超密集网络中计算卸载与资源优化方法

摘要

本发明公开了超密集网络中计算卸载与资源优化方法，该方法包括：获取超密集网络的网络基础信息，根据网络基础信息构建网络系统，并在网络系统的约束下构建优化问题；根据优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；根据全局最优粒子的位置执行计算卸载与资源优化配置。本发明能很好地实现最小化能耗和安全成本的目标。

权利要求

1.一种超密集网络中计算卸载与资源优化方法，其特征在于，所述方法包括：步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题；

步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；

步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；

步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置；

所述步骤S1的步骤包括：

根据以下公式构建优化问题P1：

其中， 表示任务关联矩阵， ， 表示用户 的任务 是否卸载到基站 ， 表示基站的索引集合， 表示用户集合，表示每个用户的 个任务的索引集合， 表示安全密码算法选择矩阵，， 表示任务 是否选择密码算法 ， 表示密码算法的索引集合， 表示用户计算资源的分配矩阵， ， 表示用户分 配给 任 务 的 计 算资 源量 ， 表 示基 站 计算 资源 的分 配 矩阵 ，， 表示基站 分配给用户 的任务 的计算资源量， 表示用户发射功率集， ， 表示用户 的发射功率，表示用于调整标准总能耗与标准总安全成本的权重， 表示用户总能耗， 表示用户最大总能耗，表示用户总成本， 表示任务 因安全保护失败而产生费用， 为用户 的任务 的处理时延， 表示用户 的任务 的最后期限， 表示用户 的任务 的处理时延不能超过该任务的最后期限 ， 表示用户 的任务 至多关联一个基站， 表示任务 只能选择一个密码算法， 表示用户 的发射功率不能低于 且不能高于它的最大发射功率 ，取足够小的常量值以避免“0/0”的现象， 表示用户 分配给自身所有任务的计算资源不能超过它的最大计算资源量 ， 表示基站 分配给所关联用户任务的计算资源不能超过它的最大计算资源量 ；

所述步骤S2的步骤包括：

步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序 ，并将当前迭代次序 设置为1；

步骤S22：分别将父代种群 中每个个体的 编码成染色体， 编 码 成 染 色 体 ， 编 码 成 染 色 体， 编 码 成染 色 体 ， 编码 成 染 色 体，其中， 表示由所有用户的所有任务构成的虚拟用户的索引集， 表示个体 中用户 所关联基站的索引号， 表示用户 所选择密码算法的索引号， 表示用户 在本地的计算资源分配量， 表示用户 在边缘服务器的计算资源分配量， 表示用户 的发射功率；

步骤S23：初始化父代种群，并根据以下公式构建父代种群中个体 的适应度函数：其中， 表示个体 的适应度函数值， 表示用户 的任务 的时延约束的惩罚因子，表示用户 的计算资源约束的惩罚因子， 表示基站 的计算资源约束的惩罚因子；

使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体；

步骤S24：判断当前迭代次序 是否小于等于最大迭代次序 ，若当前迭代次序 小于等于最大迭代次序 ，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序 大于最大迭代次序 ，则输出目标种群中所有个体的染色体编码。

2.根据权利要求1所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S24的步骤包括：步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体；

步骤S242：定义多样性测度 ，并根据多样性测度定义多样性引导的变异概率：其中， 、 与 是预先设置的概率， 与 是阈值常量；

步骤S243：从父代种群中剩下的个体中选取任意相邻个体 和 ，并根据以下公式得到个体 和 之间的新型自适应交叉概率：其中， 表示个体 和 之间的新型自适应交叉概率， 表示自适应权重， 表示个体 和 中适应度低的个体的适应度值， 表示父代种群中剩下的个体的最小适应度值，表示父代种群中剩下的个体的平均适应度值，表示取值于区间 的常量；

从所述相邻个体 和 的染色体片段中随机选择一个交叉位置，根据所述新型自适应交叉概率 对个体 和 从交叉点开始互换相应染色体片段；

步骤S244：根据以下公式得到父代种群中剩下的个体 的新型自适应变异概率：其中， 表示父代种群中剩下的个体 的新型自适应变异概率， 表示父代种群中剩下的个体的最大适应度值， 表示取值区间 的常量；

步骤S245：根据所述多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则，以依次分别对父代种群中剩下的个体的染色体进行变异；

步骤S246：使用适应度函数计算变异后父代种群中个体的适应度值，将适应度值最高的个体作为当前最佳个体，并判断当前最佳个体的适应度值是否高于历史最佳适应度值，若当前最佳个体的适应度值高于历史最佳适应度值，则用当前最佳个体替换历史最佳个体；

步骤S247：将当前迭代次序 的值加1。

3.根据权利要求2所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S245中的预设变异规则为：其中， 和 为服从0‑1均匀分布的随机数， 、 、 、 、 均为分段函数，系统首先生成两个随机数 和 ，判定 值，得到对应的分段函数， 决定变异幅度， 决定变异方向， 表示变异后个体 中用户 所关联基站的索引号， 表示变异后用户 所选择密码算法的索引号， 表示变异后用户 在本地的计算资源分配量， 表示变异后用户 在边缘服务器的计算资源分配量， 表示变异后用户 的发射功率， 表示向下取整函数， 表示基站 的最大计算资源量， 表示用户 的最大发射功率。

4.根据权利要求3所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S3的步骤包括：步骤S31：初始化自适应粒子群算法的最大迭代次序 ，并将当前迭代次序 设置为1；

步骤S32：将目标种群中所有个体作为自适应粒子群算法的粒子，将个体的染色体编码作为粒子的子粒子，并初始化所有粒子 的子粒子的位置 、 、 、 、 ，并分别以区间的随机数初始化所有粒子 的子粒子的速度 、 、 、 、 ，而后初始化所有粒子 的子粒子的历史最佳位置 、 、 、 、 ，所述历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置；

步骤S33：使用适应度函数计算所有粒子在历史最佳位置时的适应度值，将历史最佳位置中适应度值最高的粒子作为全局最优粒子，并初始化全局最优粒子 的位置 、、 、、 ；

步骤S34：判断当前迭代次序 是否小于等于最大迭代次序 ，若当前迭代次序 小于等于最大迭代次序 ，则更新普通粒子的速度和位置，并根据普通粒子的速度和位置更新全局最优粒子的速度和位置；

步骤S35：使用适应度函数计算所有粒子位于历史最佳位置时的适应度，并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子；

步骤S36：将当前迭代次序 的值加1。

5.根据权利要求4所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S34的步骤包括：步骤S341：根据以下公式更新普通粒子 的速度：，

，

，

，

，

其中，上标 表示第 次迭代，与 为常量， 与 是粒子 取值于 区间的随机数， 表示粒子 的惯性权重；

步骤S342：根据以下公式更新普通粒子 的位置：，

，

，

，

；

步骤S343：根据以下公式更新全局最优粒子 的速度：，

，

，

，

；

其中， 为常量， 、 与 的元素来

自于 区间的随机数， 表示缩放因子；

步骤S344：根据以下公式更新全局最优粒子 的位置：，

，

，

，

；

步骤S345：使用适应度函数计算所有粒子的适应度，并判断当前适应度是否高于位于历史最佳位置时的适应度，若当前适应度高于位于历史最佳位置时的适应度，则将粒子的当前位置作为历史最佳位置。

6.根据权利要求5所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S4的步骤包括：根据步骤S32中编码染色体的方式，将全局最优粒子的位置还原成原始优化参量解的形式；

并根据所获取的解，执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。

7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。

说明书

超密集网络中计算卸载与资源优化方法

技术领域

[0001] 本发明涉及无线通信技术领域，尤其是涉及超密集网络中计算卸载与资源优化方法。

背景技术

[0002] 在随着移动网络与物联网技术的快速发展，种类繁多的应用如雨后春笋般相继涌现，如无人驾驶汽车、虚拟现实、增强现实、智慧医疗与全景视频等。这些应用常常表现为计算密集型，延迟敏感型，连接不中断与数据率高等特性。然而，限于有限的电池容量与计算资源，移动终端很难有效地满足这些特性需求。

[0003] 为迎接上述挑战，移动边缘计算应运而生。它通过将用户的计算任务部分或完整地卸载至附近边缘服务以减少本身计算负荷，从而达到降低自身能耗的目的。为进一步缩短用户与边缘服务器间的距离，超密集部署的基站被广为提倡。通过部署超密集基站，超密集网络便由此形成。

[0004] 但是，尽管超密集网络可以极大强化服务覆盖及降低用户端能耗，但计算卸载时会产生一些新的问题。例如，当用户计算任务卸载边缘服务器时，一些额外的能耗与时延会由此产生；其次，由于边缘服务器位于网络边缘，靠近网络攻击者，更容易受到攻击，因此用户需要付出一些额外的代价以保证服务的安全性。并且，现有技术中使用的保护多样性的自适应遗传算法中，自适应交叉与变异概率采用固定权重，而非自适应权重，它会导致算法收敛速度与性能的下降，不利于方法的现实应用。

发明内容

[0005] 有鉴于此，本发明实施例提供了超密集网络中计算卸载与资源优化方法，以解决现有技术中因缺少对计算卸载时产生的新问题的研究而导致算法收敛速度与性能的下降的问题。

[0006] 本发明实施例的第一方面提供了超密集网络中计算卸载与资源优化方法，包括：

[0007] 步骤S1：获取超密集网络的网络基础信息，根据网络基础信息构建网络系统，网络系统包括通信模型、计算模型及安全模型，并在网络系统的约束下构建优化问题，优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题；

[0008] 步骤S2：根据优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；

[0009] 步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；

[0010] 步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。

[0011] 综上，根据上述的超密集网络中计算卸载与资源优化方法，通过利用改进的保护多样性的自适应遗传算法（ADGGA）进行粗粒度搜索，在自适应交叉与自适应变异概率中引入自适应权重，极大地提升了本发明方法的性能，再利用自适应粒子群（APSO）算法进行细粒度搜索，在全局最优粒子附近搜索可行解，能很好地实现最小化能耗和安全成本的目标。具体的，根据超密集网络的网络基础信息构建优化问题，并对优化问题进行初步计算得到优化问题的初始解，将优化问题的初始解作为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；
将目标种群作为粒子群，并以目标种群中所有个体的编码初始化粒子群中粒子的位置，使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；根据全局最优粒子的位置执行计算卸载与资源优化配置。本发明联合优化用户关联、密码算法选择、用户功率控制、用户和基站来计算资源分配以最小化加权的标准化总能耗与标准化总安全成本之和。在用户发射功率、计算资源和时延约束下，该方法能很好地实现最小化能耗和安全成本的目标。

[0012] 进一步地，步骤S1的步骤包括：

[0013] 根据以下公式构建优化问题P1：

[0014]

[0015] 其中， 表示任务关联矩阵， ， 表示用户的任务 是否卸载到基站 ， 表示基站的索引集合， 表示用户
集合， 表示每个用户的 个任务的索引集合， 表示安全密码算法选择矩阵，， 表示任务 是否选择密码算法 ， 表示密码算法
的索引集合， 表示用户计算资源的分配矩阵， ， 表示用户
分 配给 任 务 的 计 算资 源量 ， 表 示基 站 计算 资源 的分 配 矩阵 ，， 表示基站 分配给用户 的任务 的计算资源
量， 表示用户发射功率集， ， 表示用户 的发射功率，表示用于调整
标准总能耗与标准总安全成本的权重， 表示用户总能耗， 表示用户最大总能耗，表示用户总成本， 表示任务 因安全保护失败而产生费用， 为用户 的任务 的处理时延， 表示用户 的任务 的最后期限， 表示用户 的任务 的处理时延不能超过该任务的最后期限 ， 表示用户 的任务 至多关联一个基站， 表示任务 只能选择一个密码算法， 表示用户 的发射功率不能低于 且不能高于它的最大发射功率 ，取足够小的常量值以避免“0/0”的现象， 表示用户 分配给自身所有任务的计算资源不能超过它的最大计算资源量 ， 表示基站 分配给所关联用户任务的计算资源不能超过它的最大计算资源量 。

[0016] 由以上的技术方案可知，优化问题的构建是在网络系统中通信模型、计算模型及安全模型的基础上进行的，在高严格时延的约束下，将任务关联矩阵、安全密码算法选择矩阵、用户计算资源的分配矩阵、基站计算资源的分配矩阵以及用户发射功率集都作为优化问题的参考指标，解决了现有技术中参考指标单一的问题，可以实现更安全的计算卸载，更低能耗的计算卸载，通过构建全新的优化问题。

[0017] 进一步地，步骤S2的步骤包括：

[0018] 步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序 ，并将当前迭代次序 设置为1；

[0019] 步骤S22：分别将父代种群 中每个个体的 编码成染色体， 编码成染色体 ， 编码成染色体 ，
编码成染色体 ， 编码成染色体 ，其中，
表示由所有用户的所有任务构成的虚拟用户的索引集， 表示个体 中
用户 所关联基站的索引号， 表示用户 所选择密码算法的索引号， 表示用户 在本地的计算资源分配量， 表示用户 在边缘服务器的计算资源分配量， 表示用户 的发射功率；

[0020] 步骤S23：初始化父代种群，并根据以下公式构建父代种群中个体 的适应度函数：

[0021]

[0022] 其中， 表示个体 的适应度函数值， 表示用户 的任务 的时延约束的惩罚因子， 表示用户 的计算资源约束的惩罚因子， 表示基站 的计算资源约束的惩罚因子；

[0023] 使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体；

[0024] 步骤S24：判断当前迭代次序 是否小于等于最大迭代次序 ，若当前迭代次序 小于等于最大迭代次序 ，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序 大于最大迭代次序 ，则输出目标种群中所有个体的染色体编码。

[0025] 进一步地，步骤S24的步骤包括：

[0026] 步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体；

[0027] 步骤S242：定义多样性测度 ，并根据多样性测度定义多样性引导的变异概率：

[0028]

[0029] 其中， 、 与 是预先设置的概率， 与 是阈值常量；

[0030] 步骤S243：从父代种群中剩下的个体中选取任意相邻个体 和 ，并根据以下公式得到个体 和 之间的新型自适应交叉概率：

[0031]

[0032] 其中， 表示个体 和 之间的新型自适应交叉概率， 表示自适应权重， 表示个体 和 中适应度低的个体的适应度值， 表示父代种群中剩下的个体的最小适应度值， 表示父代种群中剩下的个体的平均适应度值，表示取值于区间 的常量；

[0033] 从相邻个体 和 的染色体片段中随机选择一个交叉位置，根据新型自适应交叉概率 对个体 和 从交叉点开始互换相应染色体片段；

[0034] 步骤S244：根据以下公式得到父代种群中剩下的个体 的新型自适应变异概率：

[0035]

[0036] 其中， 表示父代种群中剩下的个体 的新型自适应变异概率， 表示父代种群中剩下的个体的最大适应度值， 表示取值区间 的常量；

[0037] 步骤S245：根据多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则，以依次分别对父代种群中剩下的个体的染色体进行变异；

[0038] 步骤S246：使用适应度函数计算变异后父代种群中个体的适应度值，将适应度值最高的个体作为当前最佳个体，并判断当前最佳个体的适应度值是否高于历史最佳适应度值，若当前最佳个体的适应度值高于历史最佳适应度值，则用当前最佳个体替换历史最佳个体；

[0039] 步骤S247：将当前迭代次序 的值加1。

[0040] 进一步地，步骤S245中的预设变异规则为：

[0041]

[0042]

[0043]

[0044]

[0045] 其中， 和 为服从0‑1均匀分布的随机数， 、 、 、 、 均为分段函数，系统首先生成两个随机数 和 ，判定 值，得到对应的分段函数， 决定变异幅度，决定变异方向， 表示变异后个体 中用户 所关联基站的索引号， 表示变异后用户所选择密码算法的索引号， 表示变异后用户 在本地的计算资源分配量， 表示变异后用户 在边缘服务器的计算资源分配量， 表示变异后用户 的发射功率，表示向下取整函数， 和 为服从0‑1均匀分布的随机数， 表示基站 的最大计算资源量， 表示用户 的最大发射功率。

[0046] 由以上的技术方案可知，由于自适应交叉概率和自适应变异概率具有自适应性，能够自动进行调整，在求解过程中可以不断变化，并且自适应权重 能使得遗传算法加速收敛，解决了现有技术中自适应交叉与自适应变异概率采用固定权重，导致遗传算法收敛速度与性能的下降的问题，不利于方法的现实应用，因此，通过利用改进的自适应交叉概率和自适应变异概率，提出的优化问题求解算法能更快地找到更好的优化问题的解。

[0047] 进一步地，步骤S3的步骤包括：

[0048] 步骤S31：初始化自适应粒子群算法的最大迭代次序 ，并将当前迭代次序 设置为1；

[0049] 步骤S32：将目标种群中所有个体作为自适应粒子群算法的粒子，将个体的染色体编码作为粒子的子粒子，并初始化所有粒子 的子粒子的位置 、 、 、 、 ，并分别以 区间的随机数初始化所有粒子 的子粒子的速度 、 、 、 、 ，而后初始化所有粒子 的子粒子的历史最佳位置 、 、 、 、 ，历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置；

[0050] 步骤S33：使用适应度函数计算所有粒子在历史最佳位置时的适应度值，将历史最佳位置中适应度值最高的粒子作为全局最优粒子，并初始化全局最优粒子 的位置 、 、、 、 ；

[0051] 步骤S34：判断当前迭代次序 是否小于等于最大迭代次序 ，若当前迭代次序小于等于最大迭代次序 ，则更新普通粒子的速度和位置，并根据普通粒子的速度和位置更新全局最优粒子的速度和位置；

[0052] 步骤S35：使用适应度函数计算所有粒子位于历史最佳位置时的适应度，并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子；

[0053] 步骤S36：将当前迭代次序 的值加1。

[0054] 进一步地，步骤S34的步骤包括：

[0055] 步骤S341：根据以下公式更新普通粒子 的速度：

[0056] ，

[0057] ，

[0058] ，

[0059] ，

[0060] ，

[0061] 其中，上标 表示第 次迭代，与 为常量， 与 是粒子 取值于 区间的随机数， 表示粒子 的惯性权重；

[0062] 步骤S342：根据以下公式更新普通粒子 的位置：

[0063] ，

[0064] ，

[0065] ，

[0066] ，

[0067] ；

[0068] 步骤S343：根据以下公式更新全局最优粒子 的速度：

[0069] ，

[0070] ，

[0071] ，

[0072] ，

[0073] ；

[0074] 其中， 为常量， 、 与 的元素来自于 区间的随机数， 表示缩放因子；

[0075] 步骤S344：根据以下公式更新全局最优粒子 的位置：

[0076] ，

[0077] ，

[0078] ，

[0079] ，

[0080] ；

[0081] 步骤S345：使用适应度函数计算所有粒子的适应度，并判断当前适应度是否高于位于历史最佳位置时的适应度，若当前适应度高于位于历史最佳位置时的适应度，则将粒子的当前位置作为历史最佳位置。

[0082] 进一步地，步骤S4的步骤包括：

[0083] 根据步骤S32中编码染色体的方式，将全局最优粒子的位置还原成原始优化参量解的形式；

[0084] 并根据所获取的解，执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。

[0085] 本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面提供的超密集网络中计算卸载与资源优化方法的各步骤。

[0086] 本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现第一方面提供的超密集网络中计算卸载与资源优化方法的各步骤。

附图说明

[0087] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

[0088] 图1是本发明实施例提供的超密集网络中计算卸载与资源优化方法的实现流程图；

[0089] 图2为本发明揭示网络用户数对总时延影响的示意图；

[0090] 图3为本发明揭示网络用户数对总能耗影响的示意图；

[0091] 图4为本发明揭示网络用户数对总成本影响的示意图；

[0092] 图5为本发明揭示网络用户数对目标函数影响的示意图；

[0093] 图6为本发明揭示网络用户数对支持率影响的示意图；

[0094] 图7为本发明揭示本发明方法ADGGA与现有方法AGADGM的收敛图。

具体实施方式

[0095] 下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0096] 本申请的说明书和权利要求书及所述附图中术语“第一”、“第二”、“第三”等是区别于不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变形，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，或者可选地，还包括没有列出的步骤或单元，或者可选地还包括这些过程、方法、产品或设备固有的其它步骤或单元。

[0097] 请参阅图1，图1示出了本发明实施例提供的超密集网络中计算卸载与资源优化方法的实现流程图。

[0098] 步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题。

[0099] 本发明的应用场景为超密集型网络，首先获取超密集型网络的网络基础信息，而后再一步步搭建网络模型中的通信模型、计算模型、安全模型，在网络模型中的通信模型、计算模型、安全模型的基础上构建优化问题，优化问题是加权的标准化总能耗与标准化总安全成本之和最小化问题。

[0100] 具体的为，步骤S11：首先获取 个用户的索引集为 ， 个基站的索引集为 ，每个用户的 个任务的索引集为 ，个密码算法的索引集 及它们安全级别的集合 ，其中，表示密码算法 的安
全级别，然后获取任意用户的任务 的五元组，即 ，其中， 为任务 的数据大小， 为完成任务 所需CPU周期数（cycles）， 为任务 的最后期限， 为任务 的预期安全级别, 为任务 的安全风险系数，接着，获取任意基站 的带宽 ，任意用户 与任意基站 间的信道增益 及噪声功率 ，随后，获取任意用户 的最大计算资源量与CPU能量系数 ，及基站 的最大计算资源量 与CPU能量系数 。

[0101] 步骤S12：根据网络基础信息构建通信模型，首先，假定任意基站 的带宽 被均等地分配给关联该基站的所有用户任务以使该基站的用户任务所分配到的带宽为，然后，根据香农公式计算用户 的任务 上传至基站 的上行数据速率 ，其中， 表示用户 的任务 是否卸载（关联）到基站 ， 取值1表示用户 的任务 卸载到基站 ， 取值0表示用户 的任务 不卸载到基站 ， 为关联基站 的用户总任务数，任意用户的任意任
务至多只能选择一个基站， 为用户 的发射功率。

[0102] 步骤S13：在通信模型的基础上构建计算模型，根据公式计算用户 的任务 在本地（用户端）执行所需的时间（时延） ，并根据公式计算用户 的任务 在本地执行的能耗 ，其中， 为
用户 分配给任务 的计算资源量， 表示用户 的任务 未被卸载至任何基
站，即该任务由用户执行，然后，根据公式 计算用户 的任务 的上
传时延 ，根据公式 计算用户 的任务 的上传能耗
，接着，根据公式 计算用户 的任务 在基站的执行时延 ，并
根据公式 计算用户 的任务 在基站的能耗 ，其中，
为基站 分配给用户 的任务 的计算资源量。

[0103] 步骤S14：构建安全模型：首先，计算任务 因选择密码算法 而导致失败的概率；然后，根据公式 计算用户 的任务 在本地加密的时延 ，根据公式 计算用户 的任务 在本地加
密的能耗 ，根据公式 计算用户 的任务 在基站的
解密时延 ，根据公式 计算用户 的任务 在基站的解密
能耗 ，其中 (CPU cycles/bit)和 (CPUcycles/bit)分别为用密码算法 加密、解密单位比特数据所需CPU周期数，（10‑7J/bit）为用密码算法 加密、解密单位比特数据的能耗， 指示任务 是否选择密码算法 ， 取值1表示任务 选择密码算法 ， 取值0表示任务 不选择密码算法 ，任意任务只能选 择某一密码算法 ，最后 ，根据
计算所有用户所有任务的安全成本，即用户总安全
成本 ，其中， 为任务 因安全保护失败而产生费用。

[0104] 步骤S15：根据以下公式构建优化问题P1：

[0105]

[0106] 其中， 表示任务关联矩阵， ， 表示安全密码算法选择矩阵 ， ， 表示用户计算资源的分配矩阵，
， 表示基站计算资源的分配矩阵， ，
表示用户发射功率集， ，表示用于调整标准总能耗与标准总安全成本
的权重， 表示用户总能耗， 表示用户最大总能耗， 为用户 的任务 的处理时延， 表示用户 的任务 的处理时延不能超过该任务的最后期限 ， 表示用户 的任务 至多关联一个基站， 表示任务 只能选择一个密码算法， 表示用户 的发射功率不能低于 且不能高于它的最大发射功率 ，取足够小的常量值以避免“0/0”的现象，表示用户 分配给自身所有任务的计算资源不能超过它的最大计算资源量 ， 表示基站 分配给所关联用户任务的计算资源不能超过它的最大计算资源量 。

[0107] 步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码。

[0108] 需要说明的是，对于优化问题，本实施例先用现有技术中的计算方法得到优化问题的初始解，而后再使用本实施例中提出的采用改进的保护多样性的自适应遗传算法对初始解进行不断的迭代优化，得到优化问题的最优解，即求得标准化总能耗与标准化总安全成本之和最小的解，现有技术中对于优化问题的求解方式有多种，在本实施例中不做具体说明。

[0109] 具体的为，步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序 ，并将当前迭代次序 设置为1。

[0110] 可以理解的，设置最大迭代次序的目的是为了终止遗传算法的迭代过程，迭代次序越大，遗传算法所获取的性能越好，但是，太大的迭代次序会增加算法的执行时间。因此，往往需要设置合适的最大迭代次序，在仿真过程中，通过观察历史最佳个体的适应度函数值来设置最大迭代次序。当随着算法迭代次序的增加，适应度函数值增长不明显时，就可以终止遗传算法，此时的迭代次序即为最大迭代次序。

[0111] 步骤S22：分别将父代种群 中每个个体的 编码成染色体， 编码成染色体 ， 编码成染色体 ，
编码成染色体 ， 编码成染色体 ，其中，
表示由所有用户的所有任务构成的虚拟用户的索引集， 表示个体 中
用户 所关联基站的索引号， 表示用户 所选择密码算法的索引号， 表示用户 在本地的计算资源分配量， 表示用户 在边缘服务器的计算资源分配量， 表示用户 的发射功率。

[0112] 步骤S23：根据以下公式，初始化种群：

[0113]

[0114]

[0115]

[0116]

[0117]

[0118]

[0119] 其中， 表示 把 数组或者矩阵的线性索引转化为相应的下标 ， 表示从任意集合 中随机输出一个元素，S可以表示L或（NU{0}）, 表示表示从任意区间 中随机输出一个数,v可以是 、 、
中的任意一个函数；

[0120] 并根据以下公式构建父代种群中个体 的适应度函数：

[0121]

[0122] 其中， 表示个体 的适应度函数值， 表示个体 的五条染色体，表示用户 的任务 的时延约束的惩罚因子， 表示用户 的计算资源约束的惩罚因子，表示基站 的计算资源约束的惩罚因子。

[0123] 需要说明的是，适应度函数中第二个等号右边的参量可按上述编码定义转换成优化问题P1参量的编码。换言之，优化问题的参量同其编码完全等价，第二个等号左右两边表达式的值相等。

[0124] 使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体。

[0125] 步骤S24：判断当前迭代次序 是否小于等于最大迭代次序 ，若当前迭代次序 小于等于最大迭代次序 ，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序 大于最大迭代次序 ，则输出目标种群中所有个体的染色体编码。

[0126] 具体的，步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体。

[0127] 步骤S242：定义多样性测度 如下：

[0128]

[0129] 其中， 和 、 、 、 分别为 ， ， ， 与 的可行域对角线的长度， ，，， 与 为种群的五条染色体， ， ， ， 与 分别为用户 在种群中所关联基站的索引号的均值，用户 在种群中所选择密码算法的索引号的均值，用户 在种群中本地计算资源分配量的均值，用户 在种群中基站的计算资源分配量的均值与用户 在种群中发射功率的均值，它们分别为

[0130]

[0131] 并根据多样性测度定义多样性引导的变异概率：

[0132]

[0133] 其中， 、 与 是预先设置的概率， 与 是阈值常量。

[0134] 步骤S243：从父代种群中剩下的个体中选取任意相邻个体 和 ，并根据以下公式得到个体 和 之间的新型自适应交叉概率：

[0135]

[0136] 其中， 表示个体 和 之间的新型自适应交叉概率， 表示自适应权重， 的值随着迭代次序的增加而下降， 能使得遗传算法加速收敛， ，为常系数， 表示个体 和 中适应度低的个体的适应度值， 表示
父代种群中剩下的个体的最小适应度值， 表示父代种群中剩下的个体的平均适应度值，表示取值于区间 的常量；

[0137] 从所述相邻个体 和 的染色体片段中随机选择一个交叉位置，根据所述新型自适应交叉概率 对个体 和 从交叉点开始互换相应染色体片段。

[0138] 步骤S244：根据以下公式得到父代种群中剩下的个体 的新型自适应变异概率：

[0139]

[0140] 其中， 表示父代种群中剩下的个体 的新型自适应变异概率， 表示父代种群中剩下的个体的最大适应度值， 表示取值区间 的常量。

[0141] 步骤S245：根据所述多样性引导的变异概率、新型自适应交叉概率、新型自适应变异概率执行相同的预设变异规则，以依次分别对父代种群中剩下的个体的染色体进行变异；

[0142] 所述预设变异规则为：

[0143]

[0144]

[0145]

[0146]

[0147] 其中， 和 为服从0‑1均匀分布的随机数， 、 、 、 、 均为分段函数，系统首先生成两个随机数 和 ，判定 值，得到对应的分段函数， 决定变异幅度，决定变异方向， 表示变异后个体 中用户 所关联基站的索引号， 表示变异后用户所选择密码算法的索引号， 表示变异后用户 在本地的计算资源分配量， 表示变异后用户 在边缘服务器的计算资源分配量， 表示变异后用户 的发射功率，表示向下取整函数， 和 为服从0‑1均匀分布的随机数， 表示基站 的最大计算资源量， 表示用户 的最大发射功率。

[0148] 步骤S246：使用适应度函数计算变异后父代种群中个体的适应度值，将适应度值最高的个体作为当前最佳个体，并判断当前最佳个体的适应度值是否高于历史最佳适应度值，若当前最佳个体的适应度值高于历史最佳适应度值，则用当前最佳个体替换历史最佳个体。

[0149] 步骤S247：将当前迭代次序 的值加1。

[0150] 步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置。

[0151] 步骤S31：初始化自适应粒子群算法的最大迭代次序 ，并将当前迭代次序 设置为1。

[0152] 步骤S32：将目标种群中所有个体作为自适应粒子群算法的粒子，将个体的染色体编码作为粒子的子粒子，并初始化所有粒子 的子粒子的位置，即 、 、、 和 ，其中 、 、 、
与 ， 表示粒子 中第一个子粒子中用户 的位置，
表示粒子 中第二个子粒子中用户 的位置， 表示粒子 中第三个子粒子中用户 的位置， 表示粒子 中第四个子粒子中用户 的位置， 表示粒子 中第五个子粒子中用户 的位置；

[0153] 并分别以 区间的随机数初始化所有粒子 的子粒子的速度 、 、 、 、，其中， 、 、 、与 ， 表示粒子 中第一个子粒子中用户 的速度， 表示粒子 中第
二个子粒子中用户 的速度， 表示粒子 中第三个子粒子中用户 的速度， 表示粒子中第四个子粒子中用户 的速度， 表示粒子 中第五个子粒子中用户 的速度；

[0154] 而后初始化所有粒子 的子粒子的历史最佳位置 、 、 、 、 ，其中，、 、 、 与 ，表示粒子 中第一个子粒子中用户 的历史最佳位置， 表示粒子 中第二个子粒子中用户 的历史最佳位置， 表示粒子 中第三个子粒子中用户 的历史最佳位置， 表示粒子 中第四个子粒子中用户 的历史最佳位置， 表示粒子 中第五个子粒子中用户的历史最佳位置，所述历史最佳位置是指个体在改进的保护多样性的自适应遗传算法的迭代过程中适应度值最大的位置。

[0155] 步骤S33：使用适应度函数计算所有粒子在历史最佳位置时的适应度值，将历史最佳位置中适应度值最高的粒子作为全局最优粒子，并初始化全局最优粒子 的位置、 、 、 和 ，其中，为所有个体中历史最佳位置中最优位置所对应的个体，即为全局最优粒子， 、 、 、
与 ， 表示全局最优粒子中第一个子粒子中用户 的位
置， 表示全局最优粒子中第二个子粒子中用户 的位置， 表示全局最优粒子中第三个子粒子中用户 的位置， 表示全局最优粒子中第四个子粒子中用户 的位置， 表示全局最优粒子中第五个子粒子中用户 的位置。

[0156] 步骤S34：判断当前迭代次序 是否小于等于最大迭代次序 ，若当前迭代次序小于等于最大迭代次序 ，则更新普通粒子的速度和位置，并根据普通粒子的速度和位置更新全局最优粒子的速度和位置。

[0157] 步骤S341：首先，采用公式 更新任意普通粒子 的惯性权重， 和 分别为最小和最大惯性权重；

[0158] 并根据以下公式更新普通粒子 的速度：

[0159] ，

[0160] ，

[0161] ，

[0162] ，

[0163] ，

[0164] 其中，上标 表示第 次迭代，与 为常量， 与 是粒子 取值于 区间的随机数， 表示粒子 的惯性权重。

[0165] 步骤S342：根据以下公式更新普通粒子 的位置：

[0166] ，

[0167] ，

[0168] ，

[0169] ，

[0170] 。

[0171] 步骤S343：根据以下公式更新全局最优粒子 的速度：

[0172] ，

[0173] ，

[0174] ，

[0175] ，

[0176] ；

[0177] 其中， 为常量， 、 与 的元素来自于 区间的随机数， 表示缩放因子。

[0178] 步骤S344：根据以下公式更新全局最优粒子 的位置：

[0179] ，

[0180] ，

[0181] ，

[0182] ，

[0183] ；

[0184] 而后更新缩放因子 ，即

[0185]

[0186] 其中，缩放因子 用于驱使粒子群算法在全局最优粒子附近搜索可行解，为连续成功的次数，为连续失败的次数， 和 为阈值参数，两次迭代间适应度函数满足则表示迭代失败，否则视为迭代成功。

[0187] 步骤S345：使用适应度函数计算所有粒子的适应度，并判断当前适应度是否高于位于历史最佳位置时的适应度，若当前适应度高于位于历史最佳位置时的适应度，则将粒子的当前位置作为历史最佳位置。

[0188] 步骤S35：使用适应度函数计算所有粒子位于历史最佳位置时的适应度，并将所有粒子位于历史最佳位置中适应度值最高的粒子作为全局最优粒子。

[0189] 步骤S36：将当前迭代次序 的值加1。

[0190] 步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。

[0191] 根据步骤S32中编码染色体的方式，将全局最优粒子的位置还原成原始优化参量解的形式；

[0192] 并根据所获取的解，执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。

[0193] 本发明实施案例的效果可通过仿真进一步说明。

[0194] 将仿真条件设置为：基站与用户被随机分布于半径500m的宏蜂窝（宏基站覆盖区域）内；考虑1个宏基站，25个基站，每个用户有10个任务；系统带宽为20MHz，用户最大发射功率为23dBm，用户最大计算能力为1 2GHz，基站最大计算能力为2.5GHz；6种密码算法，它~们加密一比特数据所需CPU周期数分别为[100 200 250 300 350 1050] cycles/bit，解密一比特数据所需CPU周期数分别为[90 280 350 300 400 1700]cycles/bit，加密一比特数‑7
据耗能分别为[2.5296 5.0425 6.837 7.8528 8.7073 26.3643]*1e J/bit；每个任务数据大小为2.56 KB,截止时延为0.1 0.5s,需要的CPU周期数为20Mcycles；优化目标函数中的~
‑24 ‑26
权重参数为0.5；用户能量系数为10 ，基站能量系数为10 ；任务安全保护失败而产生费用为5000 10000$，任务安全系数为{5,6}。
~

[0195] 图2为本发明揭示网络用户数对总时延影响的示意图，其中总时延是指所有用户任务时延之和。在图2及后续图中，最强卸载（SO）是指用户计算任务全部卸载至信号强度最大的SBS执行，且用户任务选择最低安全成本的密码算法的卸载算法；本地计算（LC）是指用户计算任务全部由用户自身完成的算法；改进的分层自适应搜索（IHAS）是现有结合GA和PSO的卸载算法；FIHAS是本发明通过改进IHAS而提出的算法，包括自适应遗传算法和粒子群算法，它们主要区别在于：IHAS中AGADGM的自适应变异和交叉概率采用静态权重，FIHAS中ADGGA的自适应变异和交叉概率采用动态（自适应）权重，形成自适应遗传算法。SO与LC根据任务计算需求量占总需求量的比例分配计算资源。如图2所示，因为网络用户数的增加导致更多的计算任务，所以所有算法的总时延均随着网络用户数的增加而增加。因为LC不存在本地加密与上行发射时延，所以它达到了最低总时延。因为SO总是将用户计算任务卸载至信号强度最大的SBS，部分基站出现超载的情况，所以一些用户的任务因资源不足而需等待。正是因为资源的不足导致了SO达到了最高的总时延。从图2来看，FIHAS达到了与IHAS几乎相同的总时延。这是因为优化问题目标函数与总时延无关，于是它们在总时延方面的差异不明显。

[0196] 图3为本发明揭示网络用户数对网络总能耗影响的示意图，其中网络总能耗是指用户端与SBS能耗的总和。如图3所示，因为网络用户数的增加导致更多的计算任务，所以所有算法的总能耗均随着网络用户数的增加而增加。如图3所示，因为LC本地执行任务，所以它不涉及任务加密能耗。然而，FIHAS和IHAS需要加密卸载任务，于是它们产生了加密能耗。因此，相比与FIHAS和IHAS，LC达到了更低的总能耗。尽管SO也需加密卸载任务并因此产生加密能耗，但因为它将所有用户任务卸载至信号强度最大的SBS上执行，极大降低了发射能耗，因此它可能达到最低总能耗。从优化问题目标函数来看，不难发现，能耗与安全成本被联合优化。不同于IHAS中交叉与变异概率公式的静态（常量）权重，FIHAS利用了自适应权重，它能更为充分地搜索问题可行解的空间。于是，后者达到了较前者更低的总能耗。

[0197] 图4为本发明揭示网络用户数对总成本影响的示意图，其中总成本是指所有用户任务的安全成本之和。因为网络用户数的增加导致基站可利用带宽下降，所以用户发射能耗增加，进而迫使用户最大总能耗增加。尽管网络用户数的增加也会导致用户最大成本的增加，但该增加量不及最大总能耗的增加量。于是，网络用户数的增加导致目标函数越发侧重于总成本的优化。因此，总成本可能随着网络用户数的增加反而下降。如图4所示，因为SO总是选择安全成本最低的密码算法，所以它达到了较IHAS和FIHAS更低的总成本。因为LC中用户任务不涉及加密，所以它不需支付任何费用。鉴于此，图4并没描绘它。正如图3所揭示，本发明联合优化能耗与安全成本。利用自适应权重，FIHAS找到了较IHAS更优的目标，前者达到了较后者更低的总成本。

[0198] 图5为本发明揭示网络用户数对目标函数影响的示意图。正如图4所揭示，网络用户数的增加导致目标函数越发侧重于总成本的优化。因此，目标函数可能随着网络用户数的增加反而下降。在自适应权重下，FIHAS能更为充分地搜索问题可行解的空间。因此，FIHAS达到了较IHAS更低的目标函数值。

[0199] 图6为本发明揭示网络用户数对支持率影响的示意图，其中支持率是指满足时延约束条件的任务数占总任务数的比例。因为任务数随着网络用户数的增加而增加，所以完成任务所需要的带宽越来越多。但基站仅有有限带宽，越来越多的用户将导致越来越少的可利用带宽。于是，如图6所示，SO、FIHAS和IHAS的支持率随着网络用户数的增加而下降。因为LC与基站带宽无关，所以它的支持率不随网络用户数的变化而变化。因为LC不存在本地加密与上行发射时延，但SO却存在这些时延，所以它达到了较SO更高的支持率。通过合理设置惩罚因子迫使更多的任务满足时延限制，FIHAS和IHAS可能达到较LC更高的支持率。如图6所示，FIHAS可达到较IHAS略低的支持率。这是因为FIHAS中存在较IHAS更多的本地执行任务，但本地执行的支持率小于合理惩罚因子下FIHAS和IHAS中边缘执行的支持率。

[0200] 图7为本发明揭示本发明方法ADGGA与现有方法AGADGM的收敛图。因为AGADGM中的自适应交叉与变异概率采用静态权重，但ADGGA中的自适应交叉与变异概率采用自适应权重，所以后者中个体能朝着适应度更好的方向执行交叉与变异操作。因此，ADGGA能更快地获得较AGADGM更好的适应度函数值，即更快地找到更优的目标。

[0201] 本发明另一实施例提供的一种终端设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如超密集网络中计算卸载与资源优化方法的程序。处理器执行所述计算机程序时实现上述超密集网络中计算卸载与资源优化方法各实施例中的步骤，例如图1所示的S1至S4。

[0202] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现：

[0203] 步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题。

[0204] 步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码。

[0205] 步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置。

[0206] 步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。

[0207] 显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或者特性可以包含在本实施例申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是相同的实施例，也不是与其它实施例互斥的独立的或是备选的实施例。本领域技术人员可以显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。基于本申请中的实施例，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，都属于本申请保护的范围。

[0208] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。