一种面向无线供能移动边缘网络的在线计算卸载方法

技术领域

本发明涉及移动边缘计算技术领域，具体而言，尤其涉及一种面向无线供能移动边缘网络的在线计算卸载方法。

背景技术

新兴的移动边缘计算（Mobile Edge Computing，MEC）技术被广泛认为是提高无线设备计算性能的关键解决方案，特别是对于计算能力较低、尺寸受限的物联网设备。除了计算资源的限制外，可持续的无线设备能源供应成为另一个瓶颈。无线电力传输（WPT）被认为是MEC网络提供可持续能源的一种很有吸引力的解决方案，在MEC网络中，无线设备从能量发射器发射的射频信号中获取能量以传输信息。

现有的工作可通过射频能量发射器集成到MEC服务器中，将WPT应用于MEC。由于WPT的可控性，在无线供电的MEC系统中，用户的计算能量需求与边缘节点的无线供电之间的相互作用可以有效地调整和平衡。无线供电MEC系统设计需要解决的一个基本问题是：在考虑任务到达因果关系和能量收集约束的情况下，如何联合设计WPT、计算和通信资源分配，使无线供电MEC系统用户的计算速率最大。

近些年已有几项工作研究了无线供电MEC系统在各种设置下的联合WPT、通信和计算资源分配。然而，这些研究关注的是特定时隙的一次性优化，假设无线信道不变，用户处的静态任务模型不变，这将无法解决实际系统中动态任务到来带来的新设计挑战。CN117076121A公开了一种面向无线供能辅助移动边缘计算的智能任务分配方法，同时优化无线能量站的充电时间和终端设备的卸载路径选择来辅助移动边缘计算。然而，该专利仅考虑离线信道条件和任务数据到达，未考虑无线设备任务数据到达的随机性和信道条件的时变性，因此该专利所述方法无法解决在线条件（时变信道和随机任务数据到达）的计算卸载，在线计算卸载更加贴合实际情况。

发明内容

有鉴于此，本发明的目的在于提出一种面向无线供能移动边缘网络的在线计算卸载方法，以解决在在线情况下无线供能辅助移动边缘计算的通信和资源调度问题。

本发明采用的技术手段如下：

一种面向无线供能移动边缘网络的在线计算卸载方法，包括如下步骤：

S1、建立随机任务数据到达和时变信道场景下无线供能辅助移动边缘计算模型的基本框架；

S2、根据所述的无线供能辅助移动边缘计算模型的基本框架，对移动边缘计算资源分配进行数学建模，得到数学模型；

S3、根据S2所得到的数学模型，利用李雅普诺夫优化方法结合基于模型的优化算法和无模型的机器学习方法在保证数据队列稳定性的前提下最大化所有无线设备的加权和计算速率，采用拉格朗日对偶优化法对目标函数和分配比例决策进行资源分配，得到无线供能持续时间、传输时间分配和计算卸载决策。

进一步地，S1具体包括如下步骤：

S11、建立一个基站，多个无线设备系统模型，基站配备边缘计算服务器和射频能量发射器，每个设备都有一个天线，一个可充电电池，收集存储的能量，为设备的运行提供动力；将系统时间划分为等长的连续时间帧，

S12、根据时变信道条件和随机任务数据到达，无线设备从基站获取无线能量，进行合理的能量分配，使得所有无线设备加权和计算速率最大化，从而得到随机任务数据到达和时变信道场景下无线供能辅助移动边缘计算模型的基本框架。

进一步地，S2具体包括如下步骤：

建立如下目标函数：

，

其中，

进一步地，S2中的目标函数为多阶段随机优化问题，S3具体包括如下步骤：

S31、通过设置李雅普诺夫函数、李雅普诺夫漂移及最小化漂移加惩罚上界的方法转化目标函数，并引入惩罚因子得到新的目标函数，将S2多阶段随机优化问题解耦为每时间帧确定性问题；

S32、所述无模型的机器学习方法为神经网络，系统生成信道信息和任务量并更新数据队列，将信道信息

S33、将S32的分配决策进行单独处理以及加入噪声进行处理，得到一系列关于当前时刻用户能量的分配比例决策；

S34、所述基于模型的优化算法为拉格朗日对偶法，采用拉格朗日对偶方法对S31所得的目标函数和S33得到的分配比例决策进行资源分配，寻找使得目标函数最优的决策并得到该决策下对应的无线能量传输时间和无线设备的计算卸载方案。

进一步地，S31具体包括如下步骤：

S311、使用李雅普诺夫函数作为网络拥挤的度量标量，基于数据队列，李雅普诺夫函数值越小则表明所有队列都不拥挤，值越大表明至少存在一个队列拥挤，相应地用户等待处理的时间越长，李雅普诺夫函数定义为数据队列平方和形式，李雅普诺夫函数的公式如下：

其中，

S312、将下一时间帧李雅普诺夫函数值减去当前时间帧李雅普诺夫函数值，得到李雅普诺夫漂移；所述李雅普诺夫漂移用来权衡资源分配策略的选择，通过控制函数在每一步的变化可以控制函数的最终值，李雅普诺夫漂移的公式如下：

S313、根据S312得到的李雅普诺夫漂移函数，将目标函数映射到合适的惩罚函数得到李雅普诺夫漂移加惩罚函数，公式如下：

其中，

进一步地，S32具体包括如下步骤：

采用无模型的机器学习算法需借助历史数据，设置输入层，输出层，两个隐藏层，将信道条件与数据队列通过卷积神经网络，输出关于能量的分配决策。

进一步地，S33具体包括如下步骤：

根据神经网络输出的决策，衍生

进一步地，S34具体包括如下步骤：

S341、通过引入对偶变量设置部分拉格朗日函数；

S342、求解部分拉格朗日函数对无线设备卸载任务时间的一阶偏导数，并令其等于零；

S343、根据朗伯

S344、求解S341部分拉格朗日函数关于无线功率传输时间的一阶偏导数，并令其等于零；

S345、根据S344所得部分拉格朗日一阶偏导等于零的函数，采用二分法求解关于对偶变量的单调函数的极值点，即为当前最优计算卸载方案。

本发明还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时，执行上述任一项面向无线供能移动边缘网络的在线计算卸载方法。

本发明还提供了一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器通过所述计算机程序运行执行上述任一项面向无线供能移动边缘网络的在线计算卸载方法。

较现有技术相比，本发明具有以下优点：

1、本发明提出面向无线供能多用户移动边缘网络在线（时变信道条件和随机任务数据到达）计算卸载模型，相比于固定信道条件和已知任务数据的离线模型更加贴合实际情况；

2、本发明提供的基于李雅普诺夫的深度强化学习在线部分卸载算法，也称LyDROP算法，使用李雅普诺夫函数将随机优化问题解耦为每时间帧确定性问题，同时保证数据队列稳定性；

3、对于每时间帧确定性问题，本发明采用基于模型的优化（拉格朗日对偶法）与无模型的优化（神经网络）相结合的方式，既利用了历史数据，又使用了数学公式推导的方法，更好地完成了计算卸载。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基本框架图。

图2为本发明算法流程图。

图3为无线设备数量为10时，算法加权和计算速率结果对比图。

图4为无线设备数量为10时，算法平均数据队列长度结果对比图。

图5为无线设备数量为20时，算法加权和计算速率结果对比图。

图6为无线设备数量为20时，算法平均数据队列长度结果对比图。

图7为无线设备数量为30时，算法加权和计算速率结果对比图。

图8为无线设备数量为30时，算法平均数据队列长度结果对比图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1和2所示，本发明提供了一种面向无线供能移动边缘网络的在线计算卸载方法，包括如下步骤：

S1、建立随机任务数据到达和时变信道场景下无线供能辅助移动边缘计算模型的基本框架；

S11、建立一个基站，多个无线设备系统模型，基站配备边缘计算服务器和射频能量发射器，每个设备都有一个天线，一个可充电电池，收集存储的能量，为设备的运行提供动力；将系统时间划分为等长的连续时间帧，

S12、根据时变信道条件和随机任务数据到达，无线设备从基站获取无线能量，进行合理的能量分配，使得所有无线设备加权和计算速率最大化，从而得到随机任务数据到达和时变信道场景下无线供能辅助移动边缘计算模型的基本框架。

S2、根据所述的无线供能辅助移动边缘计算模型的基本框架，对移动边缘计算资源分配进行数学建模，得到数学模型；

建立如下目标函数：

，

其中，

S3、根据S2所得到的数学模型，利用李雅普诺夫优化方法结合基于模型的优化算法和无模型的机器学习方法在保证数据队列稳定性的前提下最大化所有无线设备的加权和计算速率，采用拉格朗日对偶优化法对目标函数和分配比例决策进行资源分配，得到无线供能持续时间、传输时间分配和计算卸载决策。S2中的目标函数为多阶段随机优化问题。

S31、通过设置李雅普诺夫函数、李雅普诺夫漂移及最小化漂移加惩罚上界的方法转化目标函数，并引入惩罚因子得到新的目标函数，将S2多阶段随机优化问题解耦为每时间帧确定性问题；

S311、使用李雅普诺夫函数作为网络拥挤的度量标量，基于数据队列，李雅普诺夫函数值越小则表明所有队列都不拥挤，值越大表明至少存在一个队列拥挤，相应地用户等待处理的时间越长，李雅普诺夫函数定义为数据队列平方和形式，李雅普诺夫函数的公式如下：

其中，

S312、将下一时间帧李雅普诺夫函数值减去当前时间帧李雅普诺夫函数值，得到李雅普诺夫漂移；所述李雅普诺夫漂移用来权衡资源分配策略的选择，通过控制函数在每一步的变化可以控制函数的最终值，李雅普诺夫漂移的公式如下：

S313、根据S312得到的李雅普诺夫漂移函数，将目标函数映射到合适的惩罚函数得到李雅普诺夫漂移加惩罚函数，公式如下：

其中，

S32、所述无模型的机器学习方法为神经网络，系统生成信道信息和任务量并更新数据队列，将信道信息

采用无模型的机器学习算法需借助历史数据，设置输入层，输出层，两个隐藏层，将信道条件与数据队列通过卷积神经网络，输出关于能量的分配决策。

S33、将S32的分配决策进行单独处理以及加入噪声进行处理，得到一系列关于当前时刻用户能量的分配比例决策；

根据神经网络输出的决策，衍生

S34、所述基于模型的优化算法为拉格朗日对偶法，采用拉格朗日对偶方法对S31所得的目标函数和S33得到的分配比例决策进行资源分配，寻找使得目标函数最优的决策并得到该决策下对应的无线能量传输时间和无线设备的计算卸载方案。

S341、通过引入对偶变量设置部分拉格朗日函数；

S342、求解部分拉格朗日函数对无线设备卸载任务时间的一阶偏导数，并令其等于零；

S343、根据朗伯

S344、求解S341部分拉格朗日函数关于无线功率传输时间的一阶偏导数，并令其等于零；

S345、根据S344所得部分拉格朗日一阶偏导等于零的函数，采用二分法求解关于对偶变量的单调函数的极值点，即为当前最优计算卸载方案。

本文提出的一种基于无线供能（WPT）辅助移动边缘计算在线任务分配方法，通过使用李雅普诺夫优化方法，结合基于模型的方法和无模型的机器学习算法，以最大化所有无线设备加权和计算速率为优化目标。

本实施例在实际的任务场景中进行实验，分别在终端无线设备数量下进行测试。本文的对比算法采用了李雅普诺夫结合坐标下降法（LyCD），李雅普诺夫结合随机部分卸载算法（LyRPO）以及短视算法（Myopic）。

如图3所示，为无线设备数量为10，相同时间范围内各算法加权和计算速率对比图。

如图4所示，为无线设备数量为10，相同时间范围内各算法下平均数据队列长度对比图。

由图3和图4可以看出，在无线设备数量为10时，尽管短视算法可以保证较高的计算速率，但是它无法保证数据队列的稳定性，所以在接下来的对比算法中，将不再考虑短视算法。

如图5所示，为无线设备数量为20，相同时间范围内各算法加权和计算速率对比图。

如图6所示，为无线设备数量为20，相同时间范围内各算法下平均数据队列长度对比图。

如图7所示，为无线设备数量为30，相同时间范围内各算法加权和计算速率对比图。

如图8所示，为无线设备数量为30，相同时间范围内各算法下平均数据队列长度对比图。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。