蔣金陵，徐勝超

（廣州華商學(xué)院 數(shù)據(jù)科學(xué)學(xué)院，廣東 廣州 511300）

0 引言

移動(dòng)互聯(lián)網(wǎng)的應(yīng)用類型越來越多，導(dǎo)致移動(dòng)終端設(shè)備對延時(shí)與能耗的要求越來越高[1-3]。移動(dòng)邊緣計(jì)算指在移動(dòng)終端周圍布設(shè)高性能邊緣服務(wù)器，通過該服務(wù)器處理網(wǎng)絡(luò)信息并卸載邊緣設(shè)備形成的部分任務(wù)，可降低網(wǎng)絡(luò)服務(wù)延時(shí)[4]。但移動(dòng)邊緣計(jì)算內(nèi)包含大量邊緣設(shè)備與邊緣服務(wù)器，導(dǎo)致其任務(wù)卸載難度較高，降低了節(jié)點(diǎn)資源分配的合理性，無法為用戶提供高質(zhì)量的數(shù)據(jù)服務(wù)[5-6]。為此，需要研究移動(dòng)邊緣計(jì)算任務(wù)卸載方法，提升數(shù)據(jù)服務(wù)質(zhì)量。

例如文獻(xiàn)[7]提出了一種基于元強(qiáng)化學(xué)習(xí)的任務(wù)卸載方法，該方法可以在少量梯度更新和樣本的情況下快速適應(yīng)新環(huán)境；將移動(dòng)應(yīng)用程序建模為有向無環(huán)圖（DAG），并通過自定義序列到序列神經(jīng)網(wǎng)絡(luò)執(zhí)行卸載策略；利用一階近似和截?cái)啻砟繕?biāo)協(xié)同的方法訓(xùn)練網(wǎng)絡(luò)。該方法可以將延遲減少25%，同時(shí)能夠快速適應(yīng)新環(huán)境，但該方法僅考慮了移動(dòng)邊緣計(jì)算任務(wù)卸載的延遲問題，并未考慮任務(wù)卸載的能耗問題，導(dǎo)致任務(wù)卸載能耗較高。文獻(xiàn)[8]設(shè)計(jì)了一種基于深度Q 學(xué)習(xí)的智能任務(wù)卸載方案，以應(yīng)對快速變化的場景，引入軟件定義網(wǎng)絡(luò)進(jìn)行信息采集和集中管理，通過深度Q 學(xué)習(xí)處理集中管理的信息，完成任務(wù)卸載。該方法不僅具有良好的適應(yīng)性，而且具有較高的性能，但該方法缺少訓(xùn)練模型，影響任務(wù)卸載效果，沒有在任務(wù)卸載時(shí)同時(shí)優(yōu)化任務(wù)卸載時(shí)延與能耗兩個(gè)目標(biāo)。文獻(xiàn)[9]提出針對移動(dòng)邊緣計(jì)算的多目標(biāo)優(yōu)化的云集部署和任務(wù)卸載方法，該方法通過優(yōu)化云服務(wù)器的部署位置和任務(wù)的卸載策略，旨在實(shí)現(xiàn)多個(gè)優(yōu)化目標(biāo)的平衡，如延遲、能耗和帶寬利用率等。該方法可以提高移動(dòng)邊緣計(jì)算系統(tǒng)的效率和性能，但在復(fù)雜的場景下，優(yōu)化問題的求解可能會(huì)面臨挑戰(zhàn)，需要考慮更多的約束條件和變量。文獻(xiàn)[10]提出基于OFDMA 的協(xié)同邊緣計(jì)算中的節(jié)能聯(lián)合任務(wù)卸載和資源分配，該方法利用OFDMA 技術(shù)將邊緣設(shè)備劃分為多個(gè)子載波，實(shí)現(xiàn)資源的分配和任務(wù)的卸載。通過聯(lián)合考慮任務(wù)卸載和資源分配，旨在提高邊緣計(jì)算系統(tǒng)的能源效率和性能，但在實(shí)際部署中需要考慮設(shè)備之間的協(xié)作和通信開銷，以及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的限制等因素。

為解決上述方法中存在的問題，本文研究基于多目標(biāo)優(yōu)化的移動(dòng)邊緣計(jì)算任務(wù)卸載方法，多目標(biāo)優(yōu)化是一種能夠平衡多個(gè)沖突目標(biāo)的優(yōu)化方法。在任務(wù)卸載中涉及到資源分配、能耗、延遲等多個(gè)指標(biāo)，而這些指標(biāo)之間存在相互制約和沖突關(guān)系。運(yùn)用多目標(biāo)優(yōu)化方法可以找到一組最優(yōu)解，使得各個(gè)目標(biāo)得到平衡和優(yōu)化。多目標(biāo)優(yōu)化的優(yōu)勢在于其平衡性、靈活性、可行性和魯棒性，它可以平衡不同目標(biāo)之間的權(quán)衡關(guān)系，根據(jù)需求和約束條件進(jìn)行調(diào)整，提供多個(gè)可行解供選擇，并具有更好的魯棒性。因此，在任務(wù)卸載中充分發(fā)揮多目標(biāo)優(yōu)化技術(shù)的優(yōu)勢能夠優(yōu)化策略，提高移動(dòng)邊緣計(jì)算系統(tǒng)的性能和效率。

1 多目標(biāo)優(yōu)化的移動(dòng)邊緣計(jì)算任務(wù)卸載方法描述

在傳統(tǒng)的單目標(biāo)優(yōu)化中，只需考慮一個(gè)目標(biāo)函數(shù)并尋找其最優(yōu)解。然而，在現(xiàn)實(shí)世界中，往往需要同時(shí)考慮多個(gè)目標(biāo)，而這些目標(biāo)之間常常存在著相互制約和沖突的關(guān)系。多目標(biāo)優(yōu)化旨在通過尋找一組最優(yōu)解，使得各個(gè)目標(biāo)盡可能地得到平衡和優(yōu)化，本文主要平衡的目標(biāo)指標(biāo)為資源分配、能耗、延遲。為了更好地理解多目標(biāo)優(yōu)化的原理，可以考慮使用改進(jìn)遺傳算法作為例子。

遺傳算法是一種模擬自然進(jìn)化過程的優(yōu)化算法，通過借鑒生物進(jìn)化中的遺傳、變異和選擇機(jī)制來搜索優(yōu)化空間。在傳統(tǒng)的遺傳算法中，只能優(yōu)化單個(gè)目標(biāo)函數(shù)，而多目標(biāo)優(yōu)化則將其擴(kuò)展到多個(gè)目標(biāo)函數(shù)的情況下。在多目標(biāo)優(yōu)化中，改進(jìn)遺傳算法可以通過引入多個(gè)適應(yīng)度函數(shù)來評估解的質(zhì)量，每個(gè)適應(yīng)度函數(shù)對應(yīng)一個(gè)優(yōu)化目標(biāo)。通過遺傳算子（如選擇、交叉和變異）對解進(jìn)行操作，并根據(jù)多個(gè)適應(yīng)度函數(shù)的值進(jìn)行選擇，從而形成一組更好的解集，稱為“非支配解集”或“帕累托前沿”。改進(jìn)遺傳算法中的非支配排序和擁擠度距離等技術(shù)可以幫助確定非支配解集中的優(yōu)秀解，并維持解的多樣性。通過迭代進(jìn)化，逐步逼近帕累托前沿，從而找到一組平衡和優(yōu)化的解。將多目標(biāo)優(yōu)化技術(shù)應(yīng)用于邊緣計(jì)算任務(wù)卸載中，可以考慮在資源分配、能耗、延遲等指標(biāo)之間進(jìn)行權(quán)衡和優(yōu)化。

本文通過使用改進(jìn)遺傳算法來搜索最優(yōu)解空間，可以得到一組平衡的任務(wù)卸載方案，使得系統(tǒng)能夠在多個(gè)目標(biāo)之間取得最佳平衡?？偨Y(jié)起來，多目標(biāo)優(yōu)化是一種解決具有多個(gè)沖突目標(biāo)問題的優(yōu)化方法，通過結(jié)合改進(jìn)遺傳算法，可以在邊緣計(jì)算任務(wù)卸載中應(yīng)用多目標(biāo)優(yōu)化技術(shù)，以權(quán)衡和優(yōu)化不同指標(biāo)，得到平衡和優(yōu)化的解決方案。

1.1 移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)

在網(wǎng)絡(luò)結(jié)構(gòu)中，計(jì)算和存儲(chǔ)容量被下放到移動(dòng)網(wǎng)絡(luò)的邊緣，如基站和無線接入點(diǎn)。移動(dòng)設(shè)備可以將應(yīng)用任務(wù)卸載到附近計(jì)算節(jié)點(diǎn)進(jìn)行處理，進(jìn)行低時(shí)延的計(jì)算服務(wù)[10-13]。移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)架構(gòu)如圖1 所示。

圖1 移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)架構(gòu)

在圖1 所示的移動(dòng)邊緣計(jì)算（Mobile Edge Computing,MEC）網(wǎng)絡(luò)體系結(jié)構(gòu)中，服務(wù)器的資源明顯少于核心網(wǎng)。因此，當(dāng)服務(wù)器無法處理移動(dòng)設(shè)備的任務(wù)請求時(shí)，它將向核心網(wǎng)發(fā)送請求進(jìn)行處理。此外，核心網(wǎng)還負(fù)責(zé)存儲(chǔ)大量的數(shù)據(jù)信息、數(shù)據(jù)集成、分析和全局?jǐn)?shù)據(jù)共享等功能。

邊緣云由各種服務(wù)器組成，部署在網(wǎng)絡(luò)邊緣，提供計(jì)算、存儲(chǔ)等資源。與傳統(tǒng)的MCC（Mobile Cloud Computing）網(wǎng)絡(luò)架構(gòu)不同，邊緣云更接近移動(dòng)設(shè)備，計(jì)算和存儲(chǔ)資源更加緊密。通過將任務(wù)卸載到邊緣云進(jìn)行本地化處理，移動(dòng)設(shè)備能夠有效減少任務(wù)處理延遲，節(jié)省設(shè)備能耗。在圖1 所示的網(wǎng)絡(luò)體系結(jié)構(gòu)中，服務(wù)器的主要功能是處理移動(dòng)設(shè)備的任務(wù)卸載策略，以滿足移動(dòng)設(shè)備對低時(shí)延、可靠性和位置感知的需求。

移動(dòng)設(shè)備主要指位于網(wǎng)絡(luò)邊緣的用戶使用的各種設(shè)備，包括智能手機(jī)、可穿戴智能設(shè)備、筆記本電腦和無人駕駛汽車等。在分布式網(wǎng)絡(luò)體系結(jié)構(gòu)中，移動(dòng)設(shè)備是各種應(yīng)用任務(wù)處理的發(fā)起者，也是網(wǎng)絡(luò)計(jì)算服務(wù)的主要用戶。

令卸載任務(wù)集為Q={q1,q2,…,qn}，且每個(gè)子任務(wù)間無任何關(guān)聯(lián)[14-15]。在任務(wù)集Q內(nèi)，各任務(wù)均需決定本地或邊緣服務(wù)器的卸載方式。

1.2 移動(dòng)邊緣計(jì)算任務(wù)卸載多目標(biāo)優(yōu)化模型

將Q劃分成四部分，即Q={}Rin,W,Z,Rout。其中：Rin是任務(wù)傳輸至移動(dòng)邊緣服務(wù)器CPU 的數(shù)據(jù)量；W是任務(wù)計(jì)算量；Z是任務(wù)卸載計(jì)算資源；Rout是任務(wù)卸載結(jié)束后反饋至移動(dòng)邊緣設(shè)備的數(shù)據(jù)量。

令移動(dòng)邊緣設(shè)備CPU 的計(jì)算能力是不變的，即移動(dòng)邊緣設(shè)備CPU 的計(jì)算能力為x，且x為不變的，則qi在本地CPU 執(zhí)行的時(shí)延為wi與x的比值，即=wix。

移動(dòng)邊緣服務(wù)器CPU 的計(jì)算能力V在執(zhí)行任務(wù)卸載時(shí)是固定不變的，而移動(dòng)邊緣設(shè)備上傳數(shù)據(jù)的傳輸速率為gup，移動(dòng)邊緣設(shè)備下載任務(wù)的傳輸速率為gdown。任務(wù)卸載時(shí)延可以通過將qi任務(wù)上傳到移動(dòng)邊緣服務(wù)器CPU 內(nèi)進(jìn)行計(jì)算來展開，qi的任務(wù)卸載時(shí)延在4 種條件下的情況如下：

式中：f0是移動(dòng)邊緣設(shè)備本地CPU 計(jì)算頻率；fj是移動(dòng)邊緣服務(wù)器計(jì)算頻率；qi-1=1時(shí)，代表任務(wù)已在移動(dòng)邊緣服務(wù)器CPU 內(nèi)卸載，qi-1=0時(shí)，代表任務(wù)在移動(dòng)邊緣設(shè)備本地CPU 內(nèi)卸載。

移動(dòng)邊緣計(jì)算任務(wù)卸載的總時(shí)延為：

移動(dòng)邊緣計(jì)算任務(wù)卸載的總能耗為：

式中：pend、pup、pdown分別是移動(dòng)邊緣設(shè)備CPU 執(zhí)行、上傳、接收功率；tend、tup、tdown分別是執(zhí)行、上傳、接收時(shí)間；γ是能耗系數(shù)。

以最小時(shí)延、最小能耗為優(yōu)化目標(biāo)，建立移動(dòng)邊緣計(jì)算任務(wù)卸載多目標(biāo)優(yōu)化模型，公式如下：

式中：F(X)是綜合代價(jià)因子；ω是權(quán)值；O1是任務(wù)卸載計(jì)算資源分配約束；ri是卸載qi時(shí)的數(shù)據(jù)量；ti是卸載qi的時(shí)間；O2是權(quán)值約束；O3是總能耗低于設(shè)備剩余電量的約束；yi是qi的卸載決策；yij是第j個(gè)邊緣設(shè)備與邊緣服務(wù)器間的任務(wù)卸載決策；gj是邊緣設(shè)備與邊緣服務(wù)器間的傳輸速率；di是CPU 周期數(shù)；O4是任務(wù)卸載決策約束；O5是任務(wù)卸載傳輸功率約束；pi是卸載qi時(shí)的傳輸功率；pmax是最大傳輸功率；O6是任務(wù)卸載的時(shí)延約束；Z'為最大傳輸數(shù)據(jù)量；yik是第k個(gè)邊緣設(shè)備與邊緣服務(wù)器間的任務(wù)卸載決策。

1.3 節(jié)點(diǎn)切換約束

設(shè)備在移動(dòng)時(shí)，網(wǎng)絡(luò)連通性可能會(huì)發(fā)生變化，因此，邊緣節(jié)點(diǎn)應(yīng)考慮移動(dòng)設(shè)備鏈接的穩(wěn)定性，并及時(shí)檢測和處理網(wǎng)絡(luò)中斷或切換。這樣可以確保任務(wù)能夠平穩(wěn)地從一個(gè)邊緣節(jié)點(diǎn)切換到另一個(gè)邊緣節(jié)點(diǎn)，而不會(huì)丟失數(shù)據(jù)或?qū)е路?wù)中斷。

考慮到移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)各個(gè)節(jié)點(diǎn)之間的執(zhí)行優(yōu)先級以及執(zhí)行期限，節(jié)點(diǎn)切換需要滿足運(yùn)行截止期限的約束、優(yōu)先級約束以及節(jié)點(diǎn)完成期限約束。在此次構(gòu)建的多目標(biāo)優(yōu)化模型中，第一個(gè)任務(wù)和最優(yōu)一個(gè)均在本地執(zhí)行，因此運(yùn)行截止期限約束可以表示為：

式中：Blocal,m表示緩存器數(shù)據(jù)延遲；Tm表示節(jié)點(diǎn)結(jié)束時(shí)間；λem表示常數(shù)；e(vm,vn)表示服務(wù)器執(zhí)行延遲；Lm表示最后一個(gè)節(jié)點(diǎn)在本地的執(zhí)行延遲；Tn表示第一個(gè)任務(wù)開始的時(shí)間。

如果節(jié)點(diǎn)vi是節(jié)點(diǎn)vj直接父節(jié)點(diǎn)，則節(jié)點(diǎn)vi的執(zhí)行優(yōu)先級高于節(jié)點(diǎn)vj。節(jié)點(diǎn)vi的優(yōu)先級計(jì)算公式為：

式中：priority(vi)表示節(jié)點(diǎn)vi的執(zhí)行優(yōu)先權(quán)；succ(vi)表示節(jié)點(diǎn)vi的直接后繼節(jié)點(diǎn)集合。

從最后一個(gè)節(jié)點(diǎn)vv開始遍歷全部優(yōu)先級，最后一個(gè)節(jié)點(diǎn)的優(yōu)先級可以表示為：

式中Tv表示最后一個(gè)節(jié)點(diǎn)的執(zhí)行時(shí)間。

任何一個(gè)任務(wù)節(jié)點(diǎn)vj都必須在其所有先前任務(wù)都完成以及處理完組件設(shè)備之后才算結(jié)束，因此節(jié)點(diǎn)vj的開始時(shí)間不得早于節(jié)點(diǎn)vi的結(jié)束時(shí)間。如果兩個(gè)節(jié)點(diǎn)不處于一個(gè)分區(qū)內(nèi)，還需要考慮傳輸時(shí)間的影響。在上述情況下構(gòu)建節(jié)點(diǎn)完成期間約束公式：

式中：Bserver,k表示服務(wù)器數(shù)據(jù)延遲；w(e(vi,vj))表示兩個(gè)節(jié)點(diǎn)間的通信延遲；Sj表示延遲參數(shù)。

1.4 移動(dòng)邊緣計(jì)算任務(wù)卸載多目標(biāo)優(yōu)化模型求解

完成節(jié)點(diǎn)切換約束的處理后，采用改進(jìn)遺傳算法對移動(dòng)邊緣計(jì)算任務(wù)卸載多目標(biāo)優(yōu)化模型進(jìn)行求解。

改進(jìn)遺傳算法是對傳統(tǒng)遺傳算法的一種優(yōu)化和改進(jìn)，具有提高收斂速度、支持多目標(biāo)優(yōu)化和維持解的多樣性等優(yōu)勢。相比其他智能優(yōu)化算法，改進(jìn)遺傳算法具有較強(qiáng)的全局搜索能力、適應(yīng)性和魯棒性，并且具有較好的可解釋性，它通過引入非支配排序、擁擠度距離等技術(shù)，能夠加快收斂速度，生成平衡和優(yōu)化的解集，并在復(fù)雜問題中找到全局最優(yōu)解或接近最優(yōu)解。這使得改進(jìn)遺傳算法成為解決多目標(biāo)優(yōu)化和需要維持解多樣性問題的有效工具。因此，本文選擇改進(jìn)遺傳算法作為優(yōu)化方法，能夠充分發(fā)揮其優(yōu)勢，提高問題求解的效率和質(zhì)量。利用改進(jìn)遺傳算法求解1.2 節(jié)建立的移動(dòng)邊緣計(jì)算任務(wù)卸載多目標(biāo)優(yōu)化模型，得到最小時(shí)延、最小能耗對應(yīng)的移動(dòng)邊緣計(jì)算任務(wù)卸載策略。多目標(biāo)優(yōu)化模型的求解流程如圖2 所示。

圖2 改進(jìn)遺傳算法與多目標(biāo)優(yōu)化模型求解流程

以下是使用改進(jìn)遺傳算法解決多目標(biāo)優(yōu)化模型的步驟：

步驟1：初始化，設(shè)置最大容忍時(shí)延與設(shè)備剩余電量等參數(shù)[16]，定義種群規(guī)模與迭代次數(shù)等參數(shù)。

步驟2：利用十進(jìn)制實(shí)數(shù)編碼方式編碼個(gè)體，即移動(dòng)邊緣計(jì)算任務(wù)卸載策略，生成初始種群[17-19]，即移動(dòng)邊緣計(jì)算任務(wù)多目標(biāo)優(yōu)化模型的全部可行解。

步驟3：利用式（2）計(jì)算移動(dòng)邊緣時(shí)延t。

步驟4：利用式（3）計(jì)算E。

步驟5：利用式（4）計(jì)算F(X)。

步驟6：求解各移動(dòng)邊緣計(jì)算任務(wù)卸載策略是否符合式（4）的約束條件，如果符合約束，則繼續(xù)步驟7，反之，返回步驟3。

步驟7：保留符合約束條件的種群個(gè)體[20]，并計(jì)算這些個(gè)體的適應(yīng)度。適應(yīng)度是以移動(dòng)邊緣計(jì)算任務(wù)卸載的綜合代價(jià)因子為基礎(chǔ)，即綜合代價(jià)越小，個(gè)體適應(yīng)度越大。

步驟8：計(jì)算個(gè)體選擇概率，并利用輪盤賭[21]選擇法執(zhí)行選擇操作。

步驟9：計(jì)算選擇個(gè)體的單體分解概率，并計(jì)算雙體組合概率，然后根據(jù)雙體組合概率計(jì)算個(gè)體間隔互換概率。接著進(jìn)行個(gè)體交叉操作與變異操作[22]。

步驟10：反復(fù)操作步驟9 以生成新種群位置，修正移動(dòng)邊緣計(jì)算任務(wù)卸載策略。

步驟11：反復(fù)操作步驟3～步驟9，以達(dá)到最大迭代次數(shù)為止[23]，輸出最小時(shí)延與最小能耗對應(yīng)的移動(dòng)邊緣計(jì)算任務(wù)卸載策略。

2 仿真實(shí)驗(yàn)與性能分析

2.1 實(shí)驗(yàn)環(huán)境設(shè)置

此次仿真實(shí)驗(yàn)的環(huán)境參數(shù)如表1 所示。

表1 仿真實(shí)驗(yàn)的環(huán)境參數(shù)

為了驗(yàn)證所提出方法的性能，將使用Matlab 7.2 進(jìn)行實(shí)驗(yàn)。在這個(gè)實(shí)驗(yàn)中將建立一個(gè)真實(shí)的網(wǎng)絡(luò)場景，每個(gè)移動(dòng)設(shè)備都將運(yùn)行真實(shí)的應(yīng)用程序，例如人臉識別、視頻處理和語音識別等。信道的時(shí)變性將遵循瑞利分布。設(shè)置移動(dòng)設(shè)備的數(shù)量在40～100 之間，并且信道數(shù)量在4～8 之間變化。移動(dòng)邊緣計(jì)算網(wǎng)絡(luò)服務(wù)器的數(shù)量為{4，6，8，10，12}，基站的覆蓋范圍則在50～100 m 之間變化。

該移動(dòng)邊緣計(jì)算場景的具體參數(shù)如表2 所示。改進(jìn)遺傳算法的具體參數(shù)如表3 所示。

表2 移動(dòng)邊緣計(jì)算場景的具體參數(shù)

表3 改進(jìn)遺傳算法的具體參數(shù)

該多任務(wù)-多邊緣服務(wù)器移動(dòng)邊緣計(jì)算場景共包含兩種類型，分別是復(fù)雜移動(dòng)邊緣計(jì)算場景與簡單移動(dòng)邊緣計(jì)算場景。

2.2 目標(biāo)函數(shù)綜合代價(jià)的結(jié)果分析

本文方法中，權(quán)值的取值直接影響移動(dòng)邊緣計(jì)算任務(wù)卸載效果，為此，分析不同權(quán)值ω時(shí)本文方法任務(wù)卸載的綜合代價(jià)，確定最佳的權(quán)值ω取值，分析結(jié)果如圖3所示。

圖3 不同權(quán)值時(shí)的綜合代價(jià)

根據(jù)圖3 的結(jié)果顯示，本文方法在簡單場景和復(fù)雜場景下，移動(dòng)邊緣計(jì)算任務(wù)卸載的綜合代價(jià)隨著權(quán)值的提升先下降后上升。當(dāng)權(quán)值ω為0.7時(shí)，兩種場景下的綜合代價(jià)達(dá)到最低點(diǎn)，之后開始上升。這一實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法在權(quán)值為0.7 時(shí)能夠?qū)崿F(xiàn)移動(dòng)邊緣計(jì)算任務(wù)卸載的最小綜合代價(jià)，可以通過改進(jìn)遺傳算法的特點(diǎn)來解釋。改進(jìn)遺傳算法具有全局搜索能力和多樣性維持的優(yōu)勢，在優(yōu)化過程中，初始權(quán)值較低時(shí)，算法更加注重優(yōu)化目標(biāo)的平衡，使得綜合代價(jià)下降。然而，隨著權(quán)值的增加，算法更加注重單個(gè)優(yōu)化目標(biāo)，可能導(dǎo)致部分解的質(zhì)量下降，從而使綜合代價(jià)上升。因此，通過遺傳算法的優(yōu)化過程，本文方法能夠找到權(quán)值為0.7 時(shí)的最優(yōu)解，使得移動(dòng)邊緣計(jì)算任務(wù)卸載的綜合代價(jià)最小化。這也說明了遺傳算法在尋找復(fù)雜優(yōu)化問題最優(yōu)解方面的有效性和適用性。

2.3 任務(wù)卸載結(jié)果分析

以簡單移動(dòng)邊緣計(jì)算場景為例，在該場景內(nèi)隨機(jī)選擇10 個(gè)需要任務(wù)卸載的移動(dòng)邊緣設(shè)備，利用本文方法對這10 個(gè)移動(dòng)邊緣設(shè)備進(jìn)行任務(wù)卸載，任務(wù)卸載結(jié)果如表4 所示。

表4 移動(dòng)邊緣計(jì)算任務(wù)卸載結(jié)果

根據(jù)表4 可知，本文方法可有效完成移動(dòng)邊緣計(jì)算任務(wù)卸載，對于卸載資源低于20%的移動(dòng)邊緣設(shè)備，其任務(wù)卸載方式為本地CPU 卸載，對于卸載資源超過20%的移動(dòng)邊緣設(shè)備，結(jié)合多目標(biāo)優(yōu)化和改進(jìn)遺傳算法，本文方法在邊緣任務(wù)卸載中展現(xiàn)出了優(yōu)秀的性能。多目標(biāo)優(yōu)化能夠平衡多個(gè)沖突的優(yōu)化目標(biāo)，并生成一組平衡的解集，適用于考慮延遲、能耗、帶寬利用率等多個(gè)指標(biāo)的邊緣任務(wù)卸載場景。改進(jìn)遺傳算法具有全局搜索能力和多樣性維持的優(yōu)勢，在復(fù)雜問題空間中能夠搜索全局最優(yōu)解或接近最優(yōu)解的解集。同時(shí)，改進(jìn)遺傳算法具有較好的可解釋性，易于理解和解釋算法的運(yùn)行過程。因此，通過將多目標(biāo)優(yōu)化與改進(jìn)遺傳算法相結(jié)合，本文方法在邊緣任務(wù)卸載中展現(xiàn)出了出色的性能和效果。

2.4 任務(wù)卸載的時(shí)延分析

利用本文方法對兩種移動(dòng)邊緣計(jì)算場景進(jìn)行移動(dòng)邊緣計(jì)算任務(wù)卸載，移動(dòng)邊緣計(jì)算任務(wù)卸載的時(shí)延如圖4 所示。

圖4 移動(dòng)邊緣計(jì)算任務(wù)卸載的時(shí)延

根據(jù)圖4 可知，對于簡單場景與復(fù)雜場景，本文方法均可有效完成移動(dòng)邊緣計(jì)算任務(wù)卸載，不同移動(dòng)邊緣數(shù)量時(shí)，復(fù)雜場景下任務(wù)卸載時(shí)延均高于簡單場景下任務(wù)卸載時(shí)延。簡單場景的最高時(shí)延在40 s 左右，復(fù)雜場景的最高時(shí)延在43 s 左右。根據(jù)表2 可知，18 個(gè)移動(dòng)邊緣設(shè)備的最大容忍時(shí)延是72 s，對比可知，在簡單場景與復(fù)雜場景下，本文方法任務(wù)卸載時(shí)延均顯著低于最大容忍時(shí)延，說明本文方法任務(wù)卸載的時(shí)延較短。

2.5 任務(wù)卸載的能耗分析

移動(dòng)邊緣計(jì)算任務(wù)卸載的能耗如圖5 所示。根據(jù)圖5 可知，不同移動(dòng)邊緣數(shù)量時(shí)，復(fù)雜場景下任務(wù)卸載能耗均高于簡單場景下任務(wù)卸載能耗。簡單場景的最高能耗在13 kJ左右，復(fù)雜場景的最高能耗在15 kJ左右，在簡單場景與復(fù)雜場景下，本文方法任務(wù)卸載能耗均未超過能耗閾值，說明本文方法任務(wù)卸載的能耗較低。

圖5 移動(dòng)邊緣計(jì)算任務(wù)卸載的能耗

綜合分析可知，對于簡單場景與復(fù)雜場景來說，本文方法均可有效縮短移動(dòng)邊緣計(jì)算任務(wù)卸載延時(shí)，降低任務(wù)卸載能耗。

2.6 平均用戶效用分析

以復(fù)雜場景為例，分析在文獻(xiàn)[7]、文獻(xiàn)[8]方法和本文方法作用下的平均用戶效能，其值越低，任務(wù)卸載效果越佳，分析結(jié)果如圖6所示，平均用戶效用需控制在1.0以內(nèi)[23]。

圖6 平均用戶效用分析結(jié)果

根據(jù)圖6可知：隨著剩余電量的提升，在三種方法作用下平均用戶效用均呈下降趨勢；剩余電量一致時(shí)，本文方法作用下的平均用戶效用最低，即任務(wù)卸載效果較佳。

3 結(jié)論

移動(dòng)邊緣計(jì)算通過將移動(dòng)設(shè)備生成的任務(wù)卸載至邊緣服務(wù)器，并利用虛擬化和網(wǎng)絡(luò)等技術(shù)提供了更靈活的計(jì)算資源獲取方式。為了進(jìn)一步提升移動(dòng)邊緣計(jì)算任務(wù)卸載的效果，本文采用了基于多目標(biāo)優(yōu)化的方法，該方法中考慮了任務(wù)卸載延時(shí)和能耗這兩個(gè)關(guān)鍵的優(yōu)化目標(biāo)，以提供高質(zhì)量的數(shù)據(jù)服務(wù)給用戶。為了實(shí)現(xiàn)這一目標(biāo)，運(yùn)用改進(jìn)遺傳算法進(jìn)行任務(wù)卸載決策的優(yōu)化。通過將多目標(biāo)優(yōu)化與改進(jìn)遺傳算法相結(jié)合，能夠在移動(dòng)邊緣計(jì)算任務(wù)卸載中實(shí)現(xiàn)更好的效果，平衡了任務(wù)卸載延時(shí)和能耗這兩個(gè)優(yōu)化目標(biāo)，從而為用戶提供高質(zhì)量的數(shù)據(jù)服務(wù)。通過改進(jìn)遺傳算法的全局搜索能力和多樣性維持的特點(diǎn)，能夠找到最優(yōu)的任務(wù)卸載決策，以實(shí)現(xiàn)綜合優(yōu)化的目標(biāo)。因此，基于多目標(biāo)優(yōu)化和改進(jìn)遺傳算法的移動(dòng)邊緣計(jì)算任務(wù)卸載方法能夠提供更高效、可靠的數(shù)據(jù)服務(wù)，并滿足用戶對計(jì)算資源獲取的靈活需求。