jìn)行橫向交叉，則它們產(chǎn)生子代的公式如下：

在上述公式中，r1和r2表示［0，1］之間的隨機(jī)數(shù)，c1和c2是［－1，1］之間的隨機(jī)數(shù)，X（i，d）和X（j，d）分別是父代種群中個(gè)體粒子X（i）和X（j）的第d維子代；MShc（i，d）和MShc（j，d）分別是X（i，d）和X（j，d）通過橫向交叉產(chǎn)生的第d維子代.

在縱橫交叉算法中，橫向交叉操作是通過將不同個(gè)體粒子的記憶項(xiàng)和群體認(rèn)知項(xiàng)結(jié)合起來，生成新的中庸解，這個(gè)過程涉及一些參數(shù)和計(jì)算步驟，有如下的解釋：r1為慣性權(quán)重因子，表示個(gè)體粒子對(duì)自身記憶項(xiàng)的重視程度.r1×X（i，d）代表個(gè)體粒子X（i）的記憶項(xiàng)，即個(gè)體粒子在當(dāng)前狀態(tài)下的最優(yōu)值，這個(gè)項(xiàng)體現(xiàn)了個(gè)體對(duì)自身經(jīng)驗(yàn)的重要性.（1－r1）表示個(gè)體粒子對(duì)群體認(rèn)知項(xiàng)的重視程度.（1－r1）×X（j，d）代表個(gè)體粒子X（j）的群體認(rèn)知項(xiàng)，即個(gè)體粒子之間相互影響的信息，這個(gè)項(xiàng)體現(xiàn)了個(gè)體之間的相互學(xué)習(xí)和合作.c1為 學(xué)習(xí) 因子，用于調(diào)節(jié)個(gè)體粒子和群體認(rèn)知項(xiàng)之間的差異.c1×（X（i，d）－X（j，d））可以增大搜索區(qū)間，在邊緣尋優(yōu)這個(gè)項(xiàng)幫助個(gè)體粒子探索更廣泛的解空間.

橫向交叉操作完成后，得到的中庸解MShc（i，d）和MShc（j，d）需要與父代粒子X（i）和X（j）的適應(yīng)度進(jìn)行比較.只有適應(yīng)度更好的中庸解才會(huì)被保留下來，成為占優(yōu)解DShc，并參與下一次迭代.

2.4.2 縱向交叉操作

縱向交叉是縱橫交叉算法中的一種操作，它是針對(duì)一個(gè)粒子的兩個(gè)不同維度進(jìn)行的算數(shù)交叉.由于不同維度的取值范圍可能不同，所以在進(jìn)行交叉之前需要對(duì)這兩個(gè)維度進(jìn)行歸一化處理.為了解決已經(jīng)陷入維度局部最優(yōu)而停滯的問題，同時(shí)又不破壞另一個(gè)維度的信息，縱向交叉操作每次只產(chǎn)生一個(gè)子代粒子，并且只對(duì)其中一個(gè)維度進(jìn)行更新.

假定粒子X（i）的第d1維和第d2維是參與縱相交叉，根據(jù)公式（14）產(chǎn)生中庸解MSvc（i，d1）

式中，r∈［0，1］；MSvc（i，d1）是個(gè)體粒子X（i）的第d1維和第d2維通過縱向交叉產(chǎn)生的第d1維后代.

式（14）中的第一項(xiàng)是粒子X（i）的第d1維的記憶項(xiàng)，第二項(xiàng)是粒子X（i）的第d1維和第d2維相互影響，通過慣性權(quán)重因子r結(jié)合在一起.然后，將中庸解MSvc（i，d1）與父代粒子X（i）的適應(yīng)度進(jìn)行比較，較好的解將被保留下來作為占優(yōu)解DSvc，并參與下一次迭代.通過這種方式，縱向交叉操作在保留粒子當(dāng)前最優(yōu)值的同時(shí)，還能夠引入其他維度的信息，有助于增加搜索的多樣性和全局探索的能力.同時(shí)，通過適應(yīng)度的比較，只有更好的解才能被保留下來，以提高算法的收斂性和優(yōu)化效果.

2.5 變異

變異的目的是防止遺傳物質(zhì)的丟失，維持多樣性的重要機(jī)制交叉并不能保證進(jìn)入新的搜索空間，因此通過變異的隨機(jī)變化有助于這兩種交叉方式有機(jī)地結(jié)合起來：每次交叉操作之后都會(huì)進(jìn)入競爭算子與父代進(jìn)行競爭，只有比父代更優(yōu)秀的粒子才會(huì)被保留下來進(jìn)入下次迭代，得出的解稱為占優(yōu)解（DShc，DSvc）.

在算法迭代多次之后，算法會(huì)將適應(yīng)度不好的染色體淘汰，剩下的染色體留下來作為這一階段的最優(yōu)解.這些解的適應(yīng)度值可以達(dá)到預(yù)先設(shè)置的適應(yīng)度，以此來當(dāng)作該部分的卸載方案.

3 仿真與評(píng)估

本章對(duì)于提出的基于縱橫交錯(cuò)的遺傳算法（Genetic Algorithm，簡稱GA）算法性能進(jìn)行了仿真實(shí)驗(yàn).

3.1 參數(shù)設(shè)置

仿真實(shí)驗(yàn)主要考慮車輛在進(jìn)行計(jì)算任務(wù)是否需要計(jì)算卸載，以下為該實(shí)驗(yàn)的參數(shù).

表1 實(shí)驗(yàn)參數(shù)

3.2 實(shí)驗(yàn)結(jié)果和分析

在本次實(shí)驗(yàn)中，local表示任務(wù)在本地執(zhí)行，沒有邊緣設(shè)備的參與；GA 表示通過遺傳算法對(duì)計(jì)算任務(wù)進(jìn)行卸載處理；im－GA 表示通過改進(jìn)過的GA 算法對(duì)計(jì)算任務(wù)進(jìn)行卸載處理.

3.2.1 迭代次數(shù)對(duì)實(shí)驗(yàn)的影響

通過不同次數(shù)的迭代，可以判斷適應(yīng)度的收斂過程.實(shí)驗(yàn)通過在［0，50］進(jìn)行次數(shù)迭代.隨著迭代次數(shù)的增加，通過基于遺傳算法進(jìn)行卸載的算法，個(gè)體適應(yīng)度隨著迭代次數(shù)的增加而增加，通過改進(jìn)遺傳算法的卸載算法，個(gè)體適應(yīng)度值逐漸趨向于收斂，由此可以得出結(jié)論：當(dāng)?shù)螖?shù)在30～50時(shí)，求解精度更準(zhǔn)確，得到的實(shí)驗(yàn)結(jié)果會(huì)更好，如圖3所示.

圖3 迭代次數(shù)對(duì)適應(yīng)度的影響

3.2.2 計(jì)算任務(wù)的數(shù)量對(duì)實(shí)驗(yàn)的影響

通過對(duì)本地卸載、遺傳卸載和改進(jìn)遺傳卸載的比較，在不同的任務(wù)數(shù)量時(shí)，適應(yīng)度的值會(huì)隨著任務(wù)量的增大而增大，通過實(shí)驗(yàn)比較，在任務(wù)數(shù)量增加時(shí)，任務(wù)的適應(yīng)度在im－GA 算法中表現(xiàn)最優(yōu)，本地卸載算法中適應(yīng)度呈線性增加，與所要求的低適應(yīng)度不符；遺傳算法中適應(yīng)度增長變快.這說明改進(jìn)的遺傳算法在針對(duì)任務(wù)數(shù)量巨大的情況下有優(yōu)越性，如圖4所示.

圖4 任務(wù)數(shù)量對(duì)適應(yīng)度的影響

3.2.3 傳輸數(shù)據(jù)大小對(duì)實(shí)驗(yàn)的影響

本節(jié)仿真了任務(wù)傳輸數(shù)據(jù)大小不同時(shí)對(duì)實(shí)驗(yàn)造成的影響.當(dāng)任務(wù)卸載策略相同的時(shí)候，數(shù)據(jù)傳輸越大，傳輸時(shí)間就會(huì)越長，整個(gè)任務(wù)的執(zhí)行就會(huì)變得越久.同樣的傳輸能耗也越大.本地計(jì)算、GA 和改進(jìn)GA 在相同情況下對(duì)比，如圖5所示.

圖5 傳輸數(shù)據(jù)大小對(duì)適應(yīng)度的影響

4 結(jié)論

為了解決移動(dòng)邊緣計(jì)算中傳統(tǒng)的計(jì)算卸載資源不足的問題，本文提出一種新的基于縱橫交叉的遺傳卸載算法.實(shí)驗(yàn)開始對(duì)任務(wù)進(jìn)行編碼、計(jì)算適應(yīng)度、選擇、交叉、變異操作計(jì)算任務(wù)調(diào)度問題，使得任務(wù)可以一部分在車輛自身卸載，一部分可以在ES服務(wù)器上進(jìn)行計(jì)算然后返回.通過對(duì)迭代次數(shù)、任務(wù)量、任務(wù)大小等參數(shù)的對(duì)比，可以看出本文算法在適應(yīng)度收斂方面有顯著的提升.