張?zhí)m勇 王夢(mèng)琳

固定資產(chǎn)管理是企事業(yè)單位中一項(xiàng)非常嚴(yán)肅,政策性、原則性、技術(shù)性很強(qiáng)的后勤工作,它將把控資產(chǎn)信息、提高管理效率、降低支出成本作為管理目標(biāo),提升了企業(yè)的資產(chǎn)管理水平[1].早在2020 年,財(cái)政部發(fā)布了《關(guān)于加強(qiáng)行政事業(yè)單位固定資產(chǎn)管理的通知》,來加強(qiáng)事業(yè)單位的后勤資產(chǎn)管理水平.除此之外,我國在軍事后勤建設(shè)的投入逐年增加,后勤工作會(huì)議指出：加快建設(shè)現(xiàn)代軍事物流體系和軍隊(duì)現(xiàn)代資產(chǎn)管理體系[2].無論軍事還是民用,后勤資產(chǎn)管理建設(shè)都是現(xiàn)階段發(fā)展重點(diǎn),必須探索出一條能夠推進(jìn)后勤資產(chǎn)管理工作向現(xiàn)代化和智能化方向發(fā)展的道路,引領(lǐng)我國后勤資產(chǎn)管理實(shí)力邁向新臺(tái)階.

我國資產(chǎn)管理經(jīng)歷手工記賬、二三維條碼的發(fā)展過程,形成了信息化管理系統(tǒng).由于資產(chǎn)管理特殊性,現(xiàn)有系統(tǒng)普遍存在以下問題：精細(xì)化程度低、平臺(tái)功能有限；資產(chǎn)辨認(rèn)與定位難、可視化程度低；編碼體系不統(tǒng)一、編碼覆蓋信息不全[3].因此,結(jié)合傳感定位、網(wǎng)格剖分、實(shí)時(shí)監(jiān)控等技術(shù),建設(shè)統(tǒng)一后勤資產(chǎn)業(yè)務(wù)管理平臺(tái),實(shí)現(xiàn)可以為全天候、全地域環(huán)境提供精細(xì)化保障的“可視化后勤”,是現(xiàn)代后勤建設(shè)的主要目標(biāo)[4].

專家學(xué)者對(duì)相關(guān)技術(shù)開展研究來提升資產(chǎn)管理系統(tǒng)服務(wù)水平.LIN Y 完成了基于射頻識(shí)別的倉庫研究與實(shí)踐物流管理系統(tǒng)設(shè)計(jì),針對(duì)倉儲(chǔ)管理中手工作業(yè)多、效率低的問題,設(shè)計(jì)了基于射頻識(shí)別（radio frequency identification,RFID）倉庫自動(dòng)化解決方案,滿足大型倉儲(chǔ)企業(yè)需求[5].WANG T 等利用RFID 技術(shù)建立基于物聯(lián)網(wǎng)技術(shù)的固定資產(chǎn)管理平臺(tái),實(shí)現(xiàn)合理高效使用和部署固定資產(chǎn),優(yōu)化和簡化管理過程,確保得到可靠和完整的資產(chǎn)數(shù)據(jù)[6].LEE C 等提出了一種基于藍(lán)牙定位用于跟蹤資產(chǎn)的室內(nèi)定位系統(tǒng),實(shí)現(xiàn)一種經(jīng)濟(jì)高效的資產(chǎn)管理解決方案[7].

應(yīng)用北斗網(wǎng)格剖分技術(shù)解算資產(chǎn)位置構(gòu)建統(tǒng)一定位編碼標(biāo)準(zhǔn),基于RFID 系統(tǒng)、北斗定位系統(tǒng)、攝像頭等設(shè)備采集資產(chǎn)數(shù)據(jù),利用軟件及數(shù)據(jù)庫技術(shù)實(shí)現(xiàn)具備實(shí)時(shí)監(jiān)控與資產(chǎn)可視化功能的先進(jìn)資產(chǎn)管理系統(tǒng).在后勤資產(chǎn)管理系統(tǒng)發(fā)展過程中,傳統(tǒng)系統(tǒng)構(gòu)架直接將企業(yè)管理系統(tǒng)連接至后勤云計(jì)算中心,隨著接入硬件設(shè)備逐漸增多,大量原始數(shù)據(jù)未經(jīng)過解算全部上傳至云端會(huì)占用更多的帶寬和服務(wù)器資源,給系統(tǒng)的運(yùn)維帶來極大資源負(fù)擔(dān),也不利于對(duì)資產(chǎn)環(huán)境視頻監(jiān)控畫面進(jìn)行實(shí)時(shí)調(diào)取,在一定程度上影響用戶體驗(yàn),限制了后勤資產(chǎn)管理系統(tǒng)向現(xiàn)代化發(fā)展[8].

云計(jì)算、聯(lián)邦學(xué)習(xí)、邊緣計(jì)算等分布式計(jì)算技術(shù)被提出用于協(xié)調(diào)共享資源的使用,邊緣計(jì)算具有實(shí)時(shí)性高、計(jì)算能力強(qiáng)、帶寬高、安全性高等優(yōu)點(diǎn),在眾多通信新技術(shù)中脫穎而出[9].在系統(tǒng)構(gòu)架中引入邊緣層,能在數(shù)據(jù)源頭實(shí)現(xiàn)定位、RFID 標(biāo)簽等原始數(shù)據(jù)的及時(shí)處理與響應(yīng),向云端直接傳輸解碼結(jié)果減少數(shù)據(jù)傳輸消耗.同時(shí)邊緣計(jì)算及多碼流處理技術(shù)的結(jié)合運(yùn)用,也為實(shí)時(shí)視頻監(jiān)控需求提供了解決方案,能夠提高視頻圖像數(shù)據(jù)價(jià)值,降低帶寬與時(shí)延,提高處理效率.

邊緣計(jì)算技術(shù)核心是基于分布式邊緣服務(wù)器,在數(shù)據(jù)源頭提供具有網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)等功能的服務(wù)器節(jié)點(diǎn),完成被卸載的計(jì)算任務(wù),經(jīng)過資源分配等步驟將結(jié)果返回設(shè)備端[10].為了提升技術(shù)服務(wù)性能,本文針對(duì)邊緣計(jì)算服務(wù)模型中資源分配、計(jì)算卸載兩項(xiàng)業(yè)務(wù)開展研究,優(yōu)化調(diào)度模型、尋找更佳的控制策略來提供最優(yōu)服務(wù).

相關(guān)專家也對(duì)邊緣計(jì)算計(jì)算卸載以及資源分配等問題開展相關(guān)研究,SONG H K 等研究了無線邊緣網(wǎng)絡(luò)中邊緣計(jì)算服務(wù)器部署和用戶卸載關(guān)聯(lián)的網(wǎng)絡(luò),設(shè)計(jì)了一種改進(jìn)遺傳算法來解決該問題,有效減少平均服務(wù)延遲[11].TANG C G 等提出了一個(gè)通用的支持緩存的車載邊緣計(jì)算方案,同時(shí)考慮任務(wù)緩存帶來的響應(yīng)延遲和能耗,同其他算法相比具有優(yōu)勢性[12].XU F 等提出了兩階段計(jì)算卸載算法,能夠有效降低時(shí)延[13].黃冬晴等提出一種面向多用戶的聯(lián)合計(jì)算卸載和資源分配策略,利用拉格朗日乘子法獲得最佳計(jì)算資源分配,基于貪心算法獲得最佳卸載決策,不斷迭代降低系統(tǒng)成本[14].

目前許多專家對(duì)資產(chǎn)管理系統(tǒng)進(jìn)行優(yōu)化,開展邊緣計(jì)算技術(shù)業(yè)務(wù)研究,但大都是針對(duì)單一目標(biāo)進(jìn)行優(yōu)化設(shè)計(jì).也有不少專家對(duì)單一業(yè)務(wù)進(jìn)行多目標(biāo)優(yōu)化,例如針對(duì)卸載決策或資源分配問題進(jìn)行時(shí)延能耗多目標(biāo)優(yōu)化.隨著研究不斷深入,逐漸向多業(yè)務(wù)聯(lián)合優(yōu)化方向發(fā)展,也提出了計(jì)算卸載和資源分配聯(lián)合優(yōu)化的概念,通過不斷迭代兩個(gè)業(yè)務(wù)問題的求解獲得更優(yōu)解.由于聯(lián)合優(yōu)化計(jì)算過程復(fù)雜,現(xiàn)有論文一般采用復(fù)雜度較低的算法來求解卸載決策計(jì)算問題,例如文獻(xiàn)[14]采用貪心算法計(jì)算.因此,本文研究計(jì)算卸載和資源分配問題,基于數(shù)學(xué)推導(dǎo)解決計(jì)算資源分配問題,基于進(jìn)化類算法計(jì)算卸載決策,迭代計(jì)算聯(lián)合優(yōu)化時(shí)延和能耗兩個(gè)目標(biāo),得到最優(yōu)控制策略.

1 系統(tǒng)模型與問題描述

1.1 系統(tǒng)模型

1.2 本地執(zhí)行模型

1.3 傳輸模型

由香農(nóng)公式,移動(dòng)用戶上行鏈路傳輸速率：

1.4 卸載至邊緣服務(wù)器執(zhí)行模型

若任務(wù)在邊緣端執(zhí)行,則計(jì)算時(shí)間由任務(wù)上傳、處理以及下載3 部分組成,由于任務(wù)處理后數(shù)據(jù)大小遠(yuǎn)小于執(zhí)行前數(shù)據(jù)大小,且下行鏈路傳輸速率也遠(yuǎn)高于上行鏈路傳輸速率,因此,忽略下載任務(wù)的時(shí)延和能耗,任務(wù)上傳時(shí)間為：

其中,Rie為移動(dòng)用戶i 與邊緣服務(wù)器上行鏈路傳輸速率,任務(wù)處理時(shí)間為：

忽略邊緣設(shè)備在計(jì)算過程中消耗的能耗,將任務(wù)Mi卸載到邊緣服務(wù)器所需能耗為：

1.5 卸載至云端服務(wù)器的執(zhí)行模型

同理,若任務(wù)在云端執(zhí)行,忽略下載任務(wù)的時(shí)延和能耗,任務(wù)執(zhí)行時(shí)間僅由任務(wù)上傳與任務(wù)處理2部分組成,任務(wù)上傳時(shí)間為：

其中,Ric為移動(dòng)用戶i 與云端服務(wù)器上行鏈路傳輸速率,任務(wù)處理時(shí)間為：

任務(wù)卸載到云端服務(wù)器后,由于云端計(jì)算資源充足,不考慮資源分配,忽略任務(wù)處理能耗,得到任務(wù)Mi卸載到云端服務(wù)器所需能耗為：

其中,Pec為云端服務(wù)器的上傳功率.

1.6 目標(biāo)函數(shù)

由以上公式可知,移動(dòng)用戶的任務(wù)執(zhí)行能耗和時(shí)延的期望為：

則遍歷所有終端設(shè)備,得到任務(wù)執(zhí)行總時(shí)間和設(shè)備消耗總能耗如下：

本文目標(biāo)是探究任務(wù)執(zhí)行總時(shí)間和設(shè)備總能耗綜合最小的卸載策略,α 為權(quán)重因子,在（0,1）之間取值,反映了時(shí)延和能耗的重視程度,目標(biāo)函數(shù)定義如下：

優(yōu)化目標(biāo)建模為：

2 問題的分解與求解

本章將大問題分解得到上行功率分配、計(jì)算資源分配、卸載決策3 個(gè)子問題,針對(duì)前兩個(gè)問題進(jìn)行求解與公式推導(dǎo).

2.1 問題分解

由于通信與計(jì)算資源是連續(xù)變量,卸載決策是整數(shù)向量,該問題是一個(gè)混合整數(shù)非線性規(guī)劃的問題,屬于非確定性多項(xiàng)式問題研究范疇,將其改寫為：

由于卸載決策向量與資源分配變量完全解耦,進(jìn)一步將該問題分解為上行鏈路通信和計(jì)算資源分配問題與最優(yōu)分配方式下的計(jì)算卸載問題,綜合計(jì)算兩個(gè)問題求解最小化系統(tǒng)開銷.

拆解出的資源分配問題可表示為：

設(shè)定了卸載方式,代入上式拆解整理可得：

上式中,Q 是不參與待優(yōu)化變量相關(guān)的常數(shù)項(xiàng),式中第1 項(xiàng)為通信資源分配資問題,第2 項(xiàng)為計(jì)算資源分配子問題,可分別求解.

上行功率分配子問題為：

計(jì)算資源分配子問題為：

2.2 上行功率分配問題求解

將上行功率分配子問題改寫為：

2.3 計(jì)算資源分配問題求解

將計(jì)算資源分配子問題改寫成：

由于海森矩陣正定,因此,該問題是凸問題,采用卡羅需-庫恩-塔克（Karush-Kuhn-Tucker,KKT）條件求解,拉格朗日函數(shù)可表示為：

其中,式（34）為拉格朗日函數(shù)求極值的必要條件,式（35）、式（36）是互補(bǔ)松弛條件,式（37）、式（38）為不等式約束條件,由式（36）、式（38）可知μ=0.通過對(duì)式（34）求導(dǎo),得到最優(yōu)計(jì)算資源分配：

由式（35）知,最優(yōu)計(jì)算資源分配滿足：

則由上兩式聯(lián)立求解得：

則綜合求解得最優(yōu)計(jì)算資源分配表達(dá)式為：

3 聯(lián)合優(yōu)化算法設(shè)計(jì)

上面求解了上行功率分配與計(jì)算資源分配問題,本章將根據(jù)上行功率分配求解結(jié)果設(shè)計(jì)動(dòng)態(tài)調(diào)整算法,提出改進(jìn)粒子群（particle swarm optimization,PSO）算法進(jìn)行計(jì)算卸載問題求解,最后提出聯(lián)合優(yōu)化算法.

3.1 上行功率分配動(dòng)態(tài)調(diào)整算法設(shè)計(jì)

在分配問題求解過程中,可能出現(xiàn)某MEC 服務(wù)器分配資源之和超出上限的情況,需要?jiǎng)討B(tài)調(diào)整分配量,按照原分配方案等比例縮小,使資源分配和恰好達(dá)到服務(wù)器上限,算法描述如算法2 所示.

3.2 計(jì)算卸載改進(jìn)PSO 算法設(shè)計(jì)

拆解出的計(jì)算卸載子問題為：

很多學(xué)者聯(lián)合優(yōu)化問題選擇貪心算法、博弈論等簡單策略實(shí)現(xiàn)卸載決策的求解,獲得較好的局部最優(yōu)卸載結(jié)果.而在卸載決策單一問題的研究中,會(huì)更偏向算法優(yōu)化設(shè)計(jì),傾向于選擇進(jìn)化算法、強(qiáng)化學(xué)習(xí)等優(yōu)化算法,獲得接近于全局最優(yōu)的卸載決策.由于本文目的是循環(huán)迭代卸載決策和資源分配問題實(shí)現(xiàn)聯(lián)合優(yōu)化,因此,選擇以“循環(huán)優(yōu)化”為核心的進(jìn)化類算法求解卸載決策.PSO 算法搜索能力強(qiáng)、易實(shí)現(xiàn),在高維度優(yōu)化問題上收斂速度很快,但易早熟陷入局部最優(yōu)[77].因此,本文提出基于改進(jìn)PSO 算法求解最優(yōu)卸載決策,在標(biāo)準(zhǔn)PSO 基礎(chǔ)上設(shè)計(jì)了自適應(yīng)調(diào)整的慣性權(quán)重系數(shù)，在算法迭代后期引入交叉重組機(jī)制,來打破粒子早熟停滯的問題[17].

3.2.1 標(biāo)準(zhǔn)粒子群算法

其中,C1、C2是學(xué)習(xí)因子,調(diào)節(jié)影響飛行方向比重；ξ和η 是服從U（0,1）均勻分布的隨機(jī)值；ω 是慣性權(quán)重,調(diào)節(jié)飛行速度；t 是迭代次數(shù).

3.2.2 編碼

本文采用整數(shù)編碼機(jī)制,假設(shè)粒子群規(guī)模為D,每個(gè)粒子代表一個(gè)卸載策略,粒子元素取值為0～n+1的整數(shù).假設(shè)系統(tǒng)中用戶終端設(shè)備周圍有3 個(gè)邊緣服務(wù)器,用戶任務(wù)數(shù)目為7 個(gè),任務(wù)集合為TASK={task1,task2,…,task7},此時(shí)假設(shè)任務(wù)的某個(gè)卸載決策向量為,其中,0 代表task1在本地執(zhí)行,4 代表task2在云端執(zhí)行,2 代表task3在編號(hào)為2 的MEC 服務(wù)器上執(zhí)行,1 代表task4在編號(hào)為1 的MEC 服務(wù)器上執(zhí)行,以此類推,編碼方式效果圖如圖1 所示.

圖1 編碼方式圖Fig.1 Coding scheme

圖2 編碼變換圖Fig.2 Transcoding map

3.2.3 適應(yīng)度函數(shù)

本文求解目標(biāo)是最優(yōu)卸載策略使能耗和時(shí)延代價(jià)和最小,由系統(tǒng)目標(biāo)函數(shù)可知,f 總代價(jià)越大,方案評(píng)價(jià)越差,本文將目標(biāo)函數(shù)作為適應(yīng)度函數(shù),其中,規(guī)定f 最小值不為0.

3.2.4 算法的改進(jìn)

本文在標(biāo)準(zhǔn)PSO 基礎(chǔ)作出以下兩點(diǎn)改進(jìn)：1）自適應(yīng)調(diào)整慣性權(quán)重系數(shù)；在迭代尋優(yōu)過程中動(dòng)態(tài)調(diào)整模型中的慣性權(quán)重系數(shù),提高解的全局、局部尋優(yōu)能力來提高解的質(zhì)量.2）引入遺傳交叉思想,提高算法后期在解空間的探索能力.

1）自適應(yīng)調(diào)整慣性權(quán)重系數(shù)

慣性權(quán)重系數(shù)ω 用來平衡全局和局部搜索,標(biāo)準(zhǔn)PSO 算法中固定ω 的值使得搜索效果不佳,很容易使算法陷入局部最優(yōu).因此,自適應(yīng)調(diào)整慣性權(quán)重系數(shù)的值,在算法初期取較大的ω 值,增強(qiáng)算法的全局探索能力,隨著算法的執(zhí)行逐漸減小ω 值,增強(qiáng)算法的開發(fā)能力,在本文中應(yīng)用的權(quán)重計(jì)算方式如下所示：

其中,t 為當(dāng)前迭代次數(shù),ωmax和ωmin表示慣性權(quán)重系數(shù)最大和最小取值,本文取ωmax=0.9,ωmin=0.4,Tmax為最大迭代次數(shù).

2）遺傳交叉重組

PSO 算法初期收斂速度快,后期容易陷入局部最優(yōu),為了跳出局部最優(yōu),在迭代達(dá)到一定次數(shù)后,觸發(fā)遺傳交叉重組機(jī)制豐富種群多樣性.

遺傳交叉重組的規(guī)則定義如下：在當(dāng)前迭代的種群中,根據(jù)交叉率選取一定數(shù)量的粒子放入交叉重組池內(nèi),池內(nèi)粒子隨機(jī)兩兩交叉得到同樣數(shù)目的子代粒子,并將子代粒子與當(dāng)前迭代種群粒子混合,按照適應(yīng)度排序篩選出排名前H 的粒子參與下一次迭代,本文定義執(zhí)行交叉重組后得到子代粒子的位置和速度向量分別如下[18]：

本文定義改進(jìn)PSO 算法流程圖設(shè)計(jì)如圖3 所示.

圖3 算法流程圖Fig.3 Algorithm flowchart

3.3 決策與資源分配聯(lián)合優(yōu)化策略設(shè)計(jì)

由上述描述可知,本文提出的計(jì)算卸載和資源分配聯(lián)合優(yōu)化算法是通過相互迭代卸載決策和資源分配兩個(gè)子問題來獲得最佳解,有關(guān)該算法的具體求解步驟如算法3 所示.

4 仿真與試驗(yàn)驗(yàn)證

為驗(yàn)證本文所提基于改進(jìn)粒子群算法的計(jì)算卸載與資源分配聯(lián)合優(yōu)化算法性能,在其余參數(shù)不變的基礎(chǔ)上,分別與3 種算法進(jìn)行仿真對(duì)比試驗(yàn),算法介紹如下：

隨機(jī)卸載決策（Random）算法：任務(wù)隨機(jī)分配云端、邊緣端、本地執(zhí)行,資源平均分配.

貪心（Greedy）算法：文獻(xiàn)[14]的算法,上行功率與計(jì)算資源分配按照二分法、拉格朗日乘子法求取,基于貪心算法求取卸載決策,執(zhí)行計(jì)算卸載與資源分配聯(lián)合優(yōu)化策略.

標(biāo)準(zhǔn)粒子卸載決策群（standard PSO,STPSO）算法：卸載決策基于標(biāo)準(zhǔn)PSO 求解,資源平均分配.

交叉重組PSO（cross recombination PSO,CRPSO）算法：本文算法,基于引入交叉重組機(jī)制與自適應(yīng)ω的PSO 算法求解決策卸載,基于二分法、拉格朗日乘子法求取上行功率與計(jì)算資源分配,執(zhí)行計(jì)算卸載與資源分配聯(lián)合優(yōu)化策略.

有關(guān)本章算法及仿真參數(shù)的設(shè)定如表1、表2 所示,其任務(wù)輸入數(shù)據(jù)量服從[1,50]之間的均勻分布（單位為MB）,任務(wù)工作量服從[1,200]之間的均勻分布（單位為GHz）.

表1 算法相關(guān)參數(shù)Table 1 Algorithm related parameters

表2 實(shí)驗(yàn)仿真參數(shù)設(shè)置Table 2 Experimental simulation parameter settings

根據(jù)以上模型,在本仿真參數(shù)的驗(yàn)證中,忽略移動(dòng)過程中通信鏈路切換帶來的影響,重點(diǎn)關(guān)注卸載過程.任務(wù)可在本地、邊緣端、云端執(zhí)行,且假設(shè)所有邊緣服務(wù)器的計(jì)算能力相同,在本次仿真環(huán)境中,邊緣服務(wù)器的數(shù)目為8 個(gè).基于表1～表2 兩個(gè)表格中的參數(shù),利用仿真平臺(tái)進(jìn)行對(duì)比試驗(yàn),分別論證迭代次數(shù)、權(quán)重系數(shù)、用戶數(shù)量、工作量對(duì)系統(tǒng)總代價(jià)的影響.

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

Greedy 算法僅僅迭代到精度要求就停止計(jì)算,Random 算法結(jié)果的優(yōu)劣是波動(dòng)的,它們不屬于進(jìn)化類算法,解算出卸載決策的優(yōu)劣受迭代次數(shù)影響較小,因此,不參與本部分測試.重點(diǎn)關(guān)注STPSO 和CRPSO算法中系統(tǒng)總代價(jià)與迭代次數(shù)之間的關(guān)系,以便選取合適的迭代次數(shù)值繼續(xù)后續(xù)的測試.取平均用戶數(shù)目m=300,時(shí)延與能耗的權(quán)重系數(shù)α=0.5,迭代次數(shù)T 設(shè)置為從1～500 均勻增加,仿真結(jié)果如圖4所示.

圖4 迭代次數(shù)仿真圖Fig.4 Iteration number simulation diagram

隨著迭代開始進(jìn)行，兩種算法的系統(tǒng)總代價(jià)都逐漸減小,當(dāng)?shù)螖?shù)達(dá)到300 次后,兩種算法都能將系統(tǒng)總代價(jià)下降到較好的水平,但STPSO 算法系統(tǒng)易陷入局部最優(yōu)導(dǎo)致總代價(jià)趨于平穩(wěn)不再變化,CRPSO 算法由于在算法后期加入了交叉重組機(jī)制,系統(tǒng)總代價(jià)仍能緩慢下降.因此,在后續(xù)測試中將算法迭代次數(shù)設(shè)置為500,迭代到300 次后,在CRPSO算法中啟用交叉重組機(jī)制,打破局部最優(yōu)獲得更優(yōu)卸載決策.

4.2 時(shí)延能耗權(quán)重系數(shù)對(duì)系統(tǒng)總代價(jià)影響

系統(tǒng)總代價(jià)包括任務(wù)執(zhí)行時(shí)間和設(shè)備消耗能耗,因此,時(shí)延與能耗的權(quán)重系數(shù)也會(huì)影響系統(tǒng)總代價(jià),在測試中,設(shè)置迭代次數(shù)為500 次,用戶數(shù)量為300,研究權(quán)重系數(shù)在0.1～0.9 之間均勻變化時(shí),Random、Greedy、STPSO 和CRPSO 算法間性能比較,仿真結(jié)果圖如圖5 所示.

圖5 時(shí)延能耗權(quán)重系數(shù)仿真圖Fig.5 Simulation diagram of delay energy consumption weight coefficient

隨著權(quán)重系數(shù)逐漸增大,時(shí)延相較于能耗的比重越來越高,系統(tǒng)總代價(jià)整體呈增加趨勢,證明了時(shí)延在系統(tǒng)總代價(jià)中占據(jù)主導(dǎo)地位.在4 種算法中,Random 算法的卸載結(jié)果具有隨機(jī)性,導(dǎo)致在4 種算法中評(píng)價(jià)最差.Greedy 算法雖然采取了和本文相同的資源分配方案及聯(lián)合優(yōu)化思想,但貪心算法在卸載決策的求取上還具有一定局限性,使得該算法總代價(jià)評(píng)價(jià)在4 種算法中位列第3.STPSO 算法僅采取資源平均分配方式,未充分體現(xiàn)聯(lián)合優(yōu)化思想,但基于粒子群算法能夠得到較好的卸載決策,該算法評(píng)價(jià)僅次于CRPSO 算法.CRPSO 算法基于改進(jìn)的粒子群算法求解更優(yōu)的卸載決策,基于數(shù)學(xué)方法求解資源分配方式并充分應(yīng)用聯(lián)合優(yōu)化思想,使算法評(píng)價(jià)達(dá)到最優(yōu).綜合來看,CRPSO 算法顯著降低系統(tǒng)總代價(jià),降低了Random 算法總代價(jià)的54.09%,Greedy 算法的45.66%,STPSO 算法的18.26%.

4.3 用戶數(shù)量對(duì)系統(tǒng)總代價(jià)的影響

當(dāng)用戶數(shù)目發(fā)生改變,系統(tǒng)的時(shí)延與能耗也會(huì)隨之發(fā)生變化,系統(tǒng)總代價(jià)也會(huì)受到影響.為了探究用戶數(shù)量與系統(tǒng)總代價(jià)之間的關(guān)系,設(shè)置迭代次數(shù)為500 次,時(shí)延與能耗權(quán)重系數(shù)為0.5,研究用戶數(shù)目在50～500 之間均勻變化時(shí),4 種算法性能比較,仿真結(jié)果圖如圖6 所示.

圖6 用戶數(shù)量仿真圖Fig.6 Simulation diagram of the number of users

隨著用戶數(shù)目逐漸增多,接入系統(tǒng)的任務(wù)量增加,導(dǎo)致卸載過程的時(shí)延與能耗也在增加,系統(tǒng)總代價(jià)逐漸增大.結(jié)合4 種算法的自身特點(diǎn),算法之間的總代價(jià)關(guān)系同上個(gè)實(shí)驗(yàn)相比保持不變.同樣地,本文提出的CRPSO 算法系統(tǒng)總代價(jià)最小,降低了Random算法總代價(jià)的66.15%,Greedy 算法的54.53%,STPSO算法的35.34%.

4.4 工作量對(duì)系統(tǒng)總代價(jià)的影響

工作量也是影響系統(tǒng)總代價(jià)的因素,當(dāng)任務(wù)工作量發(fā)生改變時(shí),系統(tǒng)總代價(jià)也會(huì)受到影響.為了探究工作量與系統(tǒng)總代價(jià)之間的關(guān)系,設(shè)置迭代次數(shù)為500 次,時(shí)延與能耗權(quán)重系數(shù)為0.5,用戶數(shù)量為300,研究最大工作量在60～200 之間均勻變化時(shí),4種算法的性能比較,仿真結(jié)果圖如圖7 所示.

圖7 工作量仿真圖Fig.7 Workload simulation diagram

根據(jù)圖7 可知,隨著最大工作量不斷增加,導(dǎo)致卸載過程中所需的時(shí)延與能耗增加,使系統(tǒng)總代價(jià)整體呈現(xiàn)增加趨勢.基于4 種算法計(jì)算的系統(tǒng)總代價(jià)關(guān)系仍與之前仿真結(jié)果保持一致,本文提出的CRPSO 算法總代價(jià)最小,能夠降低Random 算法總代價(jià)的59.34%,Greedy 算法的45.74%,STPSO 算法的24.07%.

基于以上4 項(xiàng)實(shí)驗(yàn)可知,設(shè)計(jì)資源分配求解方案、應(yīng)用聯(lián)合優(yōu)化思想,基于進(jìn)化類算法求解卸載決策等優(yōu)化方式都能夠降低系統(tǒng)總代價(jià),相比較而言改進(jìn)進(jìn)化類算法來求解卸載決策的方式在降低系統(tǒng)總的代價(jià)上的效果更為顯著.本文提出的CRPSO 算法不僅通過數(shù)學(xué)方法來求解資源分配方案,重點(diǎn)改進(jìn)了粒子群算法來求解更優(yōu)的卸載決策,還應(yīng)用了聯(lián)合優(yōu)化卸載決策與資源分配兩個(gè)業(yè)務(wù)的思想,使得本文算法在多項(xiàng)實(shí)驗(yàn)的仿真驗(yàn)證中評(píng)價(jià)最好,因此,本文提出的CRPSO 算法能夠顯著降低系統(tǒng)的時(shí)延與能耗,可以對(duì)邊緣環(huán)境下移動(dòng)服務(wù)起到很好的優(yōu)化作用.

5 邊緣計(jì)算在資產(chǎn)管理系統(tǒng)中應(yīng)用

基于以上邊緣計(jì)算聯(lián)合優(yōu)化算法,設(shè)計(jì)基于邊緣計(jì)算技術(shù)的后勤資產(chǎn)管理系統(tǒng)構(gòu)架.將北斗定位系統(tǒng)、RFID 系統(tǒng)、監(jiān)控系統(tǒng)部署在資產(chǎn)終端用于采集資產(chǎn)實(shí)時(shí)監(jiān)控管理所需數(shù)據(jù),將各類底層數(shù)據(jù)的解析任務(wù)卸載到邊緣服務(wù)器上,邊緣服務(wù)器完成計(jì)算后直接將有效的數(shù)據(jù)推理結(jié)果上傳至云端.用戶操縱底層終端系統(tǒng)發(fā)布資產(chǎn)業(yè)務(wù)請(qǐng)求,系統(tǒng)首先會(huì)根據(jù)邊緣服務(wù)器中存儲(chǔ)的資產(chǎn)信息迅速完成響應(yīng),一些較為復(fù)雜的系統(tǒng)功能會(huì)通過調(diào)用云端存儲(chǔ)數(shù)據(jù)來實(shí)現(xiàn).

在系統(tǒng)運(yùn)行過程中,本文提出的聯(lián)合優(yōu)化算法可以實(shí)現(xiàn)邊緣計(jì)算業(yè)務(wù)優(yōu)化,更好地為資產(chǎn)管理系統(tǒng)提供服務(wù),終端設(shè)備層隨機(jī)生成數(shù)據(jù)解算任務(wù)序列,結(jié)合當(dāng)前各層服務(wù)器參數(shù)通過調(diào)度程序給出最優(yōu)卸載決策方案,下放到各個(gè)單元執(zhí)行.在本方案設(shè)計(jì)中,邊緣層承擔(dān)了主要計(jì)算業(yè)務(wù)需求,云端承擔(dān)了主要存儲(chǔ)工作,有效提升系統(tǒng)性能與用戶體驗(yàn),實(shí)現(xiàn)實(shí)時(shí)資產(chǎn)業(yè)務(wù)響應(yīng)、精細(xì)化資產(chǎn)信息存儲(chǔ)的功能需求[19].基于邊緣計(jì)算技術(shù)后勤資產(chǎn)管理系統(tǒng)設(shè)計(jì)構(gòu)架如圖8 所示.

圖8 邊緣計(jì)算模式構(gòu)架圖Fig.8 Edge computing mode architecture diagram

為了驗(yàn)證應(yīng)用邊緣計(jì)算技術(shù)應(yīng)用的有效性,本文根據(jù)軟件定義網(wǎng)絡(luò)的思想,構(gòu)建了“Flootlight+Mininet”邊緣計(jì)算平臺(tái)環(huán)境來模擬引入邊緣層及相關(guān)控制器算法的資產(chǎn)管理系統(tǒng)實(shí)際情況[20].同時(shí)和未引入邊緣層的環(huán)境進(jìn)行對(duì)比,圖9、圖10 展示了通過Mininet 所編寫的兩種環(huán)境下的網(wǎng)絡(luò)拓?fù)?

圖9 引入邊緣層的網(wǎng)絡(luò)拓?fù)銯ig.9 Network topology with edge layer

圖10 未引入邊緣層的網(wǎng)絡(luò)拓?fù)銯ig.10 Network topology without edge layer

根據(jù)圖9、圖10,上方的h1 代表計(jì)算節(jié)點(diǎn)主機(jī),下方的h2～h11 代表用戶設(shè)備端,引入邊緣層的網(wǎng)絡(luò)拓?fù)渲卸嗔艘粚咏粨Q機(jī)（S8～S11）,通過在控制器C0中設(shè)置控制算法對(duì)交換機(jī)進(jìn)行調(diào)度.分別設(shè)置兩種環(huán)境下交換機(jī)數(shù)量為10 個(gè)和6 個(gè),設(shè)備端的計(jì)算任務(wù)請(qǐng)求節(jié)點(diǎn)均為10 個(gè),鏈路帶寬設(shè)置為20 Mb/s,計(jì)算任務(wù)流大小為10～20 Mb/s,并根據(jù)上圖編寫網(wǎng)絡(luò)拓?fù)溥\(yùn)行腳本.啟動(dòng)Floodlight,運(yùn)行Mininet 腳本并連接至控制器,連接成功后,利用Xterm、Iperf 軟件從設(shè)備端請(qǐng)求節(jié)點(diǎn)向計(jì)算節(jié)點(diǎn)主機(jī)發(fā)送計(jì)算任務(wù)流,計(jì)算從單節(jié)點(diǎn)到多節(jié)點(diǎn)同時(shí)向計(jì)算節(jié)點(diǎn)主機(jī)交互的系統(tǒng)總時(shí)延,整理如圖11 所示.

圖11 節(jié)點(diǎn)與主機(jī)交互時(shí)延圖Fig.11 Node and host interaction delay diagram

由圖11 可知,隨著計(jì)算任務(wù)請(qǐng)求節(jié)點(diǎn)增多,系統(tǒng)響應(yīng)總時(shí)延不斷增加,在引入了邊緣層后,控制器會(huì)對(duì)請(qǐng)求節(jié)點(diǎn)的任務(wù)流進(jìn)行合理調(diào)度,在多個(gè)節(jié)點(diǎn)任務(wù)流同時(shí)請(qǐng)求時(shí)減少用戶總時(shí)延、提升用戶體驗(yàn).因此,本文提出的應(yīng)用在資產(chǎn)管理系統(tǒng)環(huán)境的邊緣計(jì)算構(gòu)架以及邊緣計(jì)算業(yè)務(wù)算法,可減少用戶時(shí)延與設(shè)備能耗,提升用戶體驗(yàn).

6 結(jié)論

本文提出建立后勤資產(chǎn)管理系統(tǒng)邊緣計(jì)算服務(wù)構(gòu)架來解決現(xiàn)代化進(jìn)程中的難題,重點(diǎn)研究邊緣計(jì)算服務(wù)模型中資源分配與計(jì)算卸載業(yè)務(wù),為降低邊緣設(shè)備任務(wù)卸載的時(shí)延和能耗,提出了計(jì)算卸載與計(jì)算資源分配聯(lián)合優(yōu)化算法,將優(yōu)化目標(biāo)設(shè)定為用戶的計(jì)算時(shí)延和能耗的加權(quán)和,來共同優(yōu)化資源分配和計(jì)算卸載問題.基于二分法和拉格朗日乘子法分別求解上行功率以及計(jì)算資源分配問題,然后提出了改進(jìn)的粒子群算法來求解計(jì)算卸載問題,最后給出本文提出的聯(lián)合優(yōu)化算法.試驗(yàn)仿真驗(yàn)證了本文提出算法的有效性,同其他標(biāo)準(zhǔn)算法相比,該算法能有效降低系統(tǒng)總代價(jià),在后勤資產(chǎn)系統(tǒng)及未來的邊緣系統(tǒng)環(huán)境中有很多優(yōu)勢和應(yīng)用,但仍存在以下不足：

1）終端頻繁移動(dòng)的情況需要考慮

本文在仿真建模過程中假設(shè)當(dāng)前時(shí)刻終端位置是固定的,然而在實(shí)際應(yīng)用場景中,移動(dòng)終端是頻繁移動(dòng)的,而這不僅會(huì)使上傳速率發(fā)生變化,同時(shí)也會(huì)增加不同終端間的連接幾率,使問題更具復(fù)雜化,因此,下一步的研究重點(diǎn)是在終端頻繁移動(dòng)的條件下,提出有效的卸載算法來降低系統(tǒng)總代價(jià).

2）系統(tǒng)優(yōu)化目標(biāo)需考慮用戶體驗(yàn)

目前僅選取計(jì)算時(shí)延和能耗的加權(quán)和最小作為本文的優(yōu)化目標(biāo),然而在實(shí)際應(yīng)用中,用戶體驗(yàn)衡量系統(tǒng)好壞是一個(gè)十分重要的指標(biāo),因此,在后續(xù)的研究中,在研究目標(biāo)的選擇上,還應(yīng)充分考慮用戶體驗(yàn)等關(guān)鍵信息.