李 順，葛海波，劉林歡，陳旭濤

西安郵電大學(xué) 電子工程學(xué)院，西安 710121

隨著網(wǎng)絡(luò)時(shí)代的來(lái)臨，網(wǎng)絡(luò)設(shè)備的使用量呈爆發(fā)式增長(zhǎng)。人們?cè)谝苿?dòng)設(shè)備上執(zhí)行任務(wù)時(shí)對(duì)數(shù)據(jù)速率和服務(wù)質(zhì)量的要求越來(lái)越高，卸載任務(wù)的類(lèi)型也越來(lái)越復(fù)雜，如增強(qiáng)現(xiàn)實(shí)（augmented reality，AR）、手勢(shì)識(shí)別、人臉識(shí)別等[1]，這些應(yīng)用不僅是計(jì)算任務(wù)密集型，而且對(duì)時(shí)延要求敏感。隨著技術(shù)的發(fā)展，盡管現(xiàn)在移動(dòng)設(shè)備的中央處理器（CPU）速率已經(jīng)得到很大的提升，但在需要大量計(jì)算資源的應(yīng)用面前在短時(shí)間內(nèi)也是無(wú)能為力。移動(dòng)云計(jì)算（mobile cloud computing，MCC）中將計(jì)算資源需求量大的任務(wù)卸載至遠(yuǎn)端具有強(qiáng)大計(jì)算能力的云服務(wù)器中，能夠在保證時(shí)延和能耗的前提下高效的解決這一問(wèn)題。由于云服務(wù)器與用戶(hù)之間距離較遠(yuǎn)，在傳輸過(guò)程中由于各種因素的影響導(dǎo)致高時(shí)延問(wèn)題，為了解決這一問(wèn)題，業(yè)內(nèi)學(xué)者將目光聚焦到移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）上來(lái)[2]，MEC 將遠(yuǎn)端服務(wù)器的計(jì)算和存儲(chǔ)資源遷下沉到用戶(hù)端，降低計(jì)算任務(wù)傳輸時(shí)延和能量消耗，并且對(duì)計(jì)算資源需求量很大的任務(wù)，直接將其傳輸?shù)竭h(yuǎn)端計(jì)算能力更強(qiáng)的云服務(wù)器中執(zhí)行。MEC 靠近用戶(hù)端設(shè)備但計(jì)算能力有限，MCC 遠(yuǎn)離用戶(hù)端設(shè)備但其計(jì)算能力巨大，兩者相互協(xié)作能夠滿(mǎn)足不同的應(yīng)用場(chǎng)景。

計(jì)算卸載作為MEC 的主要優(yōu)勢(shì)之一，成為廣大研究人員的關(guān)注熱點(diǎn)[3]。在現(xiàn)有的移動(dòng)邊緣計(jì)算任務(wù)卸載的研究中，用戶(hù)將任務(wù)卸載至邊緣服務(wù)器或者云服務(wù)器，忽略了附近擁有計(jì)算資源的邊緣服務(wù)器，導(dǎo)致這部分計(jì)算資源的浪費(fèi)。將任務(wù)卸載至邊緣服務(wù)器時(shí)，邊緣服務(wù)器之間作為一個(gè)協(xié)同的整體對(duì)卸載的任務(wù)進(jìn)行計(jì)算，能夠有效減少向遠(yuǎn)程云傳輸?shù)臅r(shí)間成本。

本文中結(jié)合MCC和MEC的優(yōu)勢(shì)，將邊緣服務(wù)器及其附近邊緣服務(wù)器看作一個(gè)協(xié)同整體，任務(wù)選擇卸載至本地、本地邊緣服務(wù)器、附近邊緣服務(wù)器中以及云服務(wù)器中計(jì)算。將任務(wù)卸載中傳輸時(shí)延與能耗建立模型，并分別賦予權(quán)重值，通過(guò)改進(jìn)的混合粒子群算法找到最優(yōu)解，并得到最優(yōu)的卸載策略。

1 相關(guān)工作

隨著5G的迅速發(fā)展以及普及，MEC的發(fā)展和研究迎來(lái)了新的高度。在MEC 的研究中，計(jì)算卸載技術(shù)一直備受關(guān)注，大量的學(xué)者也對(duì)其進(jìn)行了研究并有了突破性的進(jìn)展[4]。文獻(xiàn)[5]提出一種無(wú)線(xiàn)感知聯(lián)合調(diào)度和計(jì)算卸載的策略（joint scheduling and compute offloading，JSCO），通過(guò)在移動(dòng)端和云端并行處理的方式，減少了執(zhí)行時(shí)間，并將優(yōu)先關(guān)系和總執(zhí)行時(shí)間作為約束條件，以此來(lái)權(quán)衡能耗。文獻(xiàn)[6]研究了具有小型網(wǎng)絡(luò)的MEC系統(tǒng)節(jié)能計(jì)算卸載策略，通過(guò)聯(lián)合優(yōu)化功率、無(wú)線(xiàn)和計(jì)算資源分配等因素最小化終端能耗，將卸載問(wèn)題表述為NP-hard的MINLP問(wèn)題，提出了一種基于遺傳和粒子群（hierarchical genetic algorithm and particle swarm optimization based computation algorithm，HGPCA）的計(jì)算卸載策略。但在文中重點(diǎn)考慮了能耗問(wèn)題，時(shí)延問(wèn)題有所忽略。文獻(xiàn)[7]提出一種基于粒子群優(yōu)化的卸載策略，將任務(wù)卸載表示為能耗約束下的時(shí)延最小化問(wèn)題，并通過(guò)懲罰函數(shù)平衡時(shí)延和能耗。文章中只考慮了時(shí)延敏感型的應(yīng)用，對(duì)于能耗方面的關(guān)注不足。文獻(xiàn)[8]研究了協(xié)同計(jì)算卸載、計(jì)算和通信資源分配方案，開(kāi)發(fā)了一個(gè)協(xié)同計(jì)算框架，考慮了卸載策略、計(jì)算資源等因素提出一種基于管道的策略，并采用經(jīng)典的逐次凸逼近（successive convex approximation，SCA）方法將非凸優(yōu)化問(wèn)題轉(zhuǎn)化為凸優(yōu)化問(wèn)題。文獻(xiàn)[9]針對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的計(jì)算能力與現(xiàn)實(shí)通信資源之間的差異，根據(jù)距離的遠(yuǎn)近以及網(wǎng)絡(luò)節(jié)點(diǎn)密度的疏密，提出基于遺傳算法的近岸多節(jié)點(diǎn)協(xié)同卸載策略和遠(yuǎn)岸基于分組交叉粒子群可容錯(cuò)卸載策略。文獻(xiàn)[10]考慮了延遲、內(nèi)存、可用能量以及智能設(shè)備的傳輸能量等約束，通過(guò)非線(xiàn)性約束優(yōu)化問(wèn)題，提出一種元啟發(fā)式算法的部分計(jì)算卸載策略。文獻(xiàn)[11]實(shí)現(xiàn)復(fù)雜依賴(lài)應(yīng)用的低能量遷移問(wèn)題，在子任務(wù)關(guān)系的基礎(chǔ)上構(gòu)建能量最小化的劃分模型，并從任務(wù)遷移、執(zhí)行位置和電量剩余三個(gè)方面出發(fā)提出一種基于遺傳算法（fine-grainedtask migration energy-saving strategy based on genetic algorithm，F(xiàn)GMBGA）的卸載策略，通過(guò)調(diào)整任務(wù)能耗和手機(jī)電量來(lái)動(dòng)態(tài)調(diào)整最優(yōu)解。文獻(xiàn)[12]為了使用戶(hù)獨(dú)立選擇卸載決策，提出一種基于博弈論的分散計(jì)算卸載算法，并且在卸載過(guò)程中將問(wèn)題轉(zhuǎn)化為部分觀測(cè)型的馬爾可夫決策過(guò)程（partially observed markov decision processes，POMDP），并通過(guò)基于策略梯度深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning，DRL）來(lái)解決此問(wèn)題。文獻(xiàn)[13]研究了在云邊協(xié)作系統(tǒng)中，將通信和計(jì)算資源共同分配問(wèn)題轉(zhuǎn)化為凸優(yōu)化問(wèn)題，最終得到資源分配策略。能夠看出文獻(xiàn)所提策略有效減少設(shè)備的時(shí)延，但對(duì)能耗問(wèn)題關(guān)注度相對(duì)較少。綜合上述文獻(xiàn)研究總結(jié)對(duì)比如表1所示。

表1 不同卸載策略總結(jié)對(duì)比Table 1 Comparison of different uninstall strategies

綜上所述，以上計(jì)算卸載策略問(wèn)題的研究，大多只對(duì)時(shí)延或能耗進(jìn)行優(yōu)化，亦或?qū)θ蝿?wù)之間的依賴(lài)關(guān)系沒(méi)有考慮。另外，大部分工作只針對(duì)移動(dòng)邊緣計(jì)算或者移動(dòng)云計(jì)算的卸載策略進(jìn)行研究，并沒(méi)有考慮MEC 與MCC 之間的協(xié)同。綜合考慮上述研究的局限性，本文設(shè)計(jì)了一種云邊協(xié)同的計(jì)算卸載策略，并提出了CRPSO計(jì)算卸載算法。主要工作如下：

（1）為防止任務(wù)無(wú)序執(zhí)行時(shí)導(dǎo)致服務(wù)器負(fù)載過(guò)高，無(wú)法很好地執(zhí)行卸載策略，很大程度上影響卸載進(jìn)度，考慮了任務(wù)之間的依賴(lài)關(guān)系，并使用任務(wù)的優(yōu)先級(jí)矩陣表示任務(wù)執(zhí)行的先后順序，優(yōu)化卸載效率。

（2）在任務(wù)卸載時(shí)，利用MCC 和MEC 各自的傳輸時(shí)延和計(jì)算能力特點(diǎn)，將任務(wù)采用就近原則卸載，總體考慮移動(dòng)設(shè)備、邊緣服務(wù)器和云服務(wù)器的計(jì)算資源，將計(jì)算任務(wù)卸載至附近有計(jì)算資源的邊緣服務(wù)器中，形成邊緣服務(wù)器間的協(xié)同卸載，合理利用本地端、邊緣端和云端服務(wù)器的計(jì)算資源。

（3）設(shè)計(jì)了基于改進(jìn)混合粒子群算法的計(jì)算卸載算法，利用改進(jìn)后的算法對(duì)粒子進(jìn)行分組交叉迭代后得到最優(yōu)卸載策略，從而得到最小系統(tǒng)總代價(jià)。

2 系統(tǒng)模型

2.1 通信模型

本文提出的移動(dòng)云計(jì)算融合MEC的網(wǎng)絡(luò)通信框架模型如圖1 所示，分為三層：用戶(hù)層、邊緣計(jì)算層、云計(jì)算層。其中，云計(jì)算層有高性能的服務(wù)器群組成，具有強(qiáng)大的計(jì)算能力并且能夠協(xié)同管理邊緣層服務(wù)器之間的資源；邊緣計(jì)算層由小型基站以及具有一般計(jì)算能和存儲(chǔ)能力的邊緣服務(wù)器組成；用戶(hù)層可根據(jù)自身設(shè)備計(jì)算和存儲(chǔ)能力計(jì)算一定范圍內(nèi)的任務(wù)。

2.2 計(jì)算卸載模型

假設(shè)用戶(hù)在進(jìn)行任務(wù)卸載時(shí)的卸載決策：

本地執(zhí)行：計(jì)算任務(wù)在本地用戶(hù)設(shè)備執(zhí)行。

邊緣服務(wù)器執(zhí)行：通過(guò)無(wú)線(xiàn)網(wǎng)絡(luò)將計(jì)算任務(wù)卸載至邊緣服務(wù)器或者周邊具有計(jì)算能力的邊緣服務(wù)器執(zhí)行。

云服務(wù)器執(zhí)行：云服務(wù)器具有強(qiáng)大的計(jì)算能力。

假設(shè)由n個(gè)任務(wù)T={ }T1,T2,…,Tn。其中每個(gè)任務(wù)被建模為一個(gè)三元組{ }αi,βi,γi，其中，αi表示任務(wù)Ti的輸入數(shù)據(jù)量，βi表示任務(wù)計(jì)算的數(shù)據(jù)量，γi表示為反饋計(jì)算任務(wù)結(jié)果的數(shù)據(jù)量。移動(dòng)設(shè)備、邊緣端和云端服務(wù)器的計(jì)算力（單位：GHz）分別為fl、fe、fc；移動(dòng)設(shè)備、邊緣服務(wù)器和云服務(wù)器計(jì)算1 bit 數(shù)據(jù)所需CPU 周期分別為Clb、Ceb、Ccb。其中本地與異地邊緣服務(wù)器計(jì)算能力相同。

在任務(wù)執(zhí)行的過(guò)程中，移動(dòng)服務(wù)中往往不只存在一個(gè)任務(wù)，任務(wù)與任務(wù)之間存在依賴(lài)關(guān)系，所以在任務(wù)卸載時(shí)要考慮任務(wù)卸載的優(yōu)先關(guān)系。引入n×n的任務(wù)卸載優(yōu)先級(jí)矩陣D來(lái)表示任務(wù)i與任務(wù)j的優(yōu)先關(guān)系：

由于用戶(hù)產(chǎn)生的任務(wù)數(shù)量的不固定性，任務(wù)之間的關(guān)系也是不確定的，由此可以根據(jù)具體數(shù)量和關(guān)系自定義矩陣，如圖2 所示為3.2 節(jié)中7 個(gè)任務(wù)的優(yōu)先級(jí)矩陣。例如，D23=1，則說(shuō)明任務(wù)2優(yōu)于任務(wù)3先執(zhí)行；D26=0，說(shuō)明任務(wù)2 與任務(wù)6 之間無(wú)約束關(guān)系；D56=-1，說(shuō)明任務(wù)6優(yōu)于任務(wù)5先執(zhí)行。

（2）卸載至邊緣服務(wù)器執(zhí)行

將任務(wù)卸載至邊緣服務(wù)器時(shí)，邊緣服務(wù)器可以看作一個(gè)感知節(jié)點(diǎn)，若邊緣服務(wù)器過(guò)載，則可以將任務(wù)卸載至附近資源較多的邊緣服務(wù)器進(jìn)行計(jì)算，然后將結(jié)果回傳給用戶(hù)端。根據(jù)Shannon公式，移動(dòng)用戶(hù)與邊緣服務(wù)器的通信傳輸速率為：其中，l2為本地邊緣服務(wù)器與異地邊緣服務(wù)器之間的距離。

任務(wù)i從本地邊緣服務(wù)器卸載至異地邊緣服務(wù)器執(zhí)行時(shí)，時(shí)間延遲為：其中，l3為用戶(hù)設(shè)備與云服務(wù)器之間的直線(xiàn)距離，Be為用戶(hù)設(shè)備與云服務(wù)器之間的信道帶寬。

任務(wù)i從本地設(shè)備卸載至云服務(wù)器執(zhí)行時(shí)，總時(shí)延為：

本文的目標(biāo)是任務(wù)執(zhí)行總時(shí)間和設(shè)備的總能耗最小時(shí)的卸載策略。因此，目標(biāo)函數(shù)定義如式（15）：

3 算法設(shè)計(jì)

將粒子群優(yōu)化算法（particle swarm optimization，PSO）應(yīng)用到移動(dòng)用戶(hù)任務(wù)卸載的現(xiàn)實(shí)場(chǎng)景中，傳統(tǒng)粒子群算法容易早熟，導(dǎo)致局部最優(yōu)解[14]。為了解決這個(gè)問(wèn)題，本文中引入遺傳算法中的交叉操作，將粒子根據(jù)適應(yīng)度進(jìn)行分級(jí)，適應(yīng)度低的粒子經(jīng)過(guò)交叉重組后得到適應(yīng)度好的粒子進(jìn)入適應(yīng)度高的等級(jí)中，這樣得到的種群中的粒子適應(yīng)度較優(yōu)。因此，在粒子群算法快速收斂并保持較好的全局搜索能力的同時(shí)，結(jié)合遺傳算法選擇交叉的思想能夠提高算法的精度，并跳出局部最優(yōu)。

3.1 傳統(tǒng)粒子群算法

粒子群算法是一種常見(jiàn)的傳統(tǒng)智能算法，在PSO算法中設(shè)置粒子種群數(shù)量，粒子的位置與速度。第i個(gè)粒子的位置Xi和速度Vi分別表示目標(biāo)優(yōu)化問(wèn)題的解和粒子i位置的更新方向以及距離，Pbest表示粒子i自身最優(yōu)位置，Pgbest表示整個(gè)種群搜索到的最佳位置。在每次迭代中，粒子i速度和位置更新公式如式（16）、（17）：

其中，c1、c2為學(xué)習(xí)因子；r1、r2為0～1 之間的隨機(jī)數(shù)；ω為慣性因子（ω較大則全局搜索能力強(qiáng)，ω值較小時(shí)局部搜索能力強(qiáng)）。

3.2 粒子編碼

本文采用浮點(diǎn)數(shù)編碼方式，每個(gè)粒子對(duì)應(yīng)任務(wù)分配方案。文中用0、1、2、3表示4種不同的卸載方案，0表示任務(wù)在本地設(shè)備執(zhí)行，1表示任務(wù)在邊緣服務(wù)器執(zhí)行，2表示任務(wù)在異地邊緣服務(wù)器執(zhí)行，3表示在云服務(wù)器執(zhí)行。假設(shè)任務(wù)集合有7 個(gè)任務(wù)（n=7）T={T1,T2,T3,T4,T5,T6,T7}，對(duì)應(yīng)的粒子編碼為χ=[1.1，2.0，3.2，4.0，5.1，6.1，7.3]，其中整數(shù)部分表示任務(wù)Ti{i∈[1,n] }；小數(shù)部分表示任務(wù)的執(zhí)行位置（取整數(shù)）。例如編碼χ=[1.1，2.0，3.2，4.0，5.1，6.1，7.3]，根據(jù)上述編碼過(guò)程可知：T4和T2在本地執(zhí)行（任務(wù)t4先于t2執(zhí)行可根據(jù)關(guān)系矩陣判定）；T1、T6、T5在邊緣服務(wù)器執(zhí)行；T3在異地邊緣服務(wù)器執(zhí)行；T7在云服務(wù)器執(zhí)行。

3.3 適應(yīng)度函數(shù)

本文中所要解決的問(wèn)題的是得到最優(yōu)的卸載策略，由建立的模型可知，目標(biāo)函數(shù)值f越大，系統(tǒng)總成本越大，卸載方案越差；反之亦然。因此，將目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)。其中，f的最小值不為0。

3.4 分組交叉重組

在常用的進(jìn)化算法中[15]，選擇操作是把相對(duì)較好的區(qū)域與較差區(qū)域區(qū)別開(kāi)來(lái)并將較差的區(qū)域直接淘汰。但是進(jìn)行選擇操作將較差區(qū)域的粒子淘汰后，粒子種群的豐富性就會(huì)降低。為了提高粒子種群的優(yōu)越性與多樣性，在本文所提出的改進(jìn)算法中，先通過(guò)各個(gè)粒子的適應(yīng)度值的高低將粒子分為兩個(gè)小組。第1 組為適應(yīng)度高的粒子，第2組為適應(yīng)度低的粒子，迭代時(shí)用第1組粒子的位置和速度矢量取代第2組粒子的對(duì)應(yīng)矢量，并且不改變其個(gè)體極值。在執(zhí)行遺傳思想的交叉重組操作時(shí)，第2 組粒子進(jìn)行兩兩配對(duì)重組，子代粒子與父代粒子進(jìn)行適應(yīng)度對(duì)比，選取整組中適應(yīng)度高的一半粒子進(jìn)入第一組。通過(guò)交叉重組使得第1 組中的粒子種群適應(yīng)度優(yōu)于分組前，能夠增加粒子種群的優(yōu)越性和多樣性，防止陷入局部最優(yōu)并使收斂速度增加。粒子分組交叉過(guò)程如圖4所示。

其中，X和V分別為位置與速度矢量；child1(X) 和child2(X)為子代粒子的位置；child1(V)和child2(V)為子代粒子的速度；p是均勻分布的隨機(jī)數(shù)向量，為交叉概率，并且每個(gè)分量都在[0，1]取值；子代粒子的位置由父代粒子位置的算數(shù)加權(quán)和計(jì)算[16]。

進(jìn)行交叉操作過(guò)程如圖5所示。

粒子交叉重組后得到的Pbest和Pgbest，根據(jù)粒子與速度更新公式進(jìn)行全局學(xué)習(xí)，通過(guò)交叉重組操作后可以跳出局部最優(yōu)，以更快的收斂速度找到優(yōu)化問(wèn)題的最優(yōu)解。

3.5 算法流程設(shè)計(jì)

CRPSO算法參數(shù)與卸載策略參數(shù)的對(duì)應(yīng)關(guān)系如表2所示。

表2 算法參數(shù)與卸載策略參數(shù)的對(duì)應(yīng)關(guān)系Table 2 Uninstall policy parameter relationship

基于CRPSO算法的優(yōu)化策略流程，具體如下。

輸入：請(qǐng)求任務(wù)數(shù)量n、移動(dòng)設(shè)備的計(jì)算能力fl、邊緣服務(wù)器的計(jì)算能力fe、云服務(wù)器的計(jì)算能力fc、本地設(shè)備計(jì)算功率pl、邊緣服務(wù)器的計(jì)算功率pe、云服務(wù)器的計(jì)算功率pc。

輸出：最優(yōu)卸載策略，最優(yōu)適應(yīng)度值。

步驟1 初始化。確定迭代次數(shù)和粒子的數(shù)量，并初始化粒子的速度和位置。

步驟2 計(jì)算每個(gè)粒子的適應(yīng)度值，并比較各個(gè)粒子的適應(yīng)度值，記錄其當(dāng)前個(gè)體極值Pbesti和群體最優(yōu)粒子Pgbest。

步驟3 執(zhí)行分級(jí)交叉重組操作。

步驟4 根據(jù)公式（15）和（16）更新交叉重組之后新粒子的位置和速度。

步驟5 計(jì)算交叉后粒子的適應(yīng)度，更新個(gè)體極值Pbesti和全局極值Pgbest。

步驟6 終止條件判斷。檢查是否滿(mǎn)足迭代次數(shù)，若滿(mǎn)足則執(zhí)行步驟7，若不滿(mǎn)足，執(zhí)行步驟3。

步驟7 輸出全局最優(yōu)適應(yīng)度和最優(yōu)任務(wù)卸載策略。

4 仿真與結(jié)果分析

根據(jù)以上模型中假設(shè)的服務(wù)器的數(shù)量以及模型中涉及到的參數(shù)，在本節(jié)的仿真場(chǎng)景中，由于用戶(hù)在通信小區(qū)內(nèi)的移動(dòng)性較小，因此忽略移動(dòng)過(guò)程中通信鏈路軟硬切換帶來(lái)的影響，只關(guān)注任務(wù)卸載的過(guò)程，并假設(shè)所有邊緣服務(wù)器的計(jì)算能力都是相同的，本地終端設(shè)備為3個(gè)，邊緣服務(wù)器數(shù)量為8個(gè)，1個(gè)云服務(wù)器。

在文獻(xiàn)[17]的基礎(chǔ)上設(shè)定系統(tǒng)的基本參數(shù)，并結(jié)合本文所建立的任務(wù)卸載模型，將實(shí)驗(yàn)環(huán)境適當(dāng)調(diào)整后，對(duì)本文所提出的CRPSO 算法以及Local-MEC 算法、ECPSO 算法、GCPSO 算法利用MATLAB R2020a 仿真平臺(tái)進(jìn)行了仿真對(duì)比實(shí)驗(yàn)。任務(wù)卸載的仿真參數(shù)由表3給出，CRPSO算法的相關(guān)參數(shù)由表4給出。

表3 算法相關(guān)參數(shù)Table 3 Algorithm related parameters

表4 實(shí)驗(yàn)仿真參數(shù)Table 4 Experimental simulation parameters

Local-MEC算法：任務(wù)卸載至本地設(shè)備的計(jì)算卸載策略。

ECPSO（Edge Computing PSO）算法：邊緣計(jì)算中基于傳統(tǒng)粒子群算法的計(jì)算卸載算法。

GCPSO（Genetic Cross PSO）算法：邊緣計(jì)算中基于遺傳的改進(jìn)粒子群的計(jì)算卸載算法。

4.1 任務(wù)數(shù)量改變對(duì)系統(tǒng)總代價(jià)的影響

為了研究任務(wù)數(shù)量的變化對(duì)系統(tǒng)總代價(jià)的影響，設(shè)置模擬的任務(wù)數(shù)量分別為25、50、75、125、150（個(gè)），利用CRPSO 算法、Local-MEC 算法、ECPSO 算法、GCPSO 算法進(jìn)行性能比較。仿真結(jié)果如圖6所示，隨著任務(wù)數(shù)量的增加，系統(tǒng)的總代價(jià)逐漸增加，這是由于任務(wù)數(shù)的增加將會(huì)導(dǎo)致任務(wù)在卸載過(guò)程中消耗的能量和處理任務(wù)的時(shí)間會(huì)增加。從圖中能夠看出，與Local-MEC 算法、ECPSO 算法、GCPSO 算法相比，本文提出的CRPSO 算法的系統(tǒng)總代價(jià)是最小的，約為L(zhǎng)ocal-MEC 算法的11.91%、ECPSO算法的36.79%、GCPSO算法的56.24%。

4.2 迭代次數(shù)對(duì)系統(tǒng)總代價(jià)的影響

本節(jié)中為了更好地顯示迭代次數(shù)對(duì)系統(tǒng)總代價(jià)的影響，取最大迭代次數(shù)G=100，總?cè)蝿?wù)數(shù)n=80，時(shí)延與能耗的權(quán)重系數(shù)ω=0.5。由于Local-MEC 算法中任務(wù)只在本地設(shè)備和邊緣服務(wù)器執(zhí)行卸載策略，迭代次數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響省略。仿真結(jié)果如圖7所示，隨著迭代次數(shù)的增加，CRPSO算法、ECPSO算法、GCPSO算法的系統(tǒng)總代價(jià)都逐漸減小。從圖中可以看出，迭代70 次之后，系統(tǒng)總代價(jià)趨于平穩(wěn)。因此，當(dāng)?shù)螖?shù)為70時(shí)，可以得到系統(tǒng)最優(yōu)解。

4.3 工作量對(duì)系統(tǒng)總代價(jià)的影響

任務(wù)工作量的大小對(duì)系統(tǒng)總代價(jià)也是有影響的，在本節(jié)中取任務(wù)工作量在[0，100]之間，任務(wù)數(shù)n=100，ω=0.5，從圖8 可以看出，任務(wù)工作量的增加，設(shè)備的能耗會(huì)隨之增加，由于計(jì)算量較大，執(zhí)行時(shí)間也會(huì)增加，故而系統(tǒng)的總體代價(jià)也逐漸變大。從圖中可以看出，CRPSO算法得到的系統(tǒng)總代價(jià)最小，約為L(zhǎng)ocal-MEC算法的13.1%、ECPSO算法的31.8%、GCPSO算法的76.5%。

4.4 異地邊緣服務(wù)器對(duì)系統(tǒng)總代價(jià)的影響

本文提出的邊緣協(xié)同的框架下，離用戶(hù)最近的邊緣服務(wù)器周邊服務(wù)器的數(shù)量也會(huì)對(duì)系統(tǒng)總代價(jià)產(chǎn)生影響?？紤]到若附近邊緣服務(wù)器的數(shù)量為0時(shí)，邊緣服務(wù)器之間的協(xié)同卸載則不能執(zhí)行，因此本節(jié)中附近邊緣服務(wù)器的數(shù)量設(shè)置為1～7個(gè)進(jìn)行仿真實(shí)驗(yàn)，由于傳統(tǒng)卸載策略不受周邊服務(wù)器數(shù)量的影響，所以在圖中略去。仿真結(jié)果如圖9所示，當(dāng)附近邊緣服務(wù)器的數(shù)量為3個(gè)時(shí)，系統(tǒng)總代價(jià)最低，可以輸出最優(yōu)卸載策略；隨著附近邊緣服務(wù)器的數(shù)量不斷增加時(shí)，任務(wù)卸載時(shí)服務(wù)器之間的傳輸時(shí)延與能耗增加，導(dǎo)致系統(tǒng)總代價(jià)升高，當(dāng)附近邊緣服務(wù)器的數(shù)量為6個(gè)時(shí)，系統(tǒng)總代價(jià)有略微的升高就是這個(gè)原因。但是從圖中可以得到，本文提出的CRPSO算法卸載策略系統(tǒng)總代價(jià)始終是最低的。

4.5 時(shí)延與能耗權(quán)重比對(duì)系統(tǒng)總代價(jià)的影響

在對(duì)系統(tǒng)總代價(jià)產(chǎn)生影響的因素中，時(shí)延與能耗權(quán)重比值也是需要考慮的重要因素之一。本節(jié)主要研究時(shí)延與能耗權(quán)重比ω/(1-ω)在[0.01，100]時(shí)，ECPSO 算法、GCPSO算法、CRPSO算法的性能比較。仿真結(jié)果如圖10所示，隨著時(shí)延與能耗權(quán)重比值的增大，CRPSO算法的系統(tǒng)總代價(jià)約為ECPSO 算法的33.1%，GCPSO 算法的58.9%，明顯優(yōu)于上述算法。因此，CRPSO 算法能夠?qū)Σ煌瑘?chǎng)景下的移動(dòng)服務(wù)起到優(yōu)化作用。

5 結(jié)束語(yǔ)

本文針對(duì)移動(dòng)任務(wù)卸載的時(shí)延與設(shè)備能耗的優(yōu)化問(wèn)題，及多個(gè)邊緣服務(wù)器與云服務(wù)的協(xié)同問(wèn)題進(jìn)行研究，提出了多個(gè)邊緣服務(wù)器的協(xié)同計(jì)算卸載方案，通過(guò)引進(jìn)遺傳交叉思想對(duì)粒子群中部分粒子進(jìn)行分組交叉取優(yōu)，使算法跳出局部最優(yōu)，更快收斂于全局最優(yōu)解，得到最優(yōu)卸載策略。仿真結(jié)果表明，CRPSO 算法的系統(tǒng)總體代價(jià)最小，可以在時(shí)延與能耗均衡的情況下輸出最優(yōu)卸載策略。下一步工作將對(duì)卸載模型進(jìn)一步完善，采用深度學(xué)習(xí)相關(guān)算法進(jìn)行卸載策略研究。