王 澤，郭榮佐

(四川師范大學 計算機科學學院，四川 成都 610101)

0 引 言

隨著物聯(lián)網(wǎng)的出現(xiàn)和移動終端設備的普及，諸多物聯(lián)網(wǎng)應用正在影響和改變著生活，例如圖像識別、車聯(lián)網(wǎng)、虛擬現(xiàn)實、智能家居等[1-4]。計算這些應用程序內(nèi)存占用率高、能耗高、計算資源需求大，且對及時性要求嚴格。盡管目前移動終端設備的處理器、電池容量和其它軟硬件持續(xù)更新?lián)Q代，但是對于單個設備來說，物理設計仍受限，無法處理計算密集型和時間敏感型應用程序。

計算卸載技術[5]可以解決上述問題，將計算密集型或時間敏感型應用程序任務卸載到其它服務器端執(zhí)行。以移動云計算[6](MCC)為例，用戶端的移動終端設備將計算任務卸載到云服務器上執(zhí)行計算，以此可以解決移動終端設備算力、電池、內(nèi)存不足等問題。目前大量的移動終端設備、工業(yè)物聯(lián)網(wǎng)設備都需要云計算服務，而云計算存在傳輸時延大、帶寬不足、數(shù)據(jù)隱私泄漏等缺點。邊緣計算[7](EC)在靠近移動終端設備的無線接入網(wǎng)絡邊緣部署分布式計算和緩存資源。與MCC相比，EC的計算能力較小，但是EC具有低延遲、高寬帶、訪問距離短、地理分布靈活以及數(shù)據(jù)隱私保護等優(yōu)點。

在實際通信場景中，不同的卸載任務對能耗和時延的要求各不相同，例如，AR、VR等應用任務對時延有嚴格要求；移動終端設備電量低時應對能耗問題更加關注。因此，如何平衡計算卸載中的能耗和時延是一個關鍵問題。

由于邊緣服務器端通常電源充足，故在本文中主要對電量、內(nèi)存、計算資源不足的移動終端設備進行研究。本文主要研究方向是通過優(yōu)化算法尋找到一個最優(yōu)任務卸載決策方案，使得任務卸載過程中，移動智能設備系統(tǒng)效用最大化。

1 網(wǎng)絡模型

本文考慮搭建多用戶單邊緣服務器組成的網(wǎng)絡模型，邊緣計算卸載決策網(wǎng)絡模型如圖1所示，網(wǎng)絡模型主要分為3個部分：邊緣云、邊緣中間層、移動終端設備。邊緣云中包括一個邊緣服務器和一個基站(base station，BS)，BS都有一定的存儲容量和任務處理能力，邊緣服務器部署在BS附近且位置固定，邊緣服務器處理從移動終端設備傳輸來的計算密集型或時間敏感型任務。邊緣中間層是邊緣云與移動終端設備的中間樞紐，其中包括一個邊緣網(wǎng)關和一個邊緣調(diào)度器，邊緣網(wǎng)關主要實現(xiàn)網(wǎng)絡接入、數(shù)據(jù)采集與轉發(fā)，邊緣調(diào)度器根據(jù)邊緣網(wǎng)關采集的數(shù)據(jù)得出卸載決策，并將卸載決策傳輸給邊緣網(wǎng)關。

圖1 邊緣計算卸載決策網(wǎng)絡模型

卸載決策過程簡單描述為：邊緣網(wǎng)關收集移動終端設備的待處理計算任務以及相關信息，然后將這些信息處理轉發(fā)給邊緣調(diào)度器。邊緣調(diào)度器接收到信息后對任務卸載做出決策，再將卸載決策回傳給邊緣網(wǎng)關，邊緣網(wǎng)關再傳輸給移動終端設備和邊緣服務器。

假設當前場景中有K個移動終端設備，k∈{1，2，…，K}， 所有移動終端設備表示為L={L1，L2，…，LK} 集合，移動終端設備在固定時間段內(nèi)只能產(chǎn)生一個計算任務，且計算任務不可分割。那么，在固定時間段內(nèi)會產(chǎn)生K個待處理的計算任務，定義移動終端設備編號與計算任務編號相同。每個計算任務定義為一個四元組κk={Bk，Sk，Tmaxk，ak}，k∈{1，2，…，K}，Bk， B表示任務k數(shù)據(jù)量大??；Sk， MHz表示任務k需要的計算資源大小(機器周期數(shù))；Tmaxk， s表示時延容忍度。ak∈{0，1} 表示對計算任務k的卸載決策，當ak=1表示計算任務k卸載到邊緣服務器進行處理計算；ak=0表示計算任務k在本地的移動終端設備執(zhí)行計算。本文中若任務k被選中卸載則全部卸載，即對每個計算任務作整體處理。為了便于分析，假設系統(tǒng)是一個準靜態(tài)場景，即在一個卸載決策周期內(nèi)，移動終端設備集合L保持不變。

2 計算模型

本節(jié)根據(jù)邊緣計算中的計算卸載過程對問題進行抽象建模，最后得到計算卸載中移動終端設備的系統(tǒng)效用函數(shù)。

2.1 通信模型

在邊緣計算卸載決策網(wǎng)絡模型中，假設每個移動終端設備的上行傳輸鏈路均采用正交頻分多址方法，因此，所有移動終端設備在上傳卸載任務相關數(shù)據(jù)時，不會造成設備之間同頻干擾。

假設應用于移動終端設備Lk的上行鏈路帶寬為Wk， Hz，系統(tǒng)的上行鏈路總帶寬為Wtotal=∑Kk=1Wk。 若移動終端設備以Pk的上傳功率傳輸數(shù)據(jù)，根據(jù)香農(nóng)公式可得計算任務k卸載時的上行傳輸速率

Rk=Wklog(1+PkHkσ2k)

(1)

式中：Hk表示Lk與BS之間的上行鏈路信道增益，σ2k表示Lk與BS之間上行鏈路噪聲功率。

2.2 計算模型

2.2.1 本地計算模型

當ak=0， 計算任務k在本地執(zhí)行，若flock表示Lk提供給計算任務k的計算資源大小，則計算任務k在Lk完成計算的時延可表示為

tlock=Skflock

(2)

式中：Sk表示任務k需要的計算資源大小(機器周期數(shù))。

根據(jù)文獻[8]，計算任務k在Lk執(zhí)行計算的能耗可表示為

elock=γSk(flock)2

(3)

式中：能耗系數(shù)γ是與移動終端設備CPU芯片結構相關的常數(shù)，本文γ取值為10-17。若全部在Lk執(zhí)行計算的任務總能耗表示為Eloc， 總時延表示為Tloc， 則有

Eloc=∑Kk=1(1-ak)elock

(4)

Tloc=∑Kk=1(1-ak)tlock

(5)

2.2.2 卸載計算模型

假設邊緣服務器的計算資源足夠大，且能同時處理多個計算任務。邊緣服務器返回計算結果給移動終端設備的數(shù)據(jù)量較小且傳輸速率大，故在本文中忽略回傳時延與能耗。

當ak=1， 計算任務k卸載到邊緣服務器執(zhí)行。若toffk表示任務k卸載到邊緣服務器執(zhí)行的時延，則toffk可表示為

toffk=tupk+twaitk

(6)

式中：tupk表示Lk上傳計算任務k的傳輸時延；twaitk表示任務k卸載計算時，Lk等待時延。根據(jù)上傳時間=數(shù)據(jù)量/速率可得tupk， 即

tupk=BkRk=BkWklog(1+PkHkσ2k)

(7)

式中：Bk表示任務k數(shù)據(jù)量大??；Rk是根據(jù)式(1)計算得到的傳輸速率。

當計算任務k卸載到邊緣服務器后，邊緣服務器為其分配的計算資源為fECk， 則twaitk可表示為

twaitk=SkfECk

(8)

本文邊緣計算卸載決策系統(tǒng)的主要考慮移動終端設備端的能耗和時延，因此，任務卸載計算時，邊緣服務器的計算能耗忽略。若eoffk表示任務k卸載到邊緣服務器執(zhí)行的能耗，則eoffk可表示為

eoffk=eupk+ewaitk

(9)

式中：eupk表示Lk上傳計算任務k的傳輸能耗；ewaitk表示任務k卸載計算時，Lk空閑能耗。根據(jù)傳輸能耗=上傳功率*時間可得eupk， 即

eupk=Pktupk=PkBkWklog(1+PkHkσ2k)

(10)

當計算任務k卸載到邊緣服務器后，Lk空閑時功率表示為Pwaitk， 則ewaitk可表示為

ewaitk=Pwaitktwaitk=PwaitkSkfECk

(11)

若全部卸載到邊緣服務器執(zhí)行計算的任務總能耗表示為EEC， 總時延表示為TEC， 則有

EEC=∑Kk=1akeoffk=∑Kk=1ak(eupk+ewaitk)

(12)

TEC=∑Kk=1aktoffk=∑Kk=1ak(tupk+twaitk)

(13)

根據(jù)式(4)和式(12)可得移動終端設備的總能耗Etotal， 即

Etotal=Eloc+EEC=∑Kk=1(1-ak)elock+∑Kk=1ak(eupk+ewaitk)

(14)

根據(jù)式(5)和式(13)可得移動終端設備的總時延Ttotal， 即

Ttotal=Tloc+TEC=∑Kk=1(1-ak)tlock+∑Kk=1ak(tupk+twaitk)

(15)

2.3 優(yōu)化問題制定

假設計算任務全部都在本地執(zhí)行計算，總能耗設置為El、總時延設置為Tl。通過以上對計算模型的分析，移動終端設備在整個計算卸載過程中的系統(tǒng)效用函數(shù)SQ定義為

SQ=αEl-EtotalEl+βTl-TtotalTl

(16)

式中：系數(shù)α和β分別表示在進行卸載決策時，任務執(zhí)行計算能耗和時延之間的權衡因子，α，β∈[0，1]，α+β=1。 若該系統(tǒng)應用于能耗不足的移動終端設備時，需適當調(diào)整α的值，且α>β；若該系統(tǒng)應用于時延敏感型任務時，需適當調(diào)整β的值，且α<β。 在本文中考慮時延和能耗同等重要，則α和β的取值均為0.5。在函數(shù)SQ中，若Etotal和Ttotal的值越小，則SQ的值越大，即在卸載過程中，移動終端設備系統(tǒng)效用越大；若Etotal和Ttotal的值越大，則SQ的值越小，即在卸載過程中，移動終端設備系統(tǒng)效用越小。因為，Etotal值越小，有利于延長移動智能設備的電池壽命；Ttotal值越小，有利于提高用戶的服務體驗質(zhì)量，所以，為了實現(xiàn)計算卸載中移動終端設備系統(tǒng)效用最大化，將計算任務卸載的優(yōu)化目標函數(shù)表示為

C1：ak∈{0，1}，?k∈K

C2：fECk>0，?k∈K

C3： ∑KkakfECk≤Fmax

C4：tlock≤Tmaxk，?k∈K

C5：toffk≤Tmaxk，?k∈K

C6：α，β∈[0，1]，α+β=1

(17)

其中，C1表示計算任務k的卸載決策；C2表示任務k得到的邊緣服務器計算資源是一個大于0的正數(shù)，C3表示邊緣服務器已被占用的計算資源之和不能超過自身最大計算資源Fmax； C4、C5都表示任務k的計算時延不能超過用戶對時延的容忍度；C6中α和β是能耗和時延的權重因子。

3 算法設計

人工蜂群算法(artificial bee colony algorithm，ABC)是一種群智能算法，相比常見的遺傳算法、蟻群算法等啟發(fā)式算法，它的控制參數(shù)少、魯棒性強、局部收斂性強、算法復雜度低、易于實現(xiàn)，但ABC易陷入局部最優(yōu)解、開發(fā)能力弱[9，10]、收斂速度慢。為使ABC性能更好，每次優(yōu)化更多變量，可以通過有效的變異和交叉組合來實現(xiàn)[11]。

差分進化算法(differential evolution，DE)是一種基于種群的全局隨機搜索算法，具有較強的全局收斂性、穩(wěn)定性、魯棒性強等優(yōu)點，但在算法執(zhí)行后期收斂速度慢、可能會陷入局部最優(yōu)解。

當研究基于群體智能或進化算法時，對于不同類型的問題，沒有一種算法能夠產(chǎn)生比所有其它算法都更好的解決方案[12]。本文提出優(yōu)化問題P屬于二進制0-1規(guī)劃問題，而ABC和DE都是針對連續(xù)變量的算法，為了算法適用于本文的二進制優(yōu)化問題，故采用離散二進制人工蜂群算法(BABC)和二進制差分進化算法(BDE)相結合來求解優(yōu)化問題P。

3.1 二進制人工蜂群算法

BABC算法主要包括3種蜜蜂：雇傭蜂、跟隨蜂、偵察蜂，每種蜜蜂負責一個階段。在雇傭蜂階段，每只雇傭蜂都試圖改善自己的蜜源；在跟隨蜂階段，每只跟隨蜂會根據(jù)蜜源的質(zhì)量更新自己的蜜源；在偵察蜂階段，如果跟隨蜂不能改善蜜源，偵察蜂就會開始尋找新蜜源。

3.1.1 雇傭蜂階段

雇傭蜂對蜜源位置更新，位置更新公式采用Kiran and Gündüz(2013)提出的邏輯運算公式

vi，j=Xi，j⊕?(Xi，j⊕Xn，j)

(18)

其中，Xi，j表示是種群中的第i個蜜源，第j個問題維度的卸載決策，假設種群規(guī)模為N，i，n∈{1，2，…，N}，j={1，2，…，K}，i≠n；⊕表示異或運算，數(shù)值相同為0；相異為1；?∈[0，1]。 表1中給出了式(18)的運算真值，對于狀態(tài)1 (?<0.5)， 如果輸入位相同，則反轉輸出結果；否則輸出值和輸入位保持一致。

表1 邏輯運算真值

若新蜜源Vi={vi，1，vi，2，……，vi，K} 的適應度值大于Xi適應度值，采用貪婪選擇的方式用Vi代替Xi， 否則保留Xi。

3.1.2 跟隨蜂階段

在跟隨蜂階段，采用輪盤賭方法選擇跟隨蜂。對于個體Xi， 若它的選擇概率為pi， 產(chǎn)生一個r1∈[0，1] 的隨機數(shù)，如果選擇概率pi大于r1， 則根據(jù)式(18)重新產(chǎn)生一個新蜜源X_newi， 且采用雇傭蜂階段相同的貪婪選擇方法確定保留蜜源。

3.1.3 偵察蜂階段

如果蜜源Xi經(jīng)過trial次迭代沒有找到更好的蜜源，且trial達到搜索閾值limit，則將蜜源Xi拋棄，與之對應的雇傭蜂轉變?yōu)閭刹旆?，偵察蜂隨機產(chǎn)生一個新的蜜源代替Xi。

3.2 二進制差分進化算法

BDE算法與遺傳算法相似，但比遺傳算法易于實現(xiàn)，且具體操作不同，其主要包括3個步驟：變異、交叉、選擇。

3.2.1 變 異

變異操作是根據(jù)變異公式把幾個不同的個體融合成一個變異個體。Xingshi和Lin(2007)提出的二元突變方程

muti，j=Xr1，j⊙f?(Xr2，j?Xr3，j)

(19)

其中，Xr1，j、Xr2，j、Xr3，j是不同的3個個體，同一問題維度的卸載決策，且i≠r1≠r2≠r3，r1，r2，r3∈{1，2，…，N}，j={1，2，…，K}；f是變異算子，f∈[0，1]； 使用邏輯運算?(與)、⊙(或)可以使二進制字符串直接進化個體。

3.2.2 交 叉

定義r2∈[0，1] 的隨機數(shù)，CR是交叉算子，CR∈[0，1]。 對于交叉向量cori的每個值都有如下交叉方法

cori，j={muti，j，ifr2≤CR，

Xi，j，otherwise.

(20)

其中，Xi，j表示第i個個體，第j個問題維度的卸載決策，j={1，2，…，K}。

3.2.3 選 擇

采用貪婪選擇的方式，在cori和Xi中選擇適應度值較大的作為新的Xi。

3.3 binAD算法

提出基于BABC和BDE的新算法：binAD算法。binAD算法中將BABC和BDE相結合，并且對其中的變異操作和交叉操作進行改進。以下是binAD算法的詳細介紹。

3.3.1 編碼與初始種群

由于本文中的有K個待處理的計算任務，則種群的維度設為K，假設初始種群的規(guī)模為N，并采用式(21)生成初始種群。初始種群如圖2所示，每一行表示一個個體，每個個體代表一個卸載決策向量Xi，i∈{1，2，……，N}， 則Xi，j表示第i個決策向量中第j個問題維度的卸載決策，j∈{1，2，…，K}

圖2 初始種群

Xi，j={0，ifrand()<0.5，

1，otherwise.

(21)

3.3.2 適應度函數(shù)

由于本文主要研究方向是通過優(yōu)化算法尋找到一個最優(yōu)任務卸載決策方案，使得任務卸載過程中，移動智能設備系統(tǒng)效用最大化，所以根據(jù)式(16)將定義適應度函數(shù)為

Fitness(i)=SQ(i)

(22)

式(22)中取系統(tǒng)效用函數(shù)值直接作為算法中的適應度函數(shù)值，那么個體Xi的適應度函數(shù)值越大，則說明系統(tǒng)效用函數(shù)值越大，產(chǎn)生的能耗和時延，即該卸載決策越優(yōu)。

3.3.3 引入最優(yōu)個體的變異操作

在變異操作中引入最優(yōu)個體，可以跳出局部最優(yōu)解，向全局最優(yōu)解靠近，且可以增大算法在解空間中的搜索范圍。對式(19)改進得到如下變異公式

muti=f1?(Xbest⊕Xr1)⊙

f2?(Xr2?Xr3)

(23)

其中，Xbest表示全局最優(yōu)個體；Xr1、Xr2、Xr3是不同于Xi的3個個體，且i≠r1≠r2≠r3，r1，r2，r3∈{1，2，…，N}；f1，f2∈[0，1]。

3.3.4 適應性交叉概率因子

BABC中的交叉概率對算法的性能影響很大，例如，收斂速度、搜索能力等，因此在本文中修改交叉概率為適應性交叉概率因子，如式(24)所示，以此提高算法的全局搜索能力

CR=0.6(iterMaxIt)2+0.3

(24)

其中，iter表示算法的當前迭代次數(shù)，MaxIt表示最大迭代次數(shù)。

binAD算法流程如圖3所示。

圖3 binAD算法流程

4 仿真實驗與結果分析

在本節(jié)中，通過Matlab R2016a工具軟件進行仿真和對比實驗，并評估binAD算法的性能。

4.1 參數(shù)設置

本文中的相關仿真參數(shù)設置見表2。

表2 仿真參數(shù)設置

4.2 仿真實驗與性能分析

為了驗證算法的性能，將本文提出的binAD卸載決策與All-Local(計算任務全在本地執(zhí)行)、Full-Off(計算任務全卸載到邊緣服務器執(zhí)行)、Random算法(隨機卸載方法)、BABC算法(二進制人工蜂群算法)、IbinABC算法[13]的卸載決策進行比較，比較指標主要有：迭代次數(shù)、任務量、種群數(shù)量、能耗、時延、系統(tǒng)效用。

4.2.1 迭代次數(shù)的影響

設任務量為10，種群數(shù)量為100。如圖4所示，展示了6種卸載決策在迭代次數(shù)從10增加到120，其系統(tǒng)效用的變化情況。當計算任務全部在本地執(zhí)行(All-Local)時，系統(tǒng)效用全為0，這和系統(tǒng)效用函數(shù)的設計有關，同時也代表任務全部在本地執(zhí)行是最不理想的卸載方案。當?shù)螖?shù)小于等于30時，binAD算法對應的系統(tǒng)效用值有所波動，這是因為迭代次數(shù)較小，算法的搜索能力較弱，但當?shù)螖?shù)大于30時，系統(tǒng)效用就趨于穩(wěn)定，維持在0.32～0.35之間?？傮w來說，binAD算法在迭代次數(shù)對系統(tǒng)效用的影響中表現(xiàn)比BABC、Random、Full-Off、All-Local都好。

圖4 迭代次數(shù)對系統(tǒng)效用的影響

4.2.2 種群數(shù)量的影響

本小節(jié)主要分析種群數(shù)量對時延、能耗、系統(tǒng)效用的影響。設置迭代次數(shù)為100，任務量為50。

種群數(shù)量對時延的影響如圖5所示。從圖5可知，All-Local的時延遠遠大于另外5種方案，這是因為本地移動終端設備自身條件受限，若執(zhí)行大量任務會帶來高時延。IbinABC、BABC和Random這3種算法的時延差距不太明顯，但IbinABC相較于BABC和Random表現(xiàn)略好，且隨著種群數(shù)量的增加，時延變化不大，比較平穩(wěn)。Full-Off和binAD的時延明顯低于另外4種方案，F(xiàn)ull-Off時延較小是因為任務全部卸載到高性能的邊緣服務計算，大大減少了任務計算時間，而binAD算法的時延和Full-Off接近，說明卸載決策偏向于將任務卸載，但是并不是完全卸載，是因為尋到最優(yōu)的卸載方案。binAD算法的時延沒有隨著種群數(shù)量的增加而波動，說明算法的穩(wěn)定好，全局搜索能力強。

圖5 種群數(shù)量對時延的影響

種群數(shù)量對能耗的影響如圖6所示。從圖中可以看出，All-Local的能耗較大，且遠遠高于另外5種方案，這是因為本地移動終端設備計算能力、內(nèi)存等自身條件不足。相比binAD、IbinABC、BABC、Random算法，F(xiàn)ull-Off的能耗也較高，因為卸載的任務數(shù)據(jù)量太大，導致上傳數(shù)據(jù)的能耗增大。種群數(shù)量的變化對Random的能耗影響不大，隨機算法具有盲目性且沒有收斂性。當種群數(shù)量小于120時，BABC的能耗有下降趨勢，但當種群數(shù)量大于120時，最優(yōu)解的搜索范圍增加，反而使BABC找尋最優(yōu)解的能力降低。binAD和IbinABC隨著種群數(shù)量的增加，能耗都明顯低于另外4種方案，且表現(xiàn)穩(wěn)定，說明這兩個算法的全局搜索能力和穩(wěn)定性都較好，只是IbinABC在種群數(shù)量大于160時，能耗的波動較大。

圖6 種群數(shù)量對能耗的影響

種群數(shù)量對系統(tǒng)效用的影響如圖7所示。由于系統(tǒng)效用函數(shù)的設計，任務全部在本地執(zhí)行計算方案的系統(tǒng)效用依然為0。隨著種群數(shù)量的增加，BABC和Random的系統(tǒng)效用都呈上升趨勢，且差距不大，但是相較于binAD、IbinABC和Full-Off系統(tǒng)效用表現(xiàn)不好。IbinABC和Full-Off的系統(tǒng)效用雖然優(yōu)于All-Local、BABC和Random，但binAD算法的系統(tǒng)效用表現(xiàn)更好，且明顯高于另外5種卸載方案。當種群數(shù)量大于120時，binAD算法表現(xiàn)非常穩(wěn)定，沒有隨著種群數(shù)量的增大而波動。綜上，binAD算法算法的穩(wěn)定好，且全局搜索能力強，全局尋優(yōu)能力強。

圖7 種群數(shù)量對系統(tǒng)效用的影響

4.2.3 任務量的影響

本小節(jié)主要分析任務量對時延、能耗、系統(tǒng)效用的影響。設置迭代次數(shù)為100，種群數(shù)量為50。

從圖8任務量對時延的影響可以看出，隨著任務量的增加，各種方法生成的計算卸載決策在時延上都隨之增大。由于移動終端設備的計算能力有限，隨著任務量的增加，移動終端設備的負載增加，所以All-Local的時延明顯高于另外5種卸載方案。在任務量小于40時，binAD、IbinABC、BABC、Random、Full-Off的時延差距不大，但當任務量大于40時，binAD和Full-Off的時延明顯低于IbinABC、BABC、Random。binAD算法的時延和Full-Off接近，這里再次說明binAD卸載決策偏向于將任務卸載，但是并不是完全卸載，是因為尋到最優(yōu)的卸載方案。

圖8 任務量對時延的影響

從圖9任務量對能耗的影響可以看出，隨著任務量的增加，各種方法生成的計算卸載決策在能耗上都隨之增大。其中，All-Local的能耗明顯高于另外5種卸載方案。而binAD、IbinABC、BABC、Random、Full-Off這5種卸載的方案的能耗差距不明顯。隨著任務量的增加，binAD算法在能耗方面表現(xiàn)一般。

圖9 任務量對能耗的影響

如圖10任務量對系統(tǒng)效用的影響所示。由圖可知，除了All-Local其余5種卸載方案的系統(tǒng)效用都有降低趨勢，這是因為各種方法生成的計算卸載決策在時延和能耗都隨任務量的增加而增大，則系統(tǒng)效用函數(shù)值隨之降低。其中，binAD算法在任務量大于50時，其系統(tǒng)效用表現(xiàn)平穩(wěn)，說明該算法在大量計算任務情況下，全局搜索能力強。binAD算法雖然在圖9能耗方面表現(xiàn)一般，但是在圖8時延方面表現(xiàn)不錯，因此binAD算法在系統(tǒng)效用優(yōu)于其它5種卸載方案。

圖10 任務量對系統(tǒng)效用的影響

5 結束語

本文采用binAD算法解決邊緣計算中的卸載決策問題。以最大化移動終端設備系統(tǒng)效用為目標，制定邊緣計算卸載決策優(yōu)化問題。為了克服BABC和BDE兩種算法的缺點，將二者相結合，并改進其中的變異操作和交叉概率因子，得到binAD算法，該算法擴大了可行解范圍、全局搜索能力強、穩(wěn)定性好。binAD算法在時延和系統(tǒng)效用方面可以取得較好的結果，但在能耗方面表現(xiàn)一般。由于本文提出的binAD算法在能耗方面表現(xiàn)一般，未來可在能耗方面繼續(xù)研究，實現(xiàn)更優(yōu)的邊緣計算卸載決策。