蔣欣秀，常 俊，李 波，楊志軍，丁洪偉

(云南大學信息學院，云南 昆明 650500)

1 引言

隨著全球智能化的發(fā)展，大量智能設(shè)備已經(jīng)廣泛應用于各個領(lǐng)域，深刻推動了智能產(chǎn)業(yè)的發(fā)展[1]，這有助于智能物聯(lián)網(wǎng)從陸地擴展到海洋區(qū)域。海洋通信網(wǎng)絡(luò)是未來海洋信息智慧網(wǎng)絡(luò)的重要組成部分，海洋信息傳輸以及海上綜合業(yè)務的開展產(chǎn)生了大量需要傳輸和處理的數(shù)據(jù)，對海洋通信網(wǎng)絡(luò)提出了低時延、高可靠的服務需求。而新一代移動邊緣計算MEC(Mobile Edge Computing)技術(shù)將數(shù)據(jù)處理中心下沉至網(wǎng)絡(luò)邊緣，提供就近的數(shù)據(jù)處理和存儲服務，實現(xiàn)了高效的海上通信[2]。但是，爆炸式增長的網(wǎng)絡(luò)流量及能量消耗使MEC的局限性也日益凸顯。如何利用有限的通信資源和計算資源實現(xiàn)低成本、低時延和高可靠的海上網(wǎng)絡(luò)通信成為一種挑戰(zhàn)。

為了應對上述挑戰(zhàn)，國內(nèi)外研究人員進行了大量的研究。在任務卸載策略方面，文獻[3]引入了一種面向海上的移動協(xié)同邊緣計算卸載方案，采用改進的協(xié)同算法來提高卸載效率，克服海洋環(huán)境復雜和通信成本高的困難，但是該計算卸載方案只考慮了計算資源的狀態(tài)，沒有考慮通信資源的約束；Yang等[4]研究了具有能耗-延遲權(quán)衡的海上通信網(wǎng)絡(luò)動態(tài)卸載問題，提出了一種兩階段聯(lián)合最優(yōu)卸載方案，第一階段船舶用戶VU(Vessel User)根據(jù)自身計算資源的大小及任務緊急程度決定是否將任務卸載至邊緣云，第二階段提出邊緣云與中心云的卸載策略，實現(xiàn)計算資源的有效分配，而該任務卸載方案在2個階段進行傳輸，使得任務重復傳輸，造成資源浪費；文獻[5]基于正交頻分復用技術(shù)的無線傳感器網(wǎng)絡(luò)，建立了基于各子載波發(fā)射功率和各船舶卸載時間的聯(lián)合優(yōu)化框架，指揮船作為邊緣服務器接收船舶卸載的任務，但隨著船舶數(shù)量的增加，能耗和時延明顯增加。在模型建立方面，Yang等[6]考慮了海上MEC網(wǎng)絡(luò)的計算任務卸載，使得船舶和碼頭的能耗和任務完成時間的加權(quán)和最小，為了減少設(shè)備的執(zhí)行時延和能耗，提出了一種基于改進的匈牙利算法的海上網(wǎng)絡(luò)多船計算卸載方法，用于實現(xiàn)多船、多通道和多邊緣服務器之間的最佳匹配，然而在為船舶與MEC服務器的通信建模時，沒有考慮任務的回傳會受到海洋復雜環(huán)境的影響；文獻[7]提出了移動邊緣通信、計算和緩存技術(shù)，通過緩存策略避免任務的重復傳輸，減少流量的冗余，但引入無人機作為移動數(shù)據(jù)中心，使得移動云在計算資源、通信資源和能源資源方面受限，不能準確反映海域的復雜情況；文獻[8]提出一種空間綜合網(wǎng)絡(luò)體系結(jié)構(gòu)，基于深度強化學習解決聯(lián)合通信和計算資源的卸載決策問題，提高了通信效率和計算效率，但深度強化學習需要強大的算力支撐，而海洋場景的資源是受限的。

以上研究雖然一定程度上實現(xiàn)了海上網(wǎng)絡(luò)通信方案的計算資源和通信資源優(yōu)化配置，但仍然存在2個問題：(1)文獻[3-5]雖然圍繞著時延和能耗對海上網(wǎng)絡(luò)進行卸載優(yōu)化，但在減少全局延遲和能耗方面存在重復傳輸、缺少約束等問題，造成了資源浪費。(2)文獻[5-8]只考慮了計算資源和通信資源的優(yōu)化配置，在模型構(gòu)建方面沒考慮海洋場景通信環(huán)境的惡劣以及在能量消耗方面沒考慮利用可再生能源彌補。

針對上述問題，考慮到能耗和時延要求，本文提出了一種基于混合能量供應的移動邊緣計算卸載方案。在該方案中，MEC服務器集成了混合電源和混合接入點HAP(Hybrid Access Point)，混合電源從電網(wǎng)和可再生能源中獲取電能保證邊緣計算系統(tǒng)能夠可靠運行，混合接入點能夠?qū)崿F(xiàn)向所有船舶用戶廣播射頻RF(Radio Frequency)信號和接收船舶用戶卸載任務的功能。整個方案聯(lián)合能量收集方法對時延和能耗進行優(yōu)化，將任務卸載問題分解為用戶執(zhí)行任務和MEC服務器執(zhí)行任務的時延和能耗最小化問題。最后通過降維優(yōu)化和改進的鯨魚優(yōu)化算法來解決該優(yōu)化問題。仿真結(jié)果表明，本文方案與基本海上通信網(wǎng)絡(luò)優(yōu)化的方案相比有更低的執(zhí)行總代價，進一步證明了所提方案的有效性。

2 系統(tǒng)模型

2.1 總體模型

混合能量供應的移動邊緣計算模型如圖1所示。該模型包括1個可獲得可再生能源和電網(wǎng)能源的混合電源、1個MEC服務器、1個單天線混合接入點HAP和N個單天線的船舶用戶VU。其中，MEC服務器集成了混合電源和HAP，混合電源為整個系統(tǒng)提供能量，HAP向所有VUs廣播射頻信號，每個VU集成了RF轉(zhuǎn)換器和1個可充電電池，VUs可以使用轉(zhuǎn)換模塊將射頻信號轉(zhuǎn)化為電能,為本地計算或卸載傳輸提供能量，MEC服務器通過HAP接收VUs卸載任務，完成任務計算后，將計算結(jié)果返回給VUs。

Figure 1 Mobile edge computing model with hybrid energy supply圖1 混合能量供應的移動邊緣計算模型

如圖1所示，本文考慮了無線能量傳輸和無線信息傳輸，采用在每個時間段T中先獲取能量后處理任務的方式以延長設(shè)備壽命，整個系統(tǒng)時間內(nèi)有l(wèi)個時間段(時長為T)，在每個時間段均由可再生能源獲取階段(時長為τT)、RF無限能量傳輸階段(時長為nT)、任務計算階段(時長為ωT)和任務回傳階段(時長為qT)組成，其中，τ,n,ω,q∈[0,1]，且τ+n+ω+q=1。因此，混合電源在τT時間段內(nèi)先收集可再生能源，但由于可再生能源的可變性，本文將電力電網(wǎng)作為互補能源，以保證服務的連續(xù)性;當MEC服務器獲得能源之后在nT時間段內(nèi)開始廣播射頻信號;VUs接收到射頻信號并轉(zhuǎn)化為能量之后，進入任務計算階段，在時間段ωT內(nèi)執(zhí)行任務計算操作，采用τi=(Di,αi)表示VUi∈{VU1,VU2,…,VUK}的計算任務且假設(shè)任務可分割，其中，K表示船舶用戶數(shù)量，Di表示計算任務τi的輸入計算數(shù)據(jù)大小(單位為bit)，αi表示平均計算密度(單位為cycles/bit)。VUi可以在本地完成計算任務也可以卸載至MEC服務器完成計算任務，若任務卸載至MEC服務器，采用μi=(μ1,μ2,…,μK)表示本地計算數(shù)據(jù)量與其待處理的數(shù)據(jù)總量之比，任務完成之后，通過HAP將結(jié)果返回至VUs。

2.2 計算模型

2.2.1 本地執(zhí)行模型

若VUi決定在本地執(zhí)行計算任務τi，計算過程只與VUi的CPU計算能力有關(guān)，VUi的設(shè)備不同，其計算能力也不同，但VUi的設(shè)備可以采用動態(tài)頻率電壓調(diào)節(jié)技術(shù)[9]調(diào)節(jié)設(shè)備的CPU最佳頻率，使得本地能耗降至最低。VUi本地執(zhí)行計算任務所需時間如式(1)所示：

(1)

VUi在本地執(zhí)行計算任務所消耗的能量如式(2)所示：

(2)

2.2.2 卸載執(zhí)行模型

(3)

(4)

(5)

(6)

MEC服務器處理VUi卸載數(shù)據(jù)所需的時延和能耗分別如式(7)和式(8)所示：

(7)

(8)

(9)

(10)

2.2.3 執(zhí)行代價模型

根據(jù)前文所述，本文以時延和能耗最小化為目標建立代價函數(shù)。由于船舶用戶的任務可以同時在本地設(shè)備和邊緣服務器上處理，VUi執(zhí)行總時延為本地執(zhí)行部分總時延與卸載執(zhí)行部分總時延中的最大值,如式(11)所示：

(11)

VUi執(zhí)行任務的能耗如式(12)所示：

(12)

因此，將執(zhí)行代價定義為式(13)所示：

(13)

其中，m為VUi任務對時延和能耗的偏好系數(shù)。

2.3 能量收集模型

2.3.1 可再生能量收集

本文提出了一種可再生能源驅(qū)動的邊緣計算方案，旨在最大限度地減少碳排放，但可再生能源的可變性和間歇性給能源管理帶來了挑戰(zhàn)[10]，因此需要使用公用電網(wǎng)為其提供有效的電力保障，形成能源供應微電網(wǎng)，微電網(wǎng)可確保MEC服務器在無線能量傳輸階段開始時電力存儲量為Emax。MEC服務器將收集的可再生能源存儲于電池中，若在每個時間段的能量收集階段電量小于Emax時，將觸發(fā)電力電網(wǎng)系統(tǒng)作為其補充能量。本文考慮的可再生能源由風能和太陽能構(gòu)成。

(1)太陽能能源。

(14)

(2)風能能源。

Ewind(t)=PwindτT

(15)

(16)

Bcecn(t+1)=Eharvest(t)+Esup(t)-E(t)

(17)

2.3.2 射頻能量收集

MEC服務器獲取能量之后通過HAP廣播RF信號，VUi在時間段T開始時獲得RF無線能量[13]，根據(jù)Friis公式，將其表示為式(18)所示：

(18)

(19)

當任務處理完后，VUi的電池狀態(tài)量更新如式(20)所示：

(20)

因此，本文模型由可再生能源供應的MEC服務器和由無線傳輸能量供應的VUs組成，其動態(tài)能量供應算法如算法1所示：

算法1動態(tài)能量供應算法

輸出:Eharvest(t),Elocal,i(t)。

1. 初始化時間段數(shù)量l;

2.fort=1 to ldo

4.ifEharvest(t)

5.Eharvest(t)=Eharvest(t)+Esup(t);

6.else

7.Eharvest(t)=Emax;

8.endif

9. 利用式(17)更新MEC服務器的電池狀態(tài);

13. 利用式(20)更新VUs的電池狀態(tài);

14.endif

15.endfor

3 問題形式化

根據(jù)優(yōu)化部分變量引理[14]可知先優(yōu)化一部分變量再優(yōu)化另一部分變量可以達到優(yōu)化函數(shù)的目的，因此本文將原始執(zhí)行代價問題轉(zhuǎn)化為一維優(yōu)化問題進行求解。

引理1

(21)

利用引理1可將原始執(zhí)行代價最小化分解為能量最小化問題和時延最小化問題，以時延和能量最小化為目標依次優(yōu)化本地計算頻率、本地發(fā)射功率和數(shù)據(jù)卸載比例，使得系統(tǒng)能效最大化。

3.1 能量最小化問題

為了延長電池壽命，且所收集的能量可以充分利用，在保證VUi執(zhí)行時延的同時最小化整體能耗，則能量最小化問題可形式化表示為式(22)所示：

C4:0≤μi≤1

(22)

3.2 時延最小化問題

針對復雜的海上通信條件及敏感的時延要求，本文通過使用有限的能量資源盡可能優(yōu)化執(zhí)行任務的時延。該時延最小化問題可形式化表示如式(23)所示：

C4,C5,C6

(23)

4 問題求解

4.1 最佳本地計算頻率

(24)

4.2 降維優(yōu)化算法

4.2.1 可行域優(yōu)化

(25)

由C1可得出式(26)：

(26)

根據(jù)C3和C5可有式(27)：

(27)

當:

(28)

時，可得出：

(29)

將式(24)和式(29)代入P1，將三維問題P1簡化為如式(30)所示的二維問題P3：

C10:μmin≤μi≤μmax

C2,C5

(30)

(31)

4.2.2 發(fā)射功率求解

(32)

(33)

□

由于式(32)存在唯一極值，因此可將約束集合的極值與式(32)的極值進行比較，獲得最佳功率。然而關(guān)于發(fā)射功率的約束下限值由C1、C3和C5聯(lián)合決定，首先，根據(jù)C3和C5獲得如式(34)所示的其中一個約束的下限值：

(34)

再根據(jù)約束C1求解另一個約束極值,如式(35)所示：

(35)

由于約束存在耦合關(guān)系，可利用條件縮放方法得出式(36)：

(36)

則有式(37)：

(37)

可將式(35)重寫為式(38)：

(38)

則可以得到約束上限值,如式(39)所示：

(39)

根據(jù)式(32)、式(34)、式(39)和C5可得出最佳發(fā)射功率閉合表達式,如式(40)所示：

(40)

根據(jù)式(40)，P3可化簡為式(41)所示：

P4: minE(μi)

s.t.C10:μmin≤μi≤μmax

(41)

其中，E(μi)如式(42)所示:

(42)

P4為一維約束優(yōu)化問題，以能耗和時延最小化為目標，則執(zhí)行代價函數(shù)如式(43)所示:

s.t.C10:μmin≤μi≤μmax

C11:T(μi)≤ωT

C12:E(μi)≤Emax

(43)

為了獲得最優(yōu)的數(shù)據(jù)卸載比，根據(jù)式(43)需要對卸載數(shù)據(jù)比在多約束條件下進行尋優(yōu)，本文引入一種改進的鯨魚優(yōu)化算法對執(zhí)行代價函數(shù)進行迭代。

4.3 卸載比例優(yōu)化

4.3.1 基本鯨魚優(yōu)化算法

鯨魚優(yōu)化算法WOA(Whale Optimization Algorithm)是一種智能仿生算法[15]，該算法基于座頭鯨的捕獵行為，將目標問題規(guī)劃為包圍獵物、搜索獵物和螺旋氣泡網(wǎng)捕食3個過程。每只座頭鯨位置代表一個可行解，通過在解空間中不斷更新鯨魚的位置，最終可以獲得全局最優(yōu)解。算法的參數(shù)映射如表1所示。

Table 1 Parameter mapping

(1)搜索獵物。

依據(jù)鯨魚的游走機制，算法在搜索獵物階段采用魚群隨機性位置更新的方法，使隨機搜索具有全局尋優(yōu)的能力，當|A|>1時，從當前種群中隨機選擇鯨的位置向量Xrand進行更新，面向全局搜索合適的獵物，其位置更新公式如式(44)和式(45)所示：

D=C·Xrand-X(z)

(44)

X(z+1)=Xrand-A·D

(45)

A=2a·r1-a

(46)

C=2·r2

(47)

其中,z代表當前迭代次數(shù)，X(z)是當前迭代的位置向量，X(z+1)為下次迭代的位置向量，A和C是向量系數(shù)，r1和r2為由[0,1]的隨機數(shù)構(gòu)成的向量。隨著迭代次數(shù)的增加，a呈線性遞減，A隨之減小，當|A|≤1時，算法由搜索階段進入到包圍獵物階段。

(2)包圍獵物。

該階段A為由[-1,1]的隨機數(shù)構(gòu)成的向量，假設(shè)當前的魚群中適應度值最優(yōu)的解是目標獵物位置，座頭鯨在迭代過程中向最佳解的位置進行更新，通過逐步包圍收縮，接近目標獵物，該行為可表示為式(48)和式(49)所示：

D=C·X*(z)-X(z)

(48)

X(z+1)=X*(z)-A·D

(49)

(3)螺旋氣泡網(wǎng)。

鯨魚在捕食時通常邊吐氣泡邊螺旋式上升游動，將獵物逼近海洋表面再進行捕獵，該行為可表示為式(50)和式(51)所示：

D′=X*(z)-X(z)

(50)

X(z+1)=D′·ebl′·cos(2πl(wèi)′)+X*(z)

(51)

其中,b用于定義對數(shù)螺旋的形狀，l′∈[-1,1]為隨機數(shù)，D′是當前鯨的位置向量與目標獵物之間的位置向量之間的向量差。為了模擬鯨魚同時進行螺旋氣泡和包圍收縮的狩獵行為，假設(shè)鯨魚執(zhí)行任意一個行為的概率為50%，則鯨魚位置更新公式如式(52)所示：

(52)

其中，p是[0,1]的隨機數(shù)。

4.3.2 改進的鯨魚優(yōu)化算法

基本W(wǎng)OA中，向量系數(shù)A對群體尋優(yōu)有重要影響，利用WOA迭代計算最優(yōu)數(shù)據(jù)卸載比例時，包圍閾值恒定為1，因此，在迭代后期座頭鯨沒有根據(jù)式(45)進行尋優(yōu)，容易陷入局部最優(yōu)。針對這一問題，本文提出一種包圍閾值自適應的改進鯨魚優(yōu)化算法ATWOA(Adaptive Threshold Whale Optimization Algorithm)，包圍閾值的計算公式如式(53)所示：

(53)

其中，h(z)表示第z次迭代對應的包圍閾值，記f(z)為第z次迭代時本文所提計算卸載方案的適應度值，若第z次迭代執(zhí)行代價不比第z-1次的更優(yōu)，則減小該座頭鯨的包圍閾值，擴大座頭鯨位置選擇范圍，使得座頭鯨有偏好地進行位置更新。本文所提優(yōu)化數(shù)據(jù)卸載比的算法描述如算法2所示。

算法2數(shù)據(jù)卸載比的優(yōu)化算法

輸入：鯨魚種群Xi(i=1,2,…,n)，最大迭代次數(shù)Tmax。

輸出：最佳搜索位置X*。

1. 計算每頭座頭鯨的執(zhí)行代價(式(53));

2.Whilez

3.for鯨魚個體

4. 更新每個搜索變量的a,A,C,l′,p;

5.ifp<0.5

6.if|A|>h(t)

7. 隨機選擇一個搜索變量Xrand;

8. 通過式(45)更新當前搜索變量的位置;

9.elseif|A|≤h(t)

10. 通過式(49)更新當前搜索變量的位置;

11.endif

12.elseifp≥0.5

13.通過式(51)更新當前搜索變量的位置;

14.endif

15.endfor

16. 檢查是否有搜索變量超出了搜索范圍;

17. 計算所有座頭鯨的執(zhí)行代價(式(33));

18. 更新X*的值;

19.z=z+1;

20.endwhile

5 實驗仿真與結(jié)果分析

5.1 仿真實驗環(huán)境

為了驗證本文提出的計算卸載方案的有效性和優(yōu)越性，本文使用邊緣計算模擬器EdgeCloudSim[16]進行實驗仿真，EdgeCloudSim是一款針對特定邊緣計算場景進行仿真的開源工具，提供了一個模塊化的體系結(jié)構(gòu)，主要由5個自定義模塊組成，分別是移動模塊、負載生成器模塊、網(wǎng)絡(luò)模塊、邊緣協(xié)調(diào)器模塊和核心仿真模塊。本文將混合能量供應的移動邊緣計算模型載入核心仿真模塊中，并將優(yōu)化算法載入邊緣協(xié)調(diào)模塊中進行仿真。

仿真中設(shè)置一個船舶網(wǎng)絡(luò)、一個邊緣云設(shè)備并模擬20 min的真實場景。對于仿真場景參數(shù)參考文獻[17]將每個船舶用戶的處理速度設(shè)置為50 MIPS，將邊緣云設(shè)備模擬為數(shù)據(jù)中心，其由4臺虛擬主機組成，處理速度為1 000 MIPS，在初始化階段，負載生成器模塊根據(jù)泊松分布為每個船舶用戶創(chuàng)建一組大小為1 000 KB的任務，此外，在仿真平臺中，參考文獻[18-20]定義不同的參數(shù),如表2所示。

5.2 實驗結(jié)果分析

5.2.1 優(yōu)化算法的比較

為了驗證本文提出的降維優(yōu)化算法的優(yōu)越性，本節(jié)評估了在不同船舶用戶數(shù)量的場景下，本文提

Table 2 Parameters setting

出的降維優(yōu)化算法與文獻[20]算法的性能，結(jié)果如圖2所示。可以看出，隨著VUs數(shù)量的增加，總執(zhí)行代價呈增大的趨勢，文獻[20]算法執(zhí)行代價變化較大，是由于該方案引入變量的理想化使得本地計算能力和發(fā)射功率沒有達到最優(yōu)值，而本文的降維優(yōu)化算法在測試范圍內(nèi)均有較低的執(zhí)行代價，說明了算法的可行性。

Figure 2 Total execution cost of different ship users圖2 不同船舶用戶數(shù)量的執(zhí)行總代價

5.2.2 能量收集方法驗證

為了驗證本文提出的能量收集方法的有效性，在核心仿真模塊中模擬了1 200個時隙中MEC服務器電池能量的狀態(tài)和VUs存儲能量的狀態(tài)，結(jié)果如圖3所示。在當前參數(shù)下，可以看出MEC服務器電池能量的狀態(tài)穩(wěn)定在第600個時隙附近，表明可再生能源在每個時間段開始時進行收集，在第600個時隙到達Emax，VUs的電池能量狀態(tài)在第800個時隙達到穩(wěn)定，表明在MEC服務器獲得能量之后向VUs廣播射頻信號，VUs在第800個時隙達到了能量平衡。

Figure 3 Relationship between battery energy and time slot圖3 電池能量與時隙的關(guān)系

5.2.3 改進算法比較

為了優(yōu)化卸載數(shù)據(jù)比，本文改進了鯨魚優(yōu)化算法來對適應度函數(shù)進行尋優(yōu)，如圖4所示，隨著種群數(shù)量的增加任務執(zhí)行成本逐漸減小并趨于收斂，當ATWOA種群數(shù)量達到40以上時，執(zhí)行總代價收斂于同一數(shù)值，比基本的WOA種群數(shù)量達到60個以上收斂更快，說明了改進算法尋優(yōu)性能的提升。由于種群數(shù)量為40時，在迭代21次附近收斂，因此選取40個種群數(shù)量進行以下實驗仿真。

Figure 4 Total execution costs of different population numbers圖4 不同種群數(shù)量時的執(zhí)行總代價

5.2.4 消融實驗

本節(jié)在參數(shù)一定的情況下進行消融實驗，實驗結(jié)果取各實驗仿真10次的平均值，結(jié)果如表3所示。實驗1為基于EdgeCloudSim搭建的計算卸載基礎(chǔ)框架，采用全部任務卸載方法對任務進行卸載。在實驗1的基礎(chǔ)上，實驗2以能耗-時延權(quán)衡優(yōu)化為目標，通過降維優(yōu)化算法獲得最優(yōu)本地計算能力和發(fā)射功率，使得執(zhí)行總代價有效降低22.9%。實驗3在實驗2的基礎(chǔ)上聯(lián)合能量收集方法進行優(yōu)化，最終執(zhí)行總代價降低17%。實驗4基于實驗3并采用基本鯨魚優(yōu)化算法獲得任務卸載比例，最終執(zhí)行總代價降低13.7%。實驗5采用本文所提模型，通過改進鯨魚優(yōu)化算法使執(zhí)行總代價降低了6.5%。

Table 3 Comparison of ablation results

5.2.5 不同方案的對比實驗

為評估本文提出的計算卸載方案的性能，本節(jié)評估具有能量收集的資源分配方案WP-MEC(Wireless Powered Mobile Edge Computing)[21]和海上通信網(wǎng)絡(luò)優(yōu)化的方案ORMCN(Optimization Research of Maritime Communication Network)[22]與本文方案之間的差異，結(jié)果如圖5所示。由圖5可以看出，相較于其他方案，本文提出的計算卸載方案有較低的執(zhí)行成本，隨迭代次數(shù)的增加，其收斂到一定值，達到能耗-時延平衡，本文提出的計算卸載方案較之WP-MEC和ORMCN，執(zhí)行成本分別降低13.4%和9.6%，這是由于本文采用了優(yōu)化卸載比例的策略，提高了數(shù)據(jù)處理效率，同時聯(lián)合可再生能源收集方法使得系統(tǒng)對能量的使用效率提高。

Figure 5 Total execution costs of different schemes圖5 不同方案的執(zhí)行總代價

圖6給出了船舶用戶數(shù)量對平均任務失敗率的影響，當系統(tǒng)負載較輕時，計算任務的性能相似，本文提出的計算卸載方案在負載增加的時候表現(xiàn)出更好的性能，因其圍繞著時延和能耗對任務卸載進行優(yōu)化，能更好地平衡計算資源和通信資源。而ORMCN對海上通信資源的評估考慮不周，因其通信的不穩(wěn)定，導致任務失敗率較高，WP-MEC沒有考慮到可再生資源存在不穩(wěn)定性，導致任務在卸載過程中因為能量不足而出現(xiàn)丟失。

Figure 6 Task failure rates of different schemes圖6 不同方案的任務失敗率

6 結(jié)束語

考慮到MEC服務器和船舶用戶的場景不同，本文提出了一種混合能量供應的邊緣計算卸載模型，利用可再生能源為MEC服務器供應能量，采用電力電網(wǎng)為其補充能源，保證系統(tǒng)工作的連續(xù)性，VUs則考慮用無線RF傳輸提供能量。本文提出的計算卸載方案以能耗-時延權(quán)衡為目標，通過降維優(yōu)化算法，將目標函數(shù)簡化為關(guān)于卸載數(shù)據(jù)比的一維多約束問題，并通過優(yōu)化鯨魚算法得到模型的執(zhí)行總代價。仿真結(jié)果表明，本文提出的計算卸載方案較之WP-MEC、ORMCN執(zhí)行成本降低了13.4%和9.6%。在未來工作中，將會進一步考慮對電網(wǎng)能量供應進行計價，實現(xiàn)電網(wǎng)和MEC服務系統(tǒng)雙方收益最大化。