一种可靠性感知的边缘计算方法

摘要

本发明属于边缘计算和工业互联网技术领域，具体涉及一种可靠性感知的边缘计算方法。本发明首先考虑到设备芯片计算过程中会带来温度的升高降低系统性能，同时信道条件会因为衰落而影响通信能力，通过芯片计算产生的温度不超过容忍温度以及信噪比不小于最低信噪比阈值来对计算可靠性和通信可靠性进行建模。然后，通过构建本地计算模型、传输模型、边缘计算模型以及可靠性模型，设计了一个能耗最小化问题。最后，采用改进混合鲸鱼优化算法和交替迭代方法提出了可靠性感知的能效交替迭代任务卸载方法。本发明所提方法可在工业互联网可靠性场景下降低终端设备的能量消耗，显著提高资源的有效利用率。

权利要求

1.一种可靠性感知的边缘计算方法，其特征在于，该方法具体包括以下步骤：S1：根据包含多个设备和一个物联网中继器以及一个边缘服务器的边缘计算网络场景，建立可靠性边缘计算系统框架；

S2：在步骤S1中的系统架构下，根据任务卸载时的传输时延和传输能耗，建立通信模型；根据计算时延和计算能耗，建立计算模型；

通信模型：

tr

其中，Ti 表示设备i在任务卸载时的传输时延；λi表示设备i的任务卸载比率；D表示任tr务输入大小；Ri表示设备i的任务传输速率； 表示设备i在任务卸载时的传输能耗；Pi 表示设备i在任务卸载时的发射功率；

计算模型：

任务计算时延表示为：

任务在本地进行处理产生的时延和能耗分别表示为：设备的总时延和总能耗分别表示为：

mec m

其中，Ti 表示卸载到边缘服务器的设备i的任务计算时延；fi 为设备i的边缘服务器l的CPU周期频率；Ti 表示设备i在本地进行处理产生的时延；C表示计算每比特任务所需CPUl周期数；fi 表示设备i的CPU周期频率； 表示设备i在本地进行处理产生的能耗；k表示有效电容系数；Ttotal表示设备的总时延； 表示设备集合；Etotal表示设备的总能耗；

S3：根据温度和信噪比，将计算模型和通信模型建立为计算可靠性模型和通信可靠性模型；

计算可靠性表示为：

通信可靠性表示为：

其中，Preliable表示计算可靠性模型，Pr(·)表示概率函数；参数依次表示为空气对流换热系数、散热片面积、安全温度、环境温度、初始温度、芯片比热和芯片质量；z表示控制参数，为常数；γ表示信道增益服从参数，γth表示信噪比阈值；Dmax表示任务输入最大值；

S4：根据计算可靠性模型和通信可靠性模型，建立以时延和可靠性为约束条件，以所有设备能耗最小化为优化目标的优化问题；

所建立的优化问题如下所示：

P:

s.t.C1:

C2:

C3:

C4:

C5:

C6:Pr[Tsur(t)

C7:max{Ti ,Ti +Ti }≤Tmax其中，P表示传输功率；λ表示任务卸载比率；f表示CPU周期频率；C1表示用户发射功率max约束，Pi表示设备i的发射功率；Pi 表示设备i的最大发射功率；C2表示设备的本地计算能力约束， 表示设备i的最大CPU周期频率；C3和C4表示边缘服务器计算能力约束， 表示边缘服务器m的最大CPU周期频率；C5表示用户卸载比率约束；C6表示任务整体可靠性约束，Tsur(t)表示设备i的表面温度，Tsafe表示设备i的安全温度，ψ表示可靠性阈值；C7表示任务容忍时延约束，Tmax表示最大时延；

S5：将所述优化问题分解为卸载比率子问题、功率控制子问题和计算资源子问题，采用步骤S6～步骤S7进行交替迭代求解；

P1:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

卸载比率子问题：

P2:

s.t.C2.1:0≤λu≤1

C2.2:

C2.3:

功率控制子问题：

P3:

s.t.C3.1:

C3.2:

C3.3:

计算资源子问题：

P4:

s.t.C4.1:

C4.2:

C4.3:

C4.4:

C4.5:

C4.6:

其中，λu表示设备u卸载到边缘服务器的任务比率大小； 表示设备u的最优卸载比率；

2

σ表示噪声功率；B表示信道带宽；d表示设备与边缘服务器距离；α表示路径损耗指数；h1表示瑞利衰落信道系数；

S6：通过凸优化理论以及拉格朗日方法求解所述卸载比率子问题，得出最优的卸载决策；

S7：通过改进混合鲸鱼优化算法求解功率控制子问题和计算资源子问题，得出最优的发射功率、本地计算资源分配决策和边缘计算资源分配决策；

所述改进混合鲸鱼优化算法具体包括利用混合鲸鱼优化算法对可行解鲸鱼种群进行初始化，初始化可行解鲸鱼群体的位置；判断是否满足终止条件，若不满足，则计算可行解鲸鱼群体的适应度值，并根据所述适应度值计算得到收敛系数A'、随机系数C'、区间随机系数l和随机数p；若所述随机数p小于第一预设阈值，则继续判断所述收敛系数A'是否大于等于第二预设阈值，则大于等于第二预设阈值，则选择随机搜索代理后通过蝙蝠算法更新机制更新所述可行解鲸鱼个体的位置；若不大于等于第二预设阈值，则选择最优搜索代理后通过蝙蝠算法更新机制更新所述可行解鲸鱼个体的位置；若第一系数rand大于第二系数r，则更新本地的可行解鲸鱼个体的位置；若声波响度η大于第一系数rand，且当前可行解鲸鱼群体的位置的适应度值大于前一可行解鲸鱼群体的位置的适应度值，则更新脉冲发生率以及声波响度；若所述随机数不小于第一预设阈值或者在更新脉冲发生率以及声波响度后，通过螺旋环绕机制更新位置，判断当前适应度值是否小于之前的适应度值，若小于，则选择更新当前可行解鲸鱼群体的位置，否则选择之前的可行解鲸鱼群体的位置；直至确定出最终的最优的发射功率、本地计算资源分配决策和边缘计算资源分配决策可行解。

2.根据权利要求1所述的一种可靠性感知的边缘计算方法，其特征在于，所述步骤S1中可靠性边缘计算系统框架具体包括构建具有多个时延敏感、计算密集型任务的工业物联网设备 以及物联网中继器N，单个边缘服务器M；计算任务表述为当本地计算无法达到任务所需性能要求时，部分任务由本地设备上传到边缘服务器进行并行处理，计算卸载过程表述为本地设备首先将任务卸载到边缘服务器进行处理，然后待任务计算完成后，将计算结果返回终端设备。

3.根据权利要求1所述的一种可靠性感知的边缘计算方法，其特征在于，所述采用步骤S6～步骤S7进行交替迭代求解具体包括：初始化发射功率、计算资源以及通信资源初始解，然后分别采用凸优化以及改进混合鲸鱼优化算法求解三个子问题；

对于卸载比率分配过程，首先固定发射功率以及计算资源分配，然后通过拉格朗日理论以及凸优化求解出卸载比率；

对于通信资源分配过程，首先固定卸载比率以及计算资源分配，然后通过改进混合鲸鱼优化算法进行求解得出发射功率；

对于计算资源分配过程，首先固定卸载比率以及发射功率，然后通过改进混合鲸鱼优化算法进行求解得出计算资源分配，最后通过判断能耗来确定是否达到最优解。

说明书

一种可靠性感知的边缘计算方法

技术领域

[0001] 本发明涉及边缘计算和工业互联网技术，具体涉及一种可靠性感知的边缘计算方法。

背景技术

[0002] 目前，互联网的飞速发展使得智能设备已经成为人们生活中不可或缺的一部分，同时互联网时代对传输带宽、时延、能耗、应用性能和可靠性提出了更高的要求，各种复杂的应用(如智能监控、自主控制和智能医疗等)变得更加普及，并且都是计算密集型和时延敏感型任务，需要大量的带宽和处理资源。由于设备的计算能力和存储能力非常有限，一些复杂的物联网应用(例如，人脸识别、增强现实、自动驾驶)无法在本地有效处理。因此将计算任务卸载到边缘服务器处理是一大解决方法。

[0003] 现有方案往往关注资源调度中时延、能耗等网络的系统性能，通过在时延约束下来进行节能设计。由于工业现场数据量比较庞大，无线资源稀缺、信道高度时变以及卸载策略复杂，同时，在任务卸载过程中包括通信和计算过程的耦合，并且通信和计算资源分配不当会导致资源利用率低和任务完成时延差异化。因此需要考虑任务在计算过程和通信过程中的可靠性，以满足工业互联网场景下任务的整体可靠性，如何合理分配资源以及设计高效的计算卸载策略，是边缘计算中的一大挑战因此，亟需一种可靠性感知的边缘计算卸载和资源分配方法，减少计算密集、时延敏感型任务的能量消耗。

发明内容

[0004] 有鉴于此，本发明的目的在于针对工业互联网边缘计算场景中，由于工业设备数据量大，计算能效低，计算资源利用率低、任务完成时延差异化的问题，提供一种可靠性感知的边缘计算方法，考虑任务计算和通信可靠性，通过优化计算任务所产生的总能耗，减少大量任务带来的能量消耗。

[0005] 为达到上述目的，本发明提供如下技术方案：

[0006] 一种可靠性感知的边缘计算卸载和资源分配方法，首先，初始化发射功率、计算资源以及通信资源初始解，然后分别采用凸优化以及基于本发明提出的改进混合鲸鱼优化算法求解三个子问题。对于卸载比率分配过程，首先固定发射功率以及计算资源分配，然后通过拉格朗日理论以及凸优化求解出卸载比率；对于通信资源分配过程，首先固定卸载比率以及计算资源分配，然后通过本发明提出来的改进混合鲸鱼优化算法进行求解得出发射功率；对于计算资源分配过程，首先固定卸载比率以及发射功率，然后通过本发明所提算法进行求解得出计算资源分配，最后通过判断能耗来确定是否达到最优解。该方法具体包括以下步骤：

[0007] S1：根据包含多个设备和一个物联网中继器以及一个边缘服务器的边缘计算网络场景，建立可靠性边缘计算系统框架；

[0008] S2：在步骤S1中的系统架构下，根据任务卸载时的传输时延和传输能耗，建立通信模型；根据计算时延和计算能耗，建立计算模型；

[0009] S3：根据温度和信噪比，将计算模型和通信模型建立为计算可靠性模型和通信可靠性模型；

[0010] S4：根据计算可靠性模型和通信可靠性模型，建立以时延和可靠性为约束条件，以所有设备能耗最小化为优化目标的优化问题；

[0011] S5：将所述优化问题分解为卸载比率子问题、功率控制子问题和计算资源子问题，采用步骤S6～步骤S7进行交替迭代求解；

[0012] S6：通过凸优化理论以及拉格朗日方法求解所述卸载比率子问题，得出最优的卸载决策；

[0013] S7：通过改进混合鲸鱼优化算法求解功率控制子问题和计算资源子问题，得出最优的发射功率、本地计算资源分配决策和边缘计算资源分配决策。

[0014] 本发明的有益效果在于：

[0015] 本发明在考虑任务通信可靠性和计算可靠性下提出了一种节能边缘计算设计方案，在保证任务容忍时延以及任务整体可靠性需求下通过联合优化卸载决策、通信和计算资源分配，以最大限度地降低设备的能耗。并考虑芯片处理能力，提出了一个通过温度来衡量任务计算可靠性的模型，并将原非凸问题转化为几个子问题进行求解，同时提出了交替迭代算法以及改进混合鲸鱼优化算法。

[0016] 本发明针对工业互联网边缘计算场景中，解决由于终端设备计算能力不足导致资源利用率低，难以实现节能性能。本发明可以在保障任务整体可靠性的同时，降低终端设备的能量消耗。

[0017] 本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

[0018] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

[0019] 图1是本发明实施例的基于可靠性感知的边缘计算方法流程图；

[0020] 图2为本发明的系统架构图；

[0021] 图3为本发明的改进混合鲸鱼优化算法的流程图；

[0022] 图4为本发明的功率控制和资源计算方法的流程图。

具体实施方式

[0023] 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，都属于本发明保护的范围。

[0024] 图1是本发明实施例的基于可靠性的边缘计算卸载与资源分配方法流程图，如图1所示，所述方法包括：

[0025] S1：根据包含多个设备和一个物联网中继器以及一个边缘服务器的边缘计算网络场景，建立可靠性边缘计算系统框架；

[0026] 在本发明实施例中，如图2所示，工业互联网户外监测场景下，终端设备产生大量计算密集和时延敏感型任务，边缘服务器为这些任务提供计算资源，通过共享空闲资源缓解终端设备计算能力、电池能量以及存储能力不足；本发明中，考虑在工业互联网室外环境监测场景下的边缘计算系统，多个物联网设备以及单个基站的场景，工业物联网设备产生的数据量非常庞大，对任务进行处理时会导致芯片过热影响性能，并且也可能通信链路的不稳定导致通信能力下降，如图1中假设具有多个时延敏感、计算密集型任务的工业物联网设备 以及物联网中继器N，单个边缘服务器M。同时计算任务表述为其中D表示任务输入大小，C表示计算每比特任务所需CPU周期数，Tmax表示
任务容忍时延。

[0027] S2：在步骤S1中的系统架构下，根据任务卸载时的传输时延和传输能耗，建立通信模型；根据计算时延和计算能耗，建立计算模型；

[0028] 在本发明实施例中，当本地计算无法达到任务所需性能要求时，部分任务由本地设备上传到边缘服务器进行并行处理，计算卸载过程表述为本地设备首先将任务卸载到边缘服务器进行处理，然后待任务计算完成后，将计算结果返回终端设备。因此，根据香农公式，任务传输速率可表述为：

[0029]

[0030] 其中，B表示信道带宽；Pi表示设备i的发射功率；σ2表示噪声功率；gi＝di‑α|h1|2表示信道衰落引起的功率增益；di表示物联网设备与边缘服务器之间的距离；h1表示瑞利衰落信道系数；α为路径损耗指数。

[0031] 因此，基于上述任务传输功率，可以建立通信模型，所述通信模型中，任务卸载时的传输时延和传输能耗表示为：

[0032]

[0033]

[0034] 其中，Titr表示设备i在任务卸载时的传输时延；λi表示设备i的任务比率大小，也即设备i卸载到边缘服务器的任务比率大小；D表示任务输入大小；Ri表示设备i的任务传输tr速率； 表示设备i在任务卸载时的传输能耗；Pi 表示设备i在任务卸载时的发射功率；

[0035] 同样的，对于本发明的计算模型：

[0036] (1)本地计算模型

[0037] 设备执行计算任务的CPU周期数依赖于各种因素，为了权衡任务卸载比率来满足l任务的可靠性需求，假设fi表示设备i在的CPU周期频率，并且可以根据动态电压和频率缩放技术在 范围内选择，其中 表示设备的最大CPU周期频率，因此设备的CPU频率约束可以表示为：

[0038]

[0039] 考虑到芯片计算能耗主要包括应用处理能耗，同时芯片发热功率等于芯片计算能l 3耗，物联网设备应用处理器产生的功耗为k(fi) ，任务在本地进行处理产生的时延和能耗分别表示为：

[0040]

[0041]

[0042] 其中，k表示有效电容系数，该系数取决于芯片结构，λi表示设备卸载到边缘服务器的任务比率大小。

[0043] (2)边缘计算模型

[0044] 在从设备接收到卸载的任务之后，边缘服务器调度其计算资源来并行处理任务。边缘服务器的最大CPU频率由 表示，则卸载到边缘服务器的第i个设备的任务计算时延为：

[0045]

[0046] 其中，fim为设备i的边缘服务器m的CPU周期频率，也即为边缘服务器m分配给卸载任务的计算资源。此外，由于计算结果较小，从边缘服务器到设备的时延和能耗也被忽略。因此，设备的总时延和总能耗可表示为如下：

[0047]

[0048]

[0049] 其中，Timec表示卸载到边缘服务器的设备i的任务计算时延；Til表示设备i在本地l进行处理产生的时延；C表示计算每比特任务所需CPU周期数；fi表示设备i的CPU周期频率；
表示设备i在本地进行处理产生的能耗；k表示有效电容系数；Ttotal表示设备的总时延；U表示设备集合；Etotal表示设备的总能耗。

[0050] S3：根据温度和信噪比，将计算模型和通信模型建立为计算可靠性模型和通信可靠性模型；

[0051] (1)计算可靠性模型

[0052] 当任务在本地设备上进行处理时，芯片逻辑上的不可逆计算增加了环境的热力学熵，大量数据在本地设备处理可能会使得设备CPU负载严重从而散发热量。根据传热理论，处理数据产生的热量会使得设备表面温度急剧升高，考虑到任务进行本地计算时会使设备芯片温度升高，当温度达到一定阈值时就会影响系统性能，任务会处理失败。应用处理器产l 3生的功耗表示为PAP＝k(fi) ，并且芯片温度的变化等于设备表面温度的变化，可表示为：

[0053] z(Tchip‑Tenv)＝hairA(Tsur‑Tenv)

[0054] 根据一维非稳态热传导过程可得到设备表面温度表达式为：

[0055]

[0056] 若芯片初始温度为 计算可靠性定义为芯片温度不超过阈值温度的概率为：

[0057]

[0058] 其中，参数hair,A,Tchip,Tsur,Tsafe,Tenv, cchip,m,t表示为空气对流换热系数、散热片面积、芯片温度、设备表面温度、安全温度、环境温度、初始温度、芯片比热、芯片质量和任务计算时间。因此，任务计算可靠性表示为：

[0059]

[0060] (2)通信可靠性模型

[0061] 任务成功发送是指接收到的信噪比超过一定阈值的事件。传输可靠性定义为信噪比超过信噪比阈值，当任务在本地设备计算难以满足所需性能时，需要将任务进行卸载，此时通信链路可能由于衰落而导致信道容量不足以将任务进行卸载，在本节中定义信噪比阈值为γth，根据前面的定义，在信道衰落最坏情况下的传输可靠性为Pr(γ≥γth)，假设信‑x/γ道增益服从参数为γ的指数分布，其概率密度函数为f(x)＝e /γ。因此，传输可靠性可表示为信噪比大于等于信噪比阈值的概率，其表达式可表述为：

[0062]

[0063] 其中，Preliable表示计算可靠性模型，Pr(·)表示概率函数；fil表示设备i的CPU周期频率；参数hair,A,Tchip,Tsur,Tsafe,Tenv, cchip,m,t依次表示为空气对流换热系数、散热片面积、芯片温度、设备表面温度、安全温度、环境温度、初始温度、芯片比热、芯片质量和任务计算时间；z表示控制参数，为常数；γ表示信道增益服从参数，γth表示信噪比阈值。

[0064] S4：根据计算可靠性模型和通信可靠性模型，建立以时延和可靠性为约束条件，以所有设备能耗最小化为优化目标的优化问题；

[0065] 在对通信模型、计算模型和可靠性模型建模后，本节通过联合考虑任务卸载决策、本地CPU频率调度、发射功率、边缘计算资源，制定了一个优化问题，以最小化所有用户的能量消耗，以确保任务完成时的可靠性需求以及时延需求，所建立的优化问题如下所示：

[0066]

[0067]

[0068]

[0069]

[0070]

[0071]

[0072] C6:Pr[Tsur(t)

[0073] C7:max{Til,Titr+Timec}≤Tmax

[0074] 其中，P表示传输功率；λ表示任务卸载比率；f表示CPU周期频率； 表示设备集合；表示设备i在本地进行处理产生的能耗； 表示设备i在任务卸载时的传输能耗；C1表示max
用户发射功率约束，Pi表示设备i的发射功率；Pi 表示设备i的最大发射功率；C2表示设备l
的本地计算能力约束，fi表示设备i的CPU周期频率， 设备i的最大CPU周期频率；C3和m
C4表示边缘服务器计算能力约束，fi 表示设备i的边缘服务器的CPU周期频率， 表示边缘服务器m的最大CPU周期频率；C5表示用户卸载比率约束，λi表示设备i的任务比率大小；
C6表示任务整体可靠性约束，Pr(·)表示概率函数，Tsur(t)表示设备i的表面温度，Tsafe表示设备i的安全温度，γ表示信道增益服从参数，γth表示信噪比阈值，ψ表示可靠性阈值；C7l tr
表示任务容忍时延约束，Ti表示设备i在本地进行处理产生的时延，Ti 表示设备i在任务卸mec
载时的传输时延，Ti 表示卸载到边缘服务器的设备i的任务计算时延，Tmax表示最大时延。

[0075] S5：将所述优化问题分解为卸载比率子问题、功率控制子问题和计算资源子问题，采用步骤S6～步骤S7进行交替迭代求解；

[0076] 在本发明实施例中，考虑到约束和目标函数中存在耦合变量，且各种变量与约束条件都是非凸的，难以直接求解出原始问题最优解，为了将这些变量解耦，本发明将原始问题P分解为三个子问题：1)卸载比率子问题；2)功率控制子问题；3)计算资源分配子问题，将上述表达式带入原问题P转化为问题P1如下，并且提出了联合计算和通信资源分配的交替迭代方案。

[0077]

[0078]

[0079]

[0080]

[0081]

[0082]

[0083]

[0084]

[0085]

[0086] 其中，D表示任务输入大小；C表示计算每比特任务所需CPU周期数；参数hair,A,Tchip,Tenv, cchip,m,t依次表示为空气对流换热系数、散热片面积、芯片温度、环境温度、初始温度、芯片比热、芯片质量和任务计算时间；z表示控制参数，为常数。

[0087] 对于卸载比率子问题，给定传输功率P、计算资源分配fil,fim，该优化目标可以表示为：

[0088]

[0089] s.t.C2.1:0≤λu≤1

[0090]

[0091]

[0092] P2问题的一阶偏导函数为 求解卸载比率时，可借助其提供的边界点进行比较来获得，根据一阶偏导函数可以获得最优的卸载比率。当时，随着卸载比率的增加，总能耗是增加的，这表明卸载比率越小越节能，即用户更愿意在本地计算其数据，但当本地计算能力非常有限时，倾向于将更多数据卸载到边缘服务器进行执行；当 时，随着卸载比率的增加，总能耗是减小的，这表明比起本地计算，将更多任务卸载到边缘进行计算是更节能的，同时卸载比率越大越节能，即用户更愿意将任务卸载到边缘。由此，可以获得最优的卸载比率。

[0093] 对于功率控制子问题：给定计算资源分配fil,fim以及卸载比率λi的情况下，在时延、可靠性约束下通过优化发射功率来最小化传输能耗，此时原问题可转化为：

[0094]

[0095]

[0096]

[0097]

[0098] 由于问题为分式形式，为非凸问题，因此采用本发明改进混合鲸鱼优化算法进行*求解得当前发射功率最优值P。

[0099] 对于计算资源子问题：当固定卸载比率λ和发射功率P时，在时延、可靠性以及计算资源约束下通过优化本地以及边缘计算资源分配来最小化设备总能耗。考虑到问题的耦合性，并且时延约束较为复杂，当满足最大时延约束时任务卸载过程中的能耗是最小的，因此tr mec将优化问题进行变形，将时延约束改写为Ti +Ti ＝Tmax，此时任务卸载过程中的能耗最小，于是，计算资源分配子问题可以表述为：

[0100]

[0101]

[0102]

[0103]

[0104]

[0105]

[0106]

[0107] 其中，λu表示设备u卸载到边缘服务器的任务比率大小； 表示设备u的最优卸载2
比率；σ 表示噪声功率；B表示信道带宽；d表示设备与边缘服务器距离；α表示路径损耗指数；h1表示瑞利衰落信道系数。

[0108] 由于目标函数存在分式且约束条件耦合，直接求解比较复杂，于是通过引入惩罚函数采用本发明改进混合鲸鱼优化算法进行求解得当前计算资源分配最优值。

[0109] 如图3所示，所述采用步骤S6～步骤S7进行交替迭代求解具体包括：

[0110] 初始化发射功率、计算资源以及通信资源初始解，然后分别采用凸优化以及改进混合鲸鱼优化算法求解三个子问题；

[0111] 对于卸载比率分配过程，首先固定发射功率以及计算资源分配，然后通过拉格朗日理论以及凸优化求解出卸载比率；

[0112] 对于通信资源分配过程，首先固定卸载比率以及计算资源分配，然后通过改进混合鲸鱼优化算法进行求解得出发射功率；

[0113] 对于计算资源分配过程，首先固定卸载比率以及发射功率，然后通过改进混合鲸鱼优化算法进行求解得出计算资源分配，最后通过判断能耗来确定是否达到最优解。

[0114] S6：通过凸优化理论以及拉格朗日方法求解所述卸载比率子问题，得出最优的卸载决策；

[0115] 可以理解的是，在本领域中，通过凸优化理论以及拉格朗日方法求解卸载比率子问题可以是本领域技术人员的常用手段，本发明对此不作任何限定。

[0116] S7：通过改进混合鲸鱼优化算法求解功率控制子问题和计算资源子问题，得出最优的发射功率、本地计算资源分配决策和边缘计算资源分配决策。

[0117] 由于不同变量之间的耦合关系，智能优化算法是求解全局最优解的一种有效方法，鲸鱼优化算法存在两种搜索方式可以更好的探索到最优值，但由于该算法跳出局部最优能力较差，考虑到蝙蝠算法的全局搜索能力较强，通过将蝙蝠算法与鲸鱼算法结合提出了一种改进混合鲸鱼优化算法。

[0118] 考虑到鲸鱼是一种群居的哺乳动物，并且它们一般通过互相合作的形式来追逐捕食猎物。因此，基于鲸鱼围捕猎物的行为特性，将其和优化问题结合起来衍生出了鲸鱼优化算法，在算法中用鲸鱼位置来映射可行解，通过优化鲸鱼的位置来达到最优的可行解。在每一次更新过程中，鲸鱼会随机选择包围猎物和气泡网捕食这两种方式去捕食，采用包围猎物捕食方式时又分为两种方式：选择当前最优位置进行捕食，或者随机选择一只鲸鱼位置并向其位置靠近，算法主要分为两个步骤，如图4所示。

[0119] 初始化：座头鲸根据与猎物之间的距离不断调整其位置，并且优化变量值可表示为：

[0120]

[0121] 更新机制：座头鲸会用不断收缩的气泡包围猎物，从而可以使得它们在捕猎前浮到水面上，而气泡网捕食过程又分为收缩包围机制和螺旋更新位置两种形式。收缩包围机制分为最优利用和随机探索，当收敛系数|A|≤1时选取最优值进行计算，此时最优利用更新公式如下：

[0122]

[0123]

[0124] 当收敛系数|A|>1时选取随机值进行计算，此时随机探索更新公式如下：

[0125]

[0126]

[0127] 其中，X*是当前最优解的位置向量； 是当前解的位置向量，当每次迭代过程中有*更优解时就需要更新X 。其中 是当前最佳位置和当前位置之间距离的绝对值；
是系数向量，而C则表示随机系数；Tmax是最大迭代次数。其中收敛系数向量 和收敛因子a1表达式如下：

[0128]

[0129] a1＝2‑2t/Tmax

[0130] 座头鲸的螺旋形捕食方式主要是通过鲸鱼和猎物之间建立的螺旋方程来衡量，其表达式如下：

[0131]

[0132]

[0133] 其中，b是对数螺旋形状的常数，l是区间随机系数，其值为[‑1,1]之间，l＝a2·rand+1和a2＝‑1‑t/Tmax为常数系数，通过随机数p＝0.5选择两个搜索机制，因此更新策略可以表示为：

[0134]

[0135] 在该算法中，首先随机初始化可行解，在每一次迭代中会根据鲸鱼的捕食机制来更新搜索代理(即可行解)的位置，可以通过当前迭代最优解更新位置，也可随机选择一个搜索代理位置进行更新。在算法中，收敛因子a1会随着迭代次数逐渐从2减小到0，刚开始鲸鱼会不断地向四周运动以获得更多的猎物(即探索阶段)，随着收敛因子不断地变小，鲸鱼会不断地选择最优的位置进行运动(即利用阶段)。通过不断地在螺旋运动和包围机制中切换，不断地在包围机制中采取最优位置或随机位置进行更新，从而达到该算法的最优解。

[0136] 蝙蝠算法是根据蝙蝠利用声呐探测猎物，避险这一习性，将算法优化和蝙蝠对障碍物或猎物探测、定位能力相联系进而提出来的一种智能优化算法。算法的基本原理是将蝙蝠种群的数量映射到问题的可行解上，不断优化蝙蝠的位置以达到最优可行解，用个体适应度函数衡量蝙蝠位置的优劣，通过适应度函数映射优化问题中的目标函数，不断优化蝙蝠个体，通过不断进行适者生存，寻求更好的可行解来更新位置。

[0137] 若此时蝙蝠以随机速度 在位置 飞行，同时以固定频率ri以及声波响度 搜索猎物，并且蝙蝠根据和目标位置距离的远近，不断调整发射脉冲的波长(或频率)和脉冲频率以接近目标，因此位置更新机制可以表示为：

[0138] fi＝fmin+(fmax‑fmin)e

[0139]

[0140]

[0141] 其中，位置更新机制中的局部最优解x*，脉冲发生率rit，以及声波响度 更新方式如下：

[0142]

[0143] rit+1＝ri0(1‑e‑rt)

[0144]

[0145] 由于在鲸鱼算法中的探索阶段容易陷入局部最优，容易过早收敛，难以达到最优性能，同时蝙蝠算法全局搜索能力较为优秀，但其迭代过程只能依靠当前最优个体来更新，缺乏多样性，因此考虑利用蝙蝠算法的更新机制替换鲸鱼算法中的收缩包围机制已达到跳出局部最优。基于该设计思路，本发明基于鲸鱼算法和蝙蝠算法的更新规则提出了改进混合鲸鱼优化算法。

[0146] 在本发明实施例中，如图4所示，所述改进混合鲸鱼优化算法具体包括利用混合鲸鱼优化算法对可行解鲸鱼种群进行初始化，初始化可行解鲸鱼群体的位置；判断是否满足终止条件，若不满足，则计算可行解鲸鱼群体的适应度值，并根据所述适应度值计算得到收敛系数A、随机系数C、螺旋系数l和随机数p；若所述随机数p小于第一预设阈值，则继续判断所述收敛系数A是否大于等于第二预设阈值，则大于等于第二预设阈值，则选择随机搜索代理后通过蝙蝠算法更新机制更新所述可行解鲸鱼个体的位置；若不大于等于第二预设阈值，则选择最优搜索代理后通过蝙蝠算法更新机制更新所述可行解鲸鱼个体的位置；若第一系数rand大于第二系数r，其中rand和r都是随机生成的随机数，则更新本地的可行解鲸鱼个体的位置；若声波响度η大于第一系数rand，且当前可行解鲸鱼群体的位置的适应度值大于前一可行解鲸鱼群体的位置的适应度值，则更新脉冲发生率以及声波响度；若所述随机数不小于第一预设阈值或者在更新脉冲发生率以及声波响度后，通过螺旋环绕机制更新位置，判断当前适应度值是否小于之前的适应度值，若小于，则选择更新当前可行解鲸鱼群体的位置，否则选择之前的可行解鲸鱼群体的位置；直至确定出最终的最优的发射功率、本地计算资源分配决策和边缘计算资源分配决策可行解。

[0147] 可以理解的是，在本发明实施例中，为了方便展示，所述第一预设阈值取值为1，所述第二预设阈值取值为0.5，在实际情况中，本领域技术人员可以适当调整取值。

[0148] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

[0149] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。