叢玉良，孫聞晞，薛科，錢志鴻，陳綿書

（1.吉林大學通信工程學院，吉林 長春 130012；2.中國科學院長春光學精密機械與物理研究所，吉林 長春 130012）

0 引言

隨著智能汽車和無線通信的快速發(fā)展，車聯(lián)網(wǎng)中出現(xiàn)了許多先進應用，如自動駕駛和視頻輔助實時導航等。這些應用程序的實現(xiàn)需要強大的計算能力來管理各種計算密集且對時延敏感的任務[1-2]。為了解決車輛終端計算能力等問題，移動邊緣計算（MEC,mobile edge computing）被認為是一種很有前途的范例[3]。有了MEC，車輛的計算任務通過無線鏈路上傳到MEC 服務器上計算[4]，可以減少本地計算時延。然而，隨著越來越多的任務被轉(zhuǎn)發(fā)到MEC 服務器，由于無線和計算資源有限，MEC 服務器將承受巨大壓力，這將導致車輛的高時延和低可靠性。面對多車多服務器的場景，合理的任務卸載決策和計算資源分配值得研究。

車聯(lián)網(wǎng)任務卸載決策主要解決的是終端是否將任務卸載至服務器，以及卸載多少的問題，是一個典型的0-1 整數(shù)規(guī)劃問題。近年來，遺傳算法因其具有全局優(yōu)化性、簡單性及穩(wěn)健性等特點，得到了許多學者的青睞。余翔等[5]面對移動邊緣計算的車聯(lián)網(wǎng)場景，考慮并發(fā)多個優(yōu)先級不同的計算任務，提出了一種基于遺傳算法的任務卸載策略。鄧添等[6]提出了一種在多信道環(huán)繞下的任務卸載模型，并采用遺傳算法來求解。高基旭等[7]考慮了本地、邊緣服務器和云端協(xié)同計算的任務卸載模型，提出了一種基于遺傳算法的求解方案，從而得到同時考慮時延和能耗的最小系統(tǒng)代價。但是上述文獻均沒有對基本的遺傳算法進行改進，傳統(tǒng)的遺傳算法后期易出現(xiàn)早熟現(xiàn)象且尋優(yōu)能力無法達到理想效果。并且上述文獻只考慮了任務卸載決策這一個問題，未對MEC 的計算資源進行優(yōu)化。

Zhao 等[8]在云輔助的情況下，通過聯(lián)合優(yōu)化任務卸載決策和計算資源分配，建立了以系統(tǒng)效用最大化的優(yōu)化問題，提出了一種分布式計算卸載和資源分配算法。Yang 等[9]研究了車載邊緣計算網(wǎng)絡中高效的任務卸載策略。車輛以最佳方式執(zhí)行卸載時間選擇、通信和計算資源分配，并考慮車輛的移動性和任務的最大時延。梁穎杰等[10]提出了一種基于MEC 和任務優(yōu)先級的智能卸載策略以降低由時延所組成的系統(tǒng)總成本，并根據(jù)任務優(yōu)先級對任務卸載位置進行選擇。

文獻[8-10]雖同時考慮了任務卸載決策和資源分配2 個因素，但均只考慮了時延這一個指標。近幾年來，能源短缺正成為限制車聯(lián)網(wǎng)發(fā)展的一個關鍵障礙。根據(jù)統(tǒng)計數(shù)據(jù)[11]，在不斷增長的能源需求中，電力占16.5%，傳統(tǒng)可再生能源占11.9%，煤炭占6.4%，而化石燃料占49.4%，主要包括現(xiàn)有車輛消耗。因此，考慮車輛應用的能耗意義重大。特別是，電動汽車或混合動力電動汽車將在不久的將來主導市場，這促使人們考慮車聯(lián)網(wǎng)中的能源消耗。

在現(xiàn)實生活中，每輛車由于計算任務大小的不同通常會需要不同計算資源。在計算任務卸載過程中，有限的計算資源在車輛之間共享，每輛車需要確定是否進行卸載，每臺MEC 服務器也應在多車之間進行合理的資源分配。考慮到上述問題，本文的主要研究工作如下。

1) 構建了基于MEC 的車聯(lián)網(wǎng)任務卸載模型，在任務卸載決策和資源分配的約束下，通過聯(lián)合優(yōu)化任務卸載決策和邊緣服務器的資源分配來最小化系統(tǒng)內(nèi)的平均成本。成本是基于任務時延、能耗和權重因子這3 個指標定義的。

2) 將任務卸載決策和資源分配建模為一個混合整數(shù)非線性規(guī)劃問題，針對這個問題，提出了一種基于改進的混合遺傳算法的兩階段啟發(fā)式方案。通過將優(yōu)化問題分成2 個子問題，利用改進的混合遺傳算法（IGHA,improved hybrid genetic algorithm）求解任務卸載決策問題，利用改進的人工魚群算法（AFSA,artificial fish-swarm algorithm）求解資源分配問題，再將二者不斷迭代求解，直至達到終止條件。

3) 對基本的遺傳算法進行了改進。充分考慮了MEC 服務器出現(xiàn)過載或者對計算資源利用不足的2 種情況，具體為通過對經(jīng)過交叉、變異后得到的不滿足約束條件的染色體和滿足約束條件但對MEC 的計算資源并未充分利用的染色體使用了貪婪修正法進行修正，使其轉(zhuǎn)換為對MEC 的計算資源充分利用的染色體，從而提高算法的收斂速度和尋優(yōu)能力。

4) 仿真結(jié)果表明，相比于基準方案，IHGA-AFSA方案降低了系統(tǒng)內(nèi)的平均開銷、時延及能耗。

1 系統(tǒng)模型

1.1 網(wǎng)絡模型

如圖1 所示，本文所研究的基于MEC 的車聯(lián)網(wǎng)包括N輛單向行駛在道路上的汽車，道路沿線有M個路邊單元（RSU,road side unit），每個RSU 都配備一個MEC 服務器，二者通過光纖有線鏈路連接。RSU 的集合定義為 M=｛1,2,…,M｝。車輛的集合定義為 N=｛1,2,…,N｝，每輛車有且僅有一個計算任務。其中，Dn是輸入數(shù)據(jù)的大小，Cn是完成任務Qn所需的CPU 周期數(shù)，是任務完成可容忍的最大時延。任務可以在本地處理，或者卸載到MEC 服務器處理，定義an表示任務卸載決策變量，an=1表示車輛將任務卸載至邊緣服務器計算，an=0表示任務在車輛本地計算。

圖1 車聯(lián)網(wǎng)場景

車輛與RSU 之間的通信是通過直連的無線鏈路進行的，車輛到RSU 的上傳鏈路設定為頻率平坦型快衰落瑞利信道。根據(jù)香農(nóng)公式，可以計算出上傳鏈路的傳輸速率為

其中，Bn表示MEC 服務器與車輛之間的帶寬大小，Pn表示車載設備的發(fā)射功率，Gn表示車輛與RSU之間的信道增益，σ2表示無線信道的傳輸噪聲。

1.2 計算模型

1) 本地計算

當車輛在本地處理其計算任務時，計算時延取決于其自身的計算能力，設是車輛n的計算能力，由放置在車輛上的車載單元（OBU,on-board unit）確定[12]。故本地計算時延為

同時可以獲得車輛用戶進行任務卸載的能耗為

2) 邊緣服務器計算

與其他研究[12-13]一樣，在語音識別等許多應用中，其計算結(jié)果的大小遠小于輸入數(shù)據(jù)的大小，接收計算結(jié)果的時延可以忽略不計。在這種情況下，總時延具體包括上行鏈路傳輸時延及計算任務執(zhí)行時延。車輛n的總時延為

其中，fn表示MEC 服務器分配給車輛n的計算資源，定義為服務器m的總計算資源，有表示計算任務所屬車輛與服務器之間的無線傳輸速率。

車輛任務卸載時的能耗主要來自卸載數(shù)據(jù)到邊緣服務器的過程中的能耗，即

1.3 問題表述

由于每個任務可以在本地或者MEC 服務器上執(zhí)行，因此車輛n的總時延為

車輛n的能耗包括本地能耗和上傳能耗，表示為

將時延能耗開銷（LEC,latency-energy cost）即車輛開銷，定義為任務執(zhí)行的時延和能耗的加權和。因此，車輛n的LEC 表達式為

本節(jié)將聯(lián)合任務卸載決策和資源分配作為優(yōu)化問題，目標是最小化系統(tǒng)內(nèi)平均開銷。定義a=｛a1,a2,…,an｝為MEC 服務器任務卸載決策變量，f=｛f1,f2,…,fn｝為計算資源變量，將優(yōu)化問題表示為

其中，C1和C2 表示一個計算任務只能卸載至某一個MEC 服務器，不能同時卸載至2 個服務器；C3表示MEC 服務器分配給車輛n的計算資源不能為負數(shù)；C4 表示MEC 服務器總計算資源的約束。

2 算法設計

解決P1的關鍵挑戰(zhàn)是求解整數(shù)變量an∈ ｛0,1｝，an使P1是一個混合整數(shù)非線性規(guī)劃問題，這類問題通常都是非凸的NP-hard[14]，求解起來具有一定的難度，對此本文提出了一種基于改進的混合遺傳算法的求解方案，具體將P1劃分為2 個子問題。

1) 任務卸載決策問題。假設資源分配已給定，即f=f(0)，那么原優(yōu)化問題就變成了只關于變量a的0-1 整數(shù)規(guī)劃問題，本文采用IHGA 求解。

2) 資源分配問題。在該子問題的基礎上，確定a=a*后，問題P1轉(zhuǎn)化為關于f的連續(xù)問題，本文采用改進的AFSA 求解。

2.1 任務卸載決策

當f=f(0)給定時，P1轉(zhuǎn)化為P2

此時，P1轉(zhuǎn)化為關于a的優(yōu)化問題P2，a為0-1 整數(shù)變量，采用遺傳算法進行求解。遺傳算法不要求求解的問題是連續(xù)的或可微的，也不需要控制算法的執(zhí)行方向，具體步驟如下。

步驟1染色體。遺傳算法借鑒了自然選擇的思想[15]，引入了染色體的概念，即可能的解。本文中的任務卸載決策構成了個體的染色體信息，對于第n條染色體，其染色體信息可表示為

編碼及種群初始化。根據(jù)任務的卸載模型，共有N個任務要經(jīng)過卸載決策之后決定是否卸載。因此在遺傳算法中，每個染色體都應該由N個基因組成，每個任務都可以選擇在本地計算還是卸載至MEC 服務器計算，故每個基因都有2 個可能的值（本地計算則基因為0，MEC 服務器計算則基因為1），并得到初始的染色體種群I(0)。

步驟2染色體修正。對初始化染色體進行修正，修正主要分為以下兩步。

1) 對不符合約束條件的染色體進行修正。對于該部分染色體，基于文獻[16]中混合遺傳算法的思想使其轉(zhuǎn)換為符合約束條件的染色體，如果轉(zhuǎn)換后的染色體充分利用了資源，則修正結(jié)束；否則轉(zhuǎn)至2)。具體為，當時，將an=1的車輛按照從大到小的順序進行排序，然后根據(jù)排序?qū)⑦x擇卸載的車輛進行任務卸載，直至接近但不超過服務器的計算總資源，將剩余選擇卸載的車輛由狀態(tài)an=1改變?yōu)閍n=0。

2) 對滿足約束條件但對MEC 的計算資源利用不足的染色體，運用貪婪修正法進行修正。設是一個對MEC 的計算資源利用不足的染色體，該染色體有r個車輛an=0，MEC的剩余計算資源為Fm0，通過貪婪修正法將其修正為充分利用計算資源的染色體將染色體Xi中an=0的車輛按照從大到小的順序進行排序，形成長度為r的序列｛b1,b2,…,br｝（其中，b1為最大的序號，br為最小的序號），然后按排序?qū)n=0的車輛轉(zhuǎn)變?yōu)閍n=1，直至接近服務器的計算總資源，但不能超過其計算資源。

步驟3遺傳算法中個體（解決方案）的質(zhì)量由適應度值來評估。由于本文研究了最小化問題，因此將適應度函數(shù)設置為

適應度值越高，目標函數(shù)的成本就會越小，表明該卸載策略越優(yōu)。

步驟4選擇。采用輪盤賭算法篩選個體，即隨機旋轉(zhuǎn)輪盤進行選擇，每個個體都可能被反復挑選。其基本思想是每個個體被選中的概率與其適應度成正比。設P(di)為下一代選擇染色體di被選中的概率，即

步驟5交叉。如圖2 所示，采用單點交叉的方式，在染色體串中隨機設置一個交叉點，然后進行基因交換，生成2 個新個體。其意義在于通過為下一代群體保留具有更好親本的基因來改善新群體的適應性。

圖2 交叉

步驟6變異。防止種群中的所有解落入局部最優(yōu)解。對于二進制編碼，隨機選擇幾個位置從1變成0 或從0 變成1，如圖3 所示。

圖3 變異

2.2 資源分配

當求出較優(yōu)的任務卸載決策a*后，代入P1，得到問題P3

特別是，AFSA 有一種機制，可以使搜索行為跳出局部極值點并獲得全局優(yōu)化解。因此，采用AFSA 求解資源分配問題[17]。通常，AFSA 有4 個關鍵行為，具體如下。

1) 覓食行為：人工魚趨向于食物的一種行為。人工魚通過視覺或味覺來感知水中食物量或食物濃度來選擇行動的方向。覓食行為是算法收斂的基礎。假設第i條人工魚的當前位置和適應度值分別為Xi和Yi，人工魚視野內(nèi)的另一個位置為Xj和適應度值為Yj，若Yj＞Yi，則按式(15)向新選擇的位置靠近一步；否則，重新獲取新位置，判斷是否滿足條件，若還不滿足條件，則按式(16)隨機移動一步，人工魚Xi在其視野內(nèi)隨機選擇一個位置Xj，其表達式為

2) 聚群行為：促使人工魚自發(fā)地聚集在一起以避免傷害。如果魚群中心有許多“營養(yǎng)食物”，并且它們不是太擁擠，即人工魚Xi搜索當前視野內(nèi)(dij＜ Visual)的伙伴數(shù)目nf和中心位置Xc，若，則Xi朝伙伴的中心位置移動一步

3) 追尾行為：當一個人工魚找到一個食物充足且不太擁擠的最佳區(qū)域時，附近的人工魚將跟隨它并快速到達其附近的位置。人工魚Xi搜索當前視野內(nèi)(dij＜ Visual)的伙伴中函數(shù)Yj最優(yōu)伙伴Xj，若，則Xi朝此伙伴移動一步

4) 隨機行為：為了使人工魚在更大范圍內(nèi)尋找食物或同伴，會按式(19)在水中隨機地游來游去。當發(fā)現(xiàn)食物時，會向食物逐漸增多的方向快速移動。

基本的AFSA 步長和視野一般是固定值，這樣前期的搜索易陷入盲目搜索，故本文引入自適應因子使視野和步長能根據(jù)外界環(huán)境信息的變化而動態(tài)地調(diào)整，這樣算法在前期具有更好的全局搜索能力，還可以避免算法在后期容易發(fā)生振蕩現(xiàn)象。二者的變化滿足

其中，k為迭代次數(shù)，a∈（0,1）為自適應因子。

基于改進的AFSA 求解資源分配的具體步驟如下。

步驟1初始化設置，包括種群規(guī)模N，每條人工魚的初始位置、視野Visual、步長Step、擁擠度因子δ、重復次數(shù)k；

步驟2根據(jù)P3 計算初始個體的適應值；

步驟3對每個個體進行評價，從覓食、聚群、追尾和隨機中選擇一個行為；

步驟4執(zhí)行行為，更新自己，生成新魚群；

步驟5評價所有個體；

步驟6達到迭代次數(shù)上限時算法結(jié)束，否則轉(zhuǎn)到步驟3。

2.3 全局算法

綜上，本文將任務卸載決策和資源分配建模為混合整數(shù)非線性規(guī)劃問題，對此提出了一個基于改進的混合遺傳算法的兩階段啟發(fā)式算法的方案。將問題分成2 個子問題，通過將初始化資源分配代入P1，得到只關于任務卸載決策的P2，通過IHGA 進行求解。將得到的任務卸載決策解代入P1，得到只關于資源分配問題的P3。利用改進的AFSA 進行求解，基于二者的耦合關系，不斷迭代求解，具體步驟如下。

步驟1初始化資源分配為f(0)，代入P1，設置當前迭代次數(shù)為r=0；

步驟2將資源分配f(r)代入P2，通過IHGA得到較優(yōu)的任務卸載決策a(r+1)；

步驟3通過IHGA 得到的任務卸載決策a(r+1)代入P1，得到P3，通過改進的AFSA 求解得到資源分配方案f（r+1）；

步驟4判別相鄰兩次目標函數(shù)的增長值是否小于閾值τ，若大于或等于則r=r+1，并同時繼續(xù)步驟2；否則輸出當前最優(yōu)的任務卸載決策和資源分配方案f*。

全局算法流程如圖4 所示。

圖4 全局算法流程

3 仿真實驗及數(shù)據(jù)分析

為了驗證本文針對任務卸載決策和資源分配所提的算法，在MATLAB 平臺進行仿真實驗。參考文獻[7-9,12]，以及本文的實際仿真環(huán)境，有如下參數(shù)設置?？紤]一條長為2 000 m 的單向道路，放置5 個RSU，每個RSU 的通信覆蓋范圍的半徑為500 m，RSU 分配給每輛車的子信道帶寬為2 MHz，每輛車的發(fā)射功率為46 dBm，高斯白噪聲為σ2=-1 47dBm，車輛用戶的信道衰減模型為u=127+30logd，其中d是每輛車與RSU 中心的距離，RSU 與車輛i之間的信道增益為。IHGA 中的交叉概率為0.4，變異概率為0.02，種群數(shù)量為50，迭代次數(shù)為50。改進的AFSA 中[18]的人工魚數(shù)量為50 只，感知距離為1，步長為1，擁擠度因子為0.618，最多迭代次數(shù)為50，最多試探次數(shù)為100，自適應因子為0.6。設置時延因子，能耗因子。IHGAAFSA 方案的閾值τ=0.1。

為了驗證本文提出的IHGA-AFSA 方案的性能，對比了以下3 種基準方案。

1) 本地計算方案：計算任務不卸載到MEC 服務器上計算，而是全部留在車輛本地計算。

2) 隨機卸載策略：車輛隨機選擇是否進行卸載，若卸載則利用改進的AFSA 求解資源分配問題。

3) IHGA-平均方案：IHGA 求解任務卸載決策，將MEC 的計算資源平均分配給車輛。

3.1 任務所需CPU 周期數(shù)性能分析

本節(jié)實驗中一共有100 輛車，每輛車均有一個計算任務，故共有100 個計算任務。每個RSU 配備一臺MEC 服務器，每臺MEC 服務器的最大計算資源為400 GHz，每輛車的計算頻率在1.8～2.0 GHz隨機分布。計算任務的輸入數(shù)據(jù)量大小為1.5 MB，圖5～圖7 分別展示了完成任務所需計算量（用CPU周期數(shù)表示）為1 300～2 000 Megacycles 時系統(tǒng)內(nèi)開銷、時延及能耗的變化。為了消除隨機性，一共進行100 次實驗，最后結(jié)果取平均。

圖5 分析了任務所需計算量與系統(tǒng)內(nèi)開銷的關系。從圖5 可以看出，當任務所需計算量增加時，系統(tǒng)內(nèi)開銷不斷增加。其中，本地計算方案的開銷最大，IHGA-AFSA 方案與隨機卸載策略相比，資源分配均采用改進的AFSA，而IHGA-AFSA 方案所產(chǎn)生的開銷更小，說明本文提出的IHGA對任務卸載決策起到了優(yōu)化作用。IHGA-AFSA 方案與IHGA-平均方案相比，卸載決策均采用IHGA，而IHGA-AFSA 方案所產(chǎn)生的開銷也是更小，說明本文提出的改進的AFSA 對資源分配起到了優(yōu)化效果。因此本文提出的IHGA-AFSA 方案在優(yōu)化系統(tǒng)開銷方面性能優(yōu)于本地計算、隨機卸載和IGHA-平均方案。

圖5 任務所需計算量與系統(tǒng)內(nèi)開銷的關系

圖6分析了任務所需計算量與系統(tǒng)內(nèi)時延的關系。從圖6 可以看出，當任務所需計算量增加時，系統(tǒng)內(nèi)時延不斷增加。其中，本地計算方案的時延最大，其余3 種方案均小于本地時延，說明車聯(lián)網(wǎng)與MEC 技術的結(jié)合更加符合時延敏感型任務對時延的苛刻要求。當任務所需計算量為 1 700 Megacycles 時，IHGA-AFSA 方案與本地計算方案相比時延減少了約17.4%。在4 種方案中，本文所提方案時延最低，因此本文提出的IHGA-AFSA 方案在優(yōu)化系統(tǒng)時延方面性能強于本地計算、隨機卸載和IHGA-平均方案。

圖6 任務所需計算量與系統(tǒng)內(nèi)時延的關系

圖7 分析了任務所需計算量與系統(tǒng)內(nèi)能耗的關系。當任務所需計算量增加時，系統(tǒng)內(nèi)能耗不斷增加。其中，本地計算方案的能耗最大，其次是隨機卸載策略，再次是IHGA-平均方案，本文提出的方案在優(yōu)化能耗方面性能是最優(yōu)的，產(chǎn)生的能耗是最低的。IHGA-AFSA 方案與隨機卸載策略相比，資源分配均采用改進的AFSA，而IHGA-AFSA 方案所產(chǎn)生的能耗更小，說明本文提出的IHGA 不僅對任務卸載決策起到了優(yōu)化作用，對能耗也有效果，在任務所需計算量為1 700 Megacycles 時，能耗減少約16.6%。

圖7 任務所需計算量與系統(tǒng)內(nèi)能耗的關系

3.2 任務數(shù)據(jù)量大小性能分析

本節(jié)實驗中一共有70輛車，每輛車均有一個計算任務，故共有70 個計算任務。每個RSU 配備一臺MEC 服務器，每臺MEC 服務器的最大計算資源為400 GHz，每輛車的計算頻率在1.8～2.0 GHz 隨機分布。計算任務所需的CPU 周期數(shù)為2 000 Megacycles，圖8～圖10 分別展示了任務數(shù)據(jù)量大小為0.5～1.5 MB 時系統(tǒng)內(nèi)開銷、時延及能耗的變化。為了消除隨機性，一共進行100 次實驗，最后結(jié)果取平均。

圖8 分析了任務數(shù)據(jù)量大小與系統(tǒng)內(nèi)開銷的關系。當任務數(shù)據(jù)量大小增加時，本地計算方案所產(chǎn)生的開銷波動較小，這是因為開銷是時延和能耗的加權，時延和能耗波動均比較小，故開銷波動也小。但本地計算方案產(chǎn)生的開銷是最大的，其次是隨機卸載策略，本文提出的IHGA-AFSA 方案與IHGA-平均方案相比產(chǎn)生的開銷更小。這說明IHGA-AFSA 方案在優(yōu)化開銷方面強于本地計算、隨機卸載、IHGA-平均方案。當任務數(shù)據(jù)量大小為1 MB 時，本文方案相比于本地計算、隨機卸載、IHGA-平均方案所產(chǎn)生的開銷降低了約29.1%、23.3%、14.4%。

圖8 任務數(shù)據(jù)量大小與系統(tǒng)內(nèi)開銷的關系

圖9 分析了任務數(shù)據(jù)量大小與系統(tǒng)內(nèi)的時延的關系。隨著任務數(shù)據(jù)量大小的增加，本地計算方案的時延波動最小，這是因為任務數(shù)據(jù)量大小與本地時延沒有直接的關系。其余3 種方案的時延隨著任務數(shù)據(jù)量大小的增加并沒有明顯的遞增性，這是因為任務數(shù)據(jù)的大小只會對任務上傳的時延造成影響，而上傳鏈路的傳輸速率較快，故總體的時延不會有很明顯的遞增表現(xiàn)。但是在3 種方案中，本文提出的IGHA-AFSA 方案產(chǎn)生的時延最小，證實了其在優(yōu)化時延方面的優(yōu)越性。當任務數(shù)據(jù)量大小為1 MB 時，本文方案相比于本地計算、隨機卸載、IHGA-平均方案所產(chǎn)生的時延降低了約23.4%、16.5%、15.5%。

圖9 任務數(shù)據(jù)量大小與系統(tǒng)內(nèi)時延的關系

圖10 分析了任務數(shù)據(jù)量大小與系統(tǒng)內(nèi)能耗的關系。隨著任務數(shù)據(jù)量大小的增加，本地計算方案的能耗波動最小，這是因為任務數(shù)據(jù)量大小與本地能耗沒有直接的關系。其余3 種方案的能耗隨著任務數(shù)據(jù)量大小的增加而增加，這是因為任務數(shù)據(jù)量大小會對任務上傳的能耗造成影響，在這種情況下本文提出的IHGA-AFSA 方案在能耗優(yōu)化方面效果是最好的。隨機卸載策略中，卸載決策是隨機選擇的，并且本文時延因子設置的較大，更傾向于對時延的優(yōu)化，在圖10 中也證實了該方案對能耗優(yōu)化的有效性。當任務數(shù)據(jù)量大小為1 MB 時，IGHA-AFSA 方案相比于本地計算、隨機卸載、IHGA-平均方案所產(chǎn)生的能耗降低了約32.1%、27.2%、13.6%。

圖10 任務數(shù)據(jù)量大小與系統(tǒng)內(nèi)能耗的關系

4 結(jié)束語

本文對基于MEC 車聯(lián)網(wǎng)中的任務卸載決策和資源分配進行了研究?？紤]決策和資源的約束，建立了以最小化系統(tǒng)內(nèi)平均開銷為目標的計算模型。針對優(yōu)化問題的NP-hard，將優(yōu)化問題劃分成2 個子問題，提出了一個基于改進的混合遺傳算法的兩階段啟發(fā)式方案。利用IHGA求解任務卸載決策，AFSA求解資源分配，再將二者不斷迭代優(yōu)化求解，直至達到閾值條件。仿真結(jié)果表明，所提方案與基準方案相比降低了系統(tǒng)內(nèi)的平均開銷、時延及能耗。