薛 鋒,張雅文,陳思光

(南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院,江蘇 南京 210003)

0 引 言

近年來,隨著物聯(lián)網(wǎng)(Internet of Things,IoT)與5G技術(shù)的快速發(fā)展,衍生出許多智能應(yīng)用服務(wù),例如增強現(xiàn)實、人機交互、智慧城市等[1],這些新興領(lǐng)域給物聯(lián)網(wǎng)的發(fā)展帶來了巨大突破。然而科技發(fā)展所面臨的問題也隨之而來,面對激增的數(shù)據(jù)規(guī)模,原有的服務(wù)結(jié)構(gòu)已難以滿足用戶的基本需求[2],為了擺脫這一困境,云計算進入大眾的視野。得益于云服務(wù)器豐富的計算資源,計算密集型任務(wù)能夠以較低的成本被處理,同時云計算具有可擴展性及高性價比等優(yōu)勢[3]。但是由于云服務(wù)器與終端設(shè)備之間的長距離通信及在通信過程中可能存在的網(wǎng)絡(luò)擁塞問題,不僅會增加不必要的通信開銷,還易引起高延遲響應(yīng)服務(wù),難以滿足時延敏感型應(yīng)用的基本需求,從而降低用戶體驗[4-6]。

為了消除集中式計算帶來的弊端,減輕網(wǎng)絡(luò)傳輸壓力,邊緣計算被認(rèn)為是一種有效的解決方案[7]。邊緣計算為用戶提供多元化服務(wù),如計算、存儲和應(yīng)用,在靠近數(shù)據(jù)源處設(shè)立處理節(jié)點,減少網(wǎng)絡(luò)響應(yīng)時間,滿足用戶在實時業(yè)務(wù)方面的基本需求,提高用戶服務(wù)質(zhì)量[8]。

在邊緣計算架構(gòu)下,終端設(shè)備可將其計算任務(wù)遷移至節(jié)點(邊緣服務(wù)器,其它終端設(shè)備等)處理以獲得更高的服務(wù)質(zhì)量。多種邊緣計算遷移方案也圍繞設(shè)備-邊緣節(jié)點展開研究。例如文獻[9-15],圍繞設(shè)備-節(jié)點間任務(wù)遷移,在綜合考量系統(tǒng)資源、遷移策略下,降低設(shè)備時延和能耗,減少系統(tǒng)成本。具體地,文獻[9]在多用戶移動邊緣計算(Mobile Edge Computing,MEC)系統(tǒng)中構(gòu)建了具有異構(gòu)云的遷移框架,考慮到任務(wù)延遲約束,提出了基于動態(tài)規(guī)劃的優(yōu)化算法,衡量移動設(shè)備獲取的帶寬和計算資源,最大程度地減少用戶的能耗,同時,提出了一種近似遷移算法,將能量稀疏處理提高算法效率,仿真結(jié)果表明,該算法能以較低的計算復(fù)雜度減少移動設(shè)備的總能耗。類似地,Xu等人[10]考慮了具有時延約束的多用戶MEC系統(tǒng),為了減小傳輸數(shù)據(jù)的大小,在計算遷移前對數(shù)據(jù)進行壓縮,進而提出了一種凸優(yōu)化算法,通過聯(lián)合優(yōu)化遷移決策、數(shù)據(jù)壓縮和資源分配達(dá)到最小化總能耗的目的。文獻[11]考慮了一個垂直和異構(gòu)的多接入邊緣計算系統(tǒng),在通信鏈路容量的約束下,提出了一個聯(lián)合遷移決策和無線資源分配的優(yōu)化問題,由于該問題的非凸性,考慮將原始問題劃分為多個子問題分別求解以尋找最優(yōu)解,同時通過仿真驗證了該方案能夠最大程度地降低計算任務(wù)處理的總能耗。從降低系統(tǒng)時延的角度入手,文獻[12]提出了一種兩階段計算遷移方案,首先終端用戶根據(jù)服務(wù)器工作負(fù)載確定其遷移到服務(wù)器的數(shù)據(jù)量,在此基礎(chǔ)上,提出了一種分布式算法來安排遷移任務(wù)的處理順序。通過仿真驗證了所提方案能夠獲得最優(yōu)的遷移策略,同時提高了服務(wù)器處理效率并實現(xiàn)了任務(wù)處理時延的最小化。文獻[13]聚焦于車載邊緣計算系統(tǒng),設(shè)計了一種虛擬邊緣形成算法,該算法綜合考慮了虛擬邊緣的穩(wěn)定性和系統(tǒng)中可用計算資源的合理分配,減少了因鏈路意外斷開導(dǎo)致任務(wù)遷移失敗的數(shù)量,同時降低了計算任務(wù)的執(zhí)行時間。

此外,文獻[14-15]在降低系統(tǒng)成本方面取得了顯著成效。為了給用戶創(chuàng)造高性能、低延遲的服務(wù)體驗,Feng等人[14]規(guī)劃了一個基于任務(wù)遷移策略、緩存容量和MEC服務(wù)器計算能力的優(yōu)化問題,為了解決該混合整數(shù)非線性規(guī)劃問題,提出了一種分布式協(xié)作數(shù)據(jù)緩存和計算遷移迭代算法,可顯著降低系統(tǒng)總成本。在文獻[15]中提出了一種迭代算法,在多用戶多服務(wù)器的物聯(lián)網(wǎng)網(wǎng)絡(luò)中,通過感知資源變化,綜合考慮各項指標(biāo),如遷移策略、CPU計算能力和終端設(shè)備的發(fā)射功率,以達(dá)到最小化系統(tǒng)總成本的目的。上述研究方案雖在一定程度上降低了系統(tǒng)能耗和時延,取得最優(yōu)解。但傳統(tǒng)數(shù)學(xué)求解方法使得該類方案更加適用于靜態(tài)的場景,對于非確定性信息及動態(tài)網(wǎng)絡(luò)環(huán)境的處理能力較差。同時,面對終端設(shè)備數(shù)量的急劇增加,設(shè)備-節(jié)點任務(wù)遷移處理架構(gòu)顯得力不從心。

在邊緣計算網(wǎng)絡(luò)中,部署了眾多終端設(shè)備,由于其任務(wù)處理效率的差異,難免會有終端設(shè)備處于空閑狀態(tài)。為了更加有效地利用這類計算資源,同時,進一步提高頻譜利用率和網(wǎng)絡(luò)吞吐量,Device-to-Device (D2D)通信技術(shù)已被廣泛應(yīng)用到邊緣計算中[16]。例如,在文獻[17]中,Cheng等人研究了認(rèn)知無線電網(wǎng)絡(luò)(Cognitive Radio Network,CRN)中的計算遷移問題,提出了一種基于非正交多址接入(Non Orthogonal Multiple Access,NOMA)的D2D輔助計算遷移方案,在任務(wù)可容忍延遲和發(fā)射功率的約束下,通過坐標(biāo)下降法和逐次凸逼近得到最優(yōu)的主次用戶遷移決策和功率控制,實現(xiàn)系統(tǒng)能耗的最小化。此外,文獻[18]提出了一種混合整數(shù)隨機逐次凸逼近算法,具體地,利用智能反射平面(Intelligent Reflective Surface,IRS)技術(shù)協(xié)助用戶將任務(wù)遷移,同時,為了減少交換信道狀態(tài)信息(Channel Status Information,CSI)產(chǎn)生的開銷,聯(lián)合設(shè)計了混合時間尺度上的波束成形和資源分配,大量仿真表明了該算法在降低任務(wù)完成時延方面的有效性。文獻[19-21]研究了D2D輔助網(wǎng)絡(luò)在時延和能耗的聯(lián)合優(yōu)化方面取得的成果。其中文獻[19]提出了一種在線資源協(xié)調(diào)與分配方案,旨在解決D2D輔助邊緣計算系統(tǒng)中任務(wù)響應(yīng)時間和能耗的最小化問題,通過考慮多用戶協(xié)作的部分遷移策略、傳輸調(diào)度和計算資源分配,最大程度地降低網(wǎng)絡(luò)響應(yīng)成本,從而提高用戶服務(wù)質(zhì)量。Fang等人[20]針對設(shè)備增強型MEC中的計算密集型任務(wù),構(gòu)建了一個最大化所有任務(wù)總收益的優(yōu)化問題,該問題被建模為多用戶計算遷移博弈,為了求解最優(yōu)值,提出了一種基于回復(fù)的分布式多用戶計算遷移算法,該算法從通信資源、D2D選擇和遷移模式的聯(lián)合優(yōu)化角度,降低了時延和能耗,達(dá)到了最大化系統(tǒng)總收益的目的。類似地,文獻[21]考慮在蜂窩網(wǎng)絡(luò)中規(guī)劃了一個任務(wù)執(zhí)行時間和能耗加權(quán)和的優(yōu)化問題,并引入一個聯(lián)合任務(wù)管理架構(gòu)以實現(xiàn)高效的信息交換,并提出一種啟發(fā)式算法。首先,通過庫恩—曼克萊斯算法獲得最優(yōu)計算遷移決策;緊接著,利用拉格朗日對偶法求解資源分配策略,大量的仿真表明,該算法能有效降低任務(wù)執(zhí)行的總成本。上述D2D輔助邊緣計算的優(yōu)化方案雖然在時延或能耗方面取得了成效,然而大多方案都建立在理想的環(huán)境下,即D2D設(shè)備在為其他用戶提供計算資源支持時缺乏主動性,同時缺乏對遷移策略和傳輸功率的綜合考量。

基于以上分析,針對邊緣計算中任務(wù)遷移問題存在以下兩個方面的挑戰(zhàn)：

(1)通常情況下,在求解優(yōu)化問題時,大多應(yīng)用傳統(tǒng)的數(shù)學(xué)規(guī)劃方法,然而面對復(fù)雜的非線性規(guī)劃問題,傳統(tǒng)數(shù)學(xué)方法存在一定的局限性,更甚之,傳統(tǒng)方法對于非確定性信息的處理能力較差,難以應(yīng)對實際問題中動態(tài)變化的網(wǎng)絡(luò)環(huán)境。

(2)上述基于D2D輔助的優(yōu)化方案在處理任務(wù)遷移問題時,成效顯著且可充分調(diào)動系統(tǒng)中的可用資源,進一步提高網(wǎng)絡(luò)吞吐量,且能夠有效降低系統(tǒng)時延或能耗,但是上述方案并未關(guān)注D2D設(shè)備共享資源的積極性,同時缺乏對遷移策略和傳輸功率的綜合考慮。

針對上述問題,該文提出了一個基于D2D協(xié)同的邊緣計算遷移機制,主要貢獻總結(jié)如下：

?研究了一個基于D2D協(xié)同的邊緣計算遷移模型,基于任務(wù)遷移策略和功率分配的綜合考慮,提出了一個最小化任務(wù)處理總能耗的優(yōu)化問題。同時,考慮到D2D設(shè)備的積極性度量約束,并通過聯(lián)合優(yōu)化遷移策略和功率分配,實現(xiàn)最小化系統(tǒng)總能耗的目標(biāo)。

?針對上述的混合整數(shù)非線性規(guī)劃問題,提出了一種基于動態(tài)感知蝙蝠群體的高效計算遷移算法,該算法融合經(jīng)典蝙蝠算法思想,引入自適應(yīng)方式調(diào)節(jié)迭代參數(shù),使種群能夠靈活地感知環(huán)境變化并調(diào)整移動方向,同時,為了提高求解精確度,采用混沌映射完成種群初始化,并結(jié)合動態(tài)慣性權(quán)重更新群體的飛行速度,更好地探索最優(yōu)解,以提高算法的求解精確度。

?通過大量仿真與分析,與其它兩種同類型的基準(zhǔn)方案相比,該算法能夠以較快的速度收斂,并且該算法在降低能耗方面具有較大的性能優(yōu)勢,能夠得到遠(yuǎn)優(yōu)于其他方案的最優(yōu)策略,實現(xiàn)了總能耗的最小化。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)模型

本節(jié)構(gòu)建了一個基于D2D協(xié)同的邊緣計算遷移系統(tǒng)模型,旨在優(yōu)化執(zhí)行和遷移計算任務(wù)產(chǎn)生的能量消耗。該系統(tǒng)由單個具有邊緣服務(wù)器的基站和多個用戶設(shè)備組成,其中用戶設(shè)備包括普通用戶(General User)和協(xié)作用戶(Cooperation User),具體的系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 D2D協(xié)同邊緣計算模型

邊緣層部署了一個邊緣節(jié)點,該節(jié)點負(fù)責(zé)管理所有的鏈路通信,并協(xié)助控制其覆蓋范圍內(nèi)的用戶間協(xié)作。同時,由于邊緣服務(wù)器強大的計算能力,具備服務(wù)器的邊緣節(jié)點支持用戶設(shè)備的任務(wù)處理,并將結(jié)果回傳。

1.2 計算模型

本節(jié)介紹的計算模型主要包括三個部分：本地計算、D2D計算和邊緣計算,下面將詳細(xì)說明這三個部分。

(1)本地計算。

(1)

其中,ci(K bit)表示用戶i的任務(wù)大小,R表示本地設(shè)備處理1 bit任務(wù)所需的CPU周期數(shù)。

同時,本地計算的能耗與用戶設(shè)備的CPU性能成正比,即：

(2)

其中,ki表示用戶設(shè)備i的有效電容系數(shù)。

(2)D2D計算。

由于本地設(shè)備有限的計算資源,用戶在處理計算密集型任務(wù)時往往顯得力不從心,從而選擇將任務(wù)遷移至邊緣節(jié)點。然而,在某一時段內(nèi),如果大量的用戶均選擇遷移任務(wù),容易造成系統(tǒng)頻譜資源匱乏,從而降低用戶服務(wù)質(zhì)量。針對上述問題,為了緩解通信壓力,降低對服務(wù)節(jié)點的負(fù)荷,引入了D2D通信技術(shù),在通信資源不足的情況下,普通用戶可以將任務(wù)通過D2D鏈路傳輸至協(xié)作用戶處理,從而提升任務(wù)處理效率。假設(shè)D2D鏈路的信道條件處于理想狀態(tài)下,即信道增益是恒定的,可以計算得到普通用戶i與協(xié)作用戶j之間D2D通信的數(shù)據(jù)速率為：

(3)

因此,任務(wù)在D2D計算時所消耗的時間與能耗分別為：

(4)

(5)

考慮到D2D用戶作為個人用戶易出現(xiàn)自私行為,導(dǎo)致任務(wù)處理效率降低。為了提升D2D用戶計算服務(wù)的積極性,為每個D2D設(shè)備定義積極性度量,假設(shè)第j個D2D設(shè)備的積極性度量指標(biāo)為：

(6)

此外,如果用戶i想將任務(wù)遷移至其他D2D設(shè)備j'進行處理,積極性度量應(yīng)當(dāng)滿足：

Inij'>Inij.

(7)

(3)邊緣計算。

考慮到本地設(shè)備計算資源稀缺的局限性,用戶往往選擇將部分任務(wù)遷移處理,得益于邊緣節(jié)點豐富的計算資源,在處理計算密集型任務(wù)時能夠游刃有余。用戶層通過蜂窩網(wǎng)絡(luò)與邊緣層通信,根據(jù)香農(nóng)定理,任務(wù)的上行傳輸速率為：

(8)

其中,Wis表示用戶i與邊緣節(jié)點之間的通信帶寬。

因此,任務(wù)上傳至邊緣節(jié)點需要的時延和能耗分別為：

(9)

(10)

任務(wù)到達(dá)后,邊緣節(jié)點會為其分配計算資源,待任務(wù)處理完畢后,邊緣節(jié)點將結(jié)果回傳給原用戶,考慮到計算結(jié)果數(shù)據(jù)量極小,返回過程不會給系統(tǒng)造成較大負(fù)擔(dān),因此,該文將忽略結(jié)果回傳所產(chǎn)生的成本,即用戶i將任務(wù)遷移至邊緣節(jié)點處理所需的時延和能耗分別可表示為：

(11)

(12)

因此,任務(wù)遷移至邊緣節(jié)點處理的總能耗如下：

(13)

2 優(yōu)化問題描述

(14)

因此,所有任務(wù)完成的總能耗可寫作：

(15)

(15a)

(15b)

(15c)

(15d)

(15e)

Inij'>Inij,j,j'∈{1,2,…,M}

(15f)

約束(15a)表示每個用戶i只能選擇一個目標(biāo)進行任務(wù)遷移;約束(15b)和(15c)表示一個用戶i只能與至多一個D2D設(shè)備j通信,一個用戶j也只能為至多一個用戶i提供計算服務(wù);約束(15d)表示D2D和邊緣節(jié)點的遷移決策均為0或1;約束(15e)表示邊緣節(jié)點分配給本地設(shè)備i的傳輸功率不能超過其最大值,約束(15f)表示D2D通信的遷移約束。

3 基于動態(tài)感知蝙蝠群體的高效計算遷移算法

由于文中優(yōu)化問題屬于非凸且為混合整數(shù)非線性規(guī)劃問題,直接求解相對復(fù)雜。通常,傳統(tǒng)的數(shù)學(xué)方法在解決該類問題時往往需要較高的計算成本,為了提高求解效率,提出了一種基于動態(tài)感知蝙蝠群體的高效計算遷移算法(Dynamic Sensing Bat Population-Based Efficient Computation Offloading Algorithm,DSBP-ECOA)。該算法融合經(jīng)典蝙蝠算法思想,并通過感知環(huán)境變化,引入一種動態(tài)慣性權(quán)重因子自適應(yīng)地調(diào)節(jié)移動速率與方向。同時,考慮到探索過程中種群越來越接近最優(yōu)個體導(dǎo)致收斂速度下降的問題,在對位置和速度初始化時,該算法采用了混沌序列,確保了種群特征的差異性,從而提升了該算法的優(yōu)化性能。

蝙蝠算法是一種基于群體智能的啟發(fā)式搜索算法,該算法利用自然界生物蝙蝠的社會行為、覓食以及避開障礙物時使用的回聲定位行為生成其搜索策略。由于經(jīng)典蝙蝠算法存在收斂速度慢、搜索能力有限和易陷入局部極小值等弊端,該文提出了改進的蝙蝠算法,即自適應(yīng)感知的蝙蝠優(yōu)化算法求解目標(biāo)函數(shù)。具體流程如圖2所示。以常規(guī)假設(shè)為前提,構(gòu)成了蝙蝠算法的基本思想：

圖2 DSBP-ECOA算法流程

(1)所有蝙蝠都使用回聲定位機制來尋找目標(biāo)物,并且能夠甄別食物與障礙物之間的差別。

(2)每個蝙蝠個體在位置lm以速度vm隨機飛行,并根據(jù)聲波反饋自動調(diào)整發(fā)射脈沖的頻率fm,同時能夠調(diào)整脈沖發(fā)射率r(r∈[0,1])使其接近目標(biāo)位置,更新位置與飛行速度。

(3)假設(shè)蝙蝠飛行時的響度Am從常數(shù)A0(A0>0)變化到最小值A(chǔ)min。

首先對種群進行初始化,主要包括種群規(guī)模Z、初始位置lt、初始速度vt及響度At等。由于蝙蝠個體缺乏變異機制,在尋優(yōu)過程中一旦受到局部約束很難擺脫,而且隨著迭代次數(shù)的增加,蝙蝠個體會逐漸聚集,從而喪失種群多樣性,導(dǎo)致算法收斂速度大大降低。

BA一般采用隨機生成方式初始化群體,該方式易使算法陷入局部最優(yōu),因此為增加種群多樣性,提高初始解的質(zhì)量,該算法引入了混沌映射理論,利用混沌序列對種群的位置和速度初始化,使得種群能夠均勻分布,從而提高了全局探索的多樣性。該文采用logistic映射模型進行初始化,具體表示為：

zt+1=ρzt(1-zt)

(16)

其中,ρ表示控制參數(shù)。

(17)

fm=fmin+(fmax-fmin)η

(18)

(19)

(20)

式(18)表示第m只蝙蝠的頻率更新過程,fmin和fmax分別表示頻率的下限和上限;η是一個服從均勻分布的隨機數(shù),l*表示當(dāng)前時刻的最優(yōu)位置。

在其他群體智能算法中,例如粒子群算法,會考慮在速度更新時加入慣性權(quán)重,以適應(yīng)當(dāng)前環(huán)境。通常,在迭代初期,慣性權(quán)重較大會增強全局搜索能力,而在迭代后期,慣性權(quán)重較小能獲得更精確的局部搜索,因此,為了提高所提算法的搜索能力及精確度,在式(19)中引入了一個動態(tài)慣性權(quán)重,即：

(21)

其中,Tmax為迭代周期的最大輪次,ζmin和ζmax分別為最小值與最大值。

蝙蝠算法是基于全局搜索與局部搜索相結(jié)合的搜索策略,因此,在局部搜索時,種群通過隨機移動找尋最優(yōu)解,即：

Snew=Sold+εAt

(22)

其中,ε是[-1,1]范圍內(nèi)的隨機數(shù),用于調(diào)節(jié)隨機移動的頻率與方向,At是當(dāng)前時刻所有蝙蝠個體的平均響度。

通常情況下,蝙蝠在搜尋過程中的脈沖發(fā)射速率和響度都是不斷變化的,而一旦蝙蝠個體找到目標(biāo)物,它就會逐漸降低其脈沖發(fā)射的響度,并增加脈沖發(fā)射速率,其迭代過程表示如下：

(23)

(24)

在傳統(tǒng)的蝙蝠算法中,μ通常是(0,1)區(qū)間范圍內(nèi)的固定常數(shù)。在迭代初期,蝙蝠種群能根據(jù)響度及頻率的變化向更佳的位置移動,然而隨著迭代次數(shù)的增加,參數(shù)不能根據(jù)種群當(dāng)前進化狀況自適應(yīng)地調(diào)整數(shù)值。因此,為了增加種群與當(dāng)前環(huán)境的適應(yīng)性,提升搜索質(zhì)量,該文考慮參數(shù)μ能夠隨著迭代次數(shù)的變化動態(tài)更新,可以表示為：

(25)

綜上所述,為解決上一節(jié)構(gòu)建的優(yōu)化問題,所提算法體現(xiàn)了相應(yīng)的針對性,為了便于理解,將上述求解的詳細(xì)過程凝練如算法1。

算法1：基于動態(tài)感知蝙蝠群體的高效計算遷移算法。

1.輸入：任務(wù)大小.ci,i∈{1,2,…,N}

3.BEGIN

4.參數(shù)初始化：蝙蝠種群規(guī)模Z,適應(yīng)度函數(shù)F,蝙蝠位置lm(m=1,2,…,Z),響度Am,初始速度vm和聲波頻率fm;

5.根據(jù)logistic映射(16)初始化蝙蝠群體z;

6.設(shè)置t=1;

7.計算蝙蝠個體的適應(yīng)度函數(shù)值F(Sm);

8.Whilet

10.If rand1>rm;

12.End if

15.End if

16. 更新當(dāng)前最優(yōu)解S*;

17.End While

19.END

4 仿真結(jié)果分析

本節(jié)通過一系列仿真實驗評估了基于動態(tài)感知蝙蝠群體的高效計算遷移算法的有效性,并且與其他幾種同類型算法對比,證明了所提算法的性能優(yōu)勢。

圖3顯示了所提方案初始化種群的分布情況。從圖中種群個體的分布情況可以看出,初始化形成的種群個體能夠較為均勻地分布在搜索范圍內(nèi)的各個位置,沒有出現(xiàn)種群聚集狀況,并且個體之間幾乎沒有特征重合的現(xiàn)象出現(xiàn)。這是因為提出的方案中采用了混沌映射理論,通過logistic映射模型對種群進行初始化,從而形成混沌序列,增加了種群多樣性。由此可推斷,該方案能夠有效改善種群的構(gòu)成特征,提高算法初始解的質(zhì)量。

圖3 初始化種群的分布情況

圖4描繪的是在初始化種群時,設(shè)定不同數(shù)量的初始化種群對適應(yīng)度函數(shù)的影響情況對比。由圖中曲線可以看出,無論初始化種群的數(shù)量如何變化,在經(jīng)過一定的迭代次數(shù)后,適應(yīng)度函數(shù)均能達(dá)到收斂。其中當(dāng)種群數(shù)量為30時,所提方案的性能達(dá)到最優(yōu),Fitness大概在迭代次數(shù)達(dá)到10次時收斂到穩(wěn)定值,對比其他兩種初始化種群數(shù)量,收斂速度更快。并且對比圖中三條曲線發(fā)現(xiàn),當(dāng)Population number=30時,適應(yīng)度函數(shù)的值最低,這是因為隨著迭代次數(shù)的增加,種群數(shù)量越大,其探索能力越強,種群個體之間相互作用與影響,能夠在較短的時間內(nèi)尋得最優(yōu)解。

圖4 不同種群數(shù)量對Fitness收斂性能的影響

圖5展示了蝙蝠算法中脈沖頻率更新系數(shù)γ的取值對Fitness收斂性能的影響。觀察圖中曲線的變化情況可以發(fā)現(xiàn),隨著迭代次數(shù)的增加,三條曲線均能收斂至穩(wěn)定值。并且從圖中可以看出,γ的取值不同,其Fitness的收斂值也各不相同。具體地,當(dāng)γ=0.5或γ=0.9時,Fitness都能夠較快收斂,γ=0.7時Fitness雖存在一定波動,但經(jīng)過20次左右的迭代仍會達(dá)到穩(wěn)定值。從圖中可以看出,當(dāng)γ=0.9時其余兩項,Fitness值最小,這是因為當(dāng)γ較小時,蝙蝠種群易陷入到局部極值范圍內(nèi),在此范圍內(nèi)搜索得到最優(yōu)值是局部而非全局最優(yōu)解。綜上所述,所提方案在實驗仿真中,選取γ=0.9作為實驗數(shù)值。

圖5 不同gamma取值對Fitness收斂性能的影響

圖6分析了三種不同方案的適應(yīng)度函數(shù)收斂對比情況。其中“BA”表示基礎(chǔ)蝙蝠算法,“DSBP-ECOA”表示所提算法,“PSO”表示經(jīng)典粒子群算法。從圖中能夠看出,隨著迭代次數(shù)的增加,三種方案均收斂到達(dá)穩(wěn)定值。在迭代初期,“BA”“PSO”兩種方案與所提方案的Fitness均呈現(xiàn)下降趨勢,迭代次數(shù)也大體一致。但所提方案與其它兩種相關(guān)的經(jīng)典方案相比,能夠以較快的速度獲得較低的Fitness值。這是因為所提方案采用混沌映射方法初始化蝙蝠種群,并引入動態(tài)慣性權(quán)重對蝙蝠個體的速度進行動態(tài)更新。因此,所提方案具有比基礎(chǔ)蝙蝠算法更強的探索能力,從而得到最優(yōu)的適應(yīng)度函數(shù)值,達(dá)到快速收斂、得到系統(tǒng)最優(yōu)解的效果。

圖6 不同方案的Fitness收斂情況對比

5 結(jié)束語

為了提高頻譜利用率和網(wǎng)絡(luò)吞吐量,提出了一種基于D2D協(xié)同的邊緣計算遷移機制。首先,通過對遷移決策和功率分配的聯(lián)合優(yōu)化,規(guī)劃了一個最小化任務(wù)完成總能耗的優(yōu)化問題,針對該混合整數(shù)非線性規(guī)劃問題,提出了一個基于動態(tài)感知蝙蝠群體的高效計算遷移算法,根據(jù)環(huán)境變化,結(jié)合慣性權(quán)重系數(shù)動態(tài)調(diào)整種群移動速度,從而獲得最優(yōu)遷移決策和功率分配策略。大量的仿真證實了所提機制的有效性,并與其他基準(zhǔn)機制相比,所提算法能有效降低系統(tǒng)能耗。該模型中用戶設(shè)備種類較為單一,未考慮設(shè)備的異構(gòu)性。此外,用戶較為關(guān)注的數(shù)據(jù)隱私等問題也并未解決,未來研究方向?qū)⒅饕槍υO(shè)備異構(gòu)、數(shù)據(jù)隱私保護展開研究。