一种面向电力物联网的边缘计算任务卸载方法及系统

技术领域

本发明涉及电力物联网技术领域，尤其涉及一种面向电力物联网的边缘计算任务卸载方法及系统。

背景技术

随着智能电网的不断建设，电力物联网的终端设备产生的数据成爆发式增长，囊括了智能电网中的各种环节。为了确保智能电网的高效安全稳定运行，对电力物联网产生的数据处理的时延提出了严格的要求，需要对监测的数据进行实时的识别和处理，并且做出快速响应。传统的电力物联网数据处理方式是将所有的电力物联网产生的数据传输到云服务器上，通过云服务器的计算能力来集中的处理和分析数据。然而将大量数据传输到远程云端通常会消耗大量带宽等资源，造成巨大的通信成本。此外，在严重的情况下，数据的远程传输还可能造成巨大时延和堵塞，无法满足时延敏感业务的需求。为了解决这些问题，考虑采用边缘计算技术(Mobile Edge Computing，MEC)，在用户邻近的地方设立MEC服务器进行计算，可以有效地缓解时延和功耗带来的问题，提高用户服务质量。

边缘计算技术的核心是任务卸载技术。现有文献主要集中在研究以时延和功耗为衡量指标的任务卸载技术，对能源成本考虑较少。

发明内容

本发明提供一种面向电力物联网的边缘计算任务卸载方法及系统，解决的技术问题在于：如何综合优化系统的时延、功耗和成本，以提升用户的服务质量。

为解决以上技术问题，本发明提供一种面向电力物联网的边缘计算任务卸载方法，包括步骤：

S1、建立电力物联网边缘计算系统；

所述电力物联网边缘计算系统包括一个边缘服务器以及在所述边缘服务器服务范围内的N个终端设备，每个所述终端设备上的待处理任务选择在本地执行或卸载至所述边缘服务器执行；

S2、计算所述终端设备上的待处理任务在本地计算时的本地计算开销函数和在所述边缘服务器上计算时的边缘计算开销函数；

S3、根据所述本地计算开销函数和所述边缘计算开销函数，以最小化所述电力物联网边缘计算系统的总开销为目标构建优化问题；

S4、对所述优化问题进行求解，得出系统任务卸载决策的最优解。

进一步地，在所述步骤S2中，第n个终端设备的本地计算开销函数表示为：

其中，

第n个终端设备的边缘计算开销函数表示为：

其中，

进一步地，

其中，c

由下式计算：

其中，

由下式计算：

其中，

由下式计算：

由下式计算：

其中，B表示无线信道之间的带宽，g

进一步地，在所述步骤S3中，所述优化问题构建为：

P:

s.t.C1:

C2:

C3:

C4:

其中，Z表示所述电力物联网边缘计算系统的总开销；min表示最小化；λ表示

进一步地，在所述步骤S4中，采用基于优质人才引进策略的灰狼算法对所述优化问题进行求解，具体包括步骤：

S41、确定编码方案采用二进制编码，其中的编码0代表终端任务采用本地计算，编码1表示终端任务全部卸载到所述边缘服务器计算；

S42、确定适应度函数为：

fitness表示任务卸载决策所对应的系统适应度；

S43、初始化狼群和参数；

S44、采用适应度函数计算此时狼群中全部灰狼的适应度，确定适应度最高的三只灰狼为α、β、δ狼，其余为ω狼；

S45、基于优质人才引进策略的灰狼算法进行迭代计算，直至满足终止条件终止迭代，输出此时的α狼所代表的系统任务卸载决策作为所述优化问题的最优解。

进一步地，在所述步骤S45中，基于优质人才引进策略的灰狼算法进行迭代计算，具体包括步骤：

S451、判断是否满足终止条件，若是则终止迭代，若否则更新狼群的位置和参数并进入下一步；

S452、计算全部灰狼的适应度，并根据适应度的大小将狼群划分为精英狼和底层狼；

S453、根据人才引进策略，引进优质狼，淘汰底层狼，并更新系统的变异概率P；

S454、返回至步骤S451。

进一步地，在所述步骤S452中，根据适应度将狼群划分为精英狼群和底层狼群，具体包括步骤：

1)设狼群中的灰狼集合为

2)计算当前狼群的平均适应度f

进一步地，所述步骤S453具体包括步骤：

1)在上一代的精英狼群W

2)将当前优质狼群的平均适应度avg(f

其中，C

本发明还提供一种面向电力物联网的边缘计算任务卸载系统，其关键在于：包括边缘计算任务卸载决策端；所述边缘计算任务卸载决策端用于所述的一种面向电力物联网的边缘计算任务卸载方法为所述电力物联网边缘计算系统提供系统任务卸载决策。

本发明提供的一种面向电力物联网的边缘计算任务卸载方法及系统，针对单服务器多终端用户的场景，将能源成本考虑到卸载决策之内，综合了时延、能耗、成本三方面的衡量指标，构建了优化问题；基于灰狼算法，提出了结合优质人才引进策略的灰狼算法卸载策略，降低了系统的时延、能耗和成本，解决了任务卸载最优解的问题，提升了用户的服务质量；结合优质人才引进策略的灰狼算法弥补了传统灰狼算法陷入局部最优解的缺点，增强了系统的性能。

附图说明

图1是本发明实施例提供的一种面向电力物联网的边缘计算任务卸载方法的流程图；

图2是本发明实施例提供的电力物联网边缘计算系统的架构图；

图3是本发明实施例提供的基于优质人才引进策略的灰狼算法的迭代流程图；

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

实施例1

本发明实施例提供的一种面向电力物联网的边缘计算任务卸载方法，如图1所示，包括步骤：

S1、建立电力物联网边缘计算系统；

电力物联网边缘计算系统包括一个边缘服务器以及在MEC服务器服务范围内的N个终端设备，每个终端设备上的待处理任务选择在本地执行或卸载至边缘服务器执行；

S2、计算终端设备上的待处理任务在本地计算时的本地计算开销函数和在边缘服务器上计算时的边缘计算开销函数；

S3、根据本地计算开销函数和边缘计算开销函数，以最小化电力物联网边缘计算系统的总开销为目标构建优化问题；

S4、对优化问题进行求解，得出系统任务卸载决策的最优解。

(1)针对步骤S1

电力物联网边缘计算系统的架构如图2所示，新能源交通、工业生产中的各个物联网器械、智慧城市智慧家居中的物联网设备、用户终端等均为终端设备，这些终端设备通过基站连接边缘服务器即MEC服务器。在电力物联网边缘计算系统中，终端设备总数为N，记作终端设备集合U＝{u

终端设备都有计算任务，以终端设备u

本发明考虑的计算任务是不可再被分割的，即每个终端设备上的待处理任务可选择在本地执行或卸载至边缘服务器执行，N个终端设备的决策向量表示为A＝{a

(2)针对步骤S2

本发明考虑两个方面的开销函数，一是本地计算开销函数，二是边缘计算开销函数。针对每一个终端设备，以第n个终端设备为例，说明各个终端设备对应的本地计算开销函数和边缘计算开销函数。

当任务在本地计算，不考虑边缘服务器计算时，这一阶段将没有传输的时延。

对于第n个终端设备u

其中，

权重因子

具体的，

其中，c

对于第n个终端设备u

其中，

当计算任务在边缘服务器上执行时，会产生额外的延迟，延迟包括输入数据通过无线网络上传的时间、MEC服务器的处理时间，MEC服务器回传任务的传输时延。

由下式计算：

其中，

由下式计算：

其中，

由下式计算：

根据香农公式，

其中，B表示无线信道之间的带宽，g

(3)对于步骤S3

本发明将卸载决策问题看作一个带有约束的多目标卸载决策优化问题。综合考虑最小时延、最低功耗、最低成本为系统的优化的目标，提升MEC服务器的卸载能力。根据步骤S1、S2，该计算任务卸载的优化问题可以表示为：

其中，Z表示电力物联网边缘计算系统的总开销；min表示最小化；λ表示

(4)对于步骤S4

本发明基于灰狼算法，提出了基于优质人才引进策略的灰狼算法。通过改进的灰狼算法得出系统任务卸载决策的最优解。

灰狼优化(GWO)算法是一种模拟大自然中灰狼的等级制度和捕猎行为的群智能算法，模拟自然界中灰狼种群的领导等级和狩猎机制。在灰狼算法中将狼群划分为四个等级α、β、δ和ω。α狼是群体的领导者，其位置定义为历史最优解，处于最高层。主要负责狩猎、睡觉的时间和地方、事物分配等群体各项决策的事务。β狼负责协助α狼进行决策，δ狼听从α狼和β狼。ω狼在最底层，负责种群内部的关系平衡。在算法的迭代过程中，狼群将通过包围、追捕和攻击三个阶段来完成狼群的捕食行为，从而完成全局优化的搜索过程。

灰狼算法的主要数学过程如下所示：

①社会等级分层(Social Hierarchy)

当设计GWO时，首先需构建灰狼社会等级层次模型。计算种群每个个体的适应度，将狼群中适应度最好的三匹灰狼依次标记为α狼、β狼、δ狼，而剩下的灰狼标记为ω狼。也就是说，灰狼群体中的社会等级从高往低排列依次为α狼、β狼、δ狼，及ω狼。GWO的优化过程主要由每代种群中的最好三个解(即α狼、β狼、δ狼)来指导完成。

②包围猎物

在捕猎过程中，灰狼会包围猎物。

③追捕猎物

灰狼具有识别潜在猎物(最优解)位置的能力，在狩猎中，α狼是领导者，而β狼和δ狼是参与者。搜索过程主要靠α、β、δ狼的指引来完成。但是很多问题的解空间特征是未知的，ω狼是无法确定猎物(最优解)的精确位置。为了模拟灰狼(候选解)的搜索行为，假设α、β、δ具有较强识别潜在猎物位置的能力。因此，在每次迭代过程中，保留当前种群中的最好三只灰狼(α、β、δ)，然后根据它们的位置信息来更新其它灰狼(包括ω)的位置。

总的来说，α、β、δ狼需首先预测出猎物(潜在最优解)的大致位置，然后其它候选狼在当前最优三只狼的指引下在猎物附近随机地更新它们的位置。

④攻击猎物

当收敛因子

但是传统的灰狼优化算法在求解复杂问题容易陷入局部最优解，从而导致收敛速度变慢，优化效果变差，效率降低。所以本发明提出基于优质人才引进策略对灰狼优化算法进行改进，弥补这些缺点，增强系统性能。基于优质人才引进策略原理是引入高层次人才，并将最底层的人口个体替换。之前人口中的优质人才被用来引导之后人才引进的方向。该方法按照适应度函数值初始化将狼群划分为精英狼群体和底层狼群体。

具体的，在步骤S4中，采用基于优质人才引进策略的灰狼算法对优化问题进行求解，具体包括步骤：

S41、确定编码方案采用二进制编码，其中的编码0代表终端任务采用本地计算，编码1表示终端任务全部卸载到边缘服务器计算；

S42、确定适应度函数为：

fitness表示任务卸载决策所对应的系统适应度；

S43、初始化狼群和参数

S44、采用适应度函数计算此时狼群中全部灰狼的适应度，确定适应度最高的三只灰狼为α、β、δ狼，其余为ω狼；

S45、基于优质人才引进策略的灰狼算法进行迭代计算，直至满足终止条件终止迭代，输出此时的α狼所代表的系统任务卸载决策作为优化问题的最优解。

在步骤S45中，基于优质人才引进策略的灰狼算法进行迭代计算，如图3所示，具体包括步骤：

S451、判断是否满足终止条件，若是则终止迭代，若否则更新狼群的位置和参数

S452、计算全部灰狼的适应度，并根据适应度的大小将狼群划分为精英狼和底层狼；

S453、根据人才引进策略，引进优质狼，淘汰底层狼，并更新系统的变异概率P；

S454、返回至步骤S451。

在步骤S452中，根据适应度将狼群划分为精英狼群和底层狼群，具体包括步骤：

1)设狼群中的灰狼集合为

2)计算当前狼群的平均适应度f

步骤S453具体包括步骤：

1)在上一代的精英狼群W

X

其中，X

2)将当前优质狼群的平均适应度avg(f

其中，C

综上所述，本发明实施例提供的一种面向电力物联网的边缘计算任务卸载方法，针对单服务器多终端用户的场景，将能源成本考虑到卸载决策之内，综合了时延、能耗、成本三方面的衡量指标，构建了优化问题；基于灰狼算法，提出了结合优质人才引进策略的灰狼算法卸载策略，降低了系统的时延、能耗和成本，解决了任务卸载最优解的问题，提升了用户的服务质量；结合优质人才引进策略的灰狼算法弥补了传统灰狼算法陷入局部最优解的缺点，增强了系统的性能。

实施例2

本发明实施例提供的一种面向电力物联网的边缘计算任务卸载系统，包括边缘计算任务卸载决策端；边缘计算任务卸载决策端用于采用实施例1的一种面向电力物联网的边缘计算任务卸载方法为电力物联网边缘计算系统提供系统任务卸载决策。

该系统依赖于实施例1所述方法，能实现与方法相同的效果。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。