基于PD-BPSO算法的计算卸载策略

２０２０年第３９卷第１１期 传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）檸檸檸檸檸檸檸檸檸檸檸檸殠殠
殠
殠
计算与测试
ＤＯＩ：１０．１３８７３／Ｊ．１０００—９７８７（２０２０）１１—０１０３—０４
基于ＰＤ ＢＰＳＯ算法的计算卸载策略
薛建彬１，２
，刘星星１
（１．兰州理工大学计算机与通信学院，甘肃兰州７３００５０；２．东南大学移动通信国家重点实验室，江苏南京２１００９６）
摘　要：基于移动边缘计算（ＭＥＣ）环境下的计算卸载技术有效缓解了传统无线网络数据中心的处理压力，提升了系统服务质量。

针对计算密集型任务卸载使得移动终端设备能量消耗大的问题，提出了一种基于种群多样性－二进制粒子群算法（ＰＤ ＢＰＳＯ）的计算卸载策略。

首先建立多目标约束下终端设备执行任务时的能耗模型；其次采用粒子群优化算法将任务的卸载转化为粒子寻优过程，并获得在寻求能耗最小化下的最优卸载决策。

仿真结果表明：所提卸载策略能够在保证用户服务质量的同时有效降低终端设备能耗。

关键词：移动边缘计算；计算卸载；粒子群优化；能耗；种群多样性
中图分类号：ＴＮ９２９．５；ＴＰ３９３ 文献标识码：Ａ 文章编号：１０００—９７８７（２０２０）１１—０１０３—０４
ＣｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇｓｔｒａｔｅｇｙｂａｓｅｄｏｎＰＤ ＢＰＳＯａｌｇｏｒｉｔｈｍ
ＸＵＥＪｉａｎｂｉｎ１，２，ＬＩＵＸｉｎｇｘｉｎｇ
１
（１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌａｎｚｈｏｕ７３００５０，Ｃｈｉｎａ；２．ＮａｔｉｏｎａｌＭｏｂｉｌｅＣｏｍｍｕｎｉｃａｔｉｏｎｓＲｅｓｅａｒｃｈＬａｂｏｒａｔｏｒｙ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇｔｅｃｈｎｏｌｏｇｙｂａｓｅｄｏｎｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ（ＭＥＣ）ａｌｌｅｖｉａｔｅｓｔｈｅｐｒｏｃｅｓｓｉｎｇｐｒｅｓｓｕｒｅｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｗｉｒｅｌｅｓｓｎｅｔｗｏｒｋｄａｔａｃｅｎｔｅｒａｎｄｉｍｐｒｏｖｅｓｔｈｅｓｙｓｔｅｍｓｅｒｖｉｃｅｑｕａｌｉｔｙｅｆｆｅｃｔｉｖｅｌｙ．Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｃｏｍｐｕｔａｔｉｏｎａｌｌｙｉｎｔｅｎｓｉｖｅｔａｓｋｏｆｆｌｏａｄｉｎｇｍａｋｅｓｔｈｅｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｏｆｍｏｂｉｌｅｔｅｒｍｉｎａｌｄｅｖｉｃｅｓｂｅｃｏｍｅｈｉｇｈｅｒ，ａｃｏｍｐｕｔｉｎｇｏｆｆｌｏａｄｉｎｇｓｔｒａｔｅｇｙｂａｓｅｄｏｎｐｏｐｕｌａｔｉｏｎｄｉｖｅｒｓｉｔｙ ｂｉｎａｒｙｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＤ ＢＰＳＯ）ｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｍｏｄｅｌｆｏｒｔｈｅｔｅｒｍｉｎａｌｄｅｖｉｃｅｓｕｎｄｅｒｔｈｅｃｏｎｓｔｒａｉｎｔｏｆｍｕｌｔｉ ｏｂｊｅｃｔｉｓｅｓｔａｂｌｉｓｈｅｄ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｃｏｎｖｅｒｔｔｈｅｏｆｆｌｏａｄｉｎｇｏｆｔａｓｋｉｎｔｏｔｈｅｐａｒｔｉｃｌｅｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｓｓ，ａｎｄｏｂｔａｉｎｔｈｅｏｐｔｉｍａｌｏｆｆｌｏａｄｉｎｇｓｔｒａｔｅｇｙｗｉｔｈｓａｔｉｓｆｙｉｎｇｔｈｅｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｍｉｎｉｍｉｚａｔｉｏｎ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｏｆｆｌｏａｄｉｎｇｓｔｒａｔｅｇｙｃａｎｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｔｈｅｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｏｆｔｅｒｍｉｎａｌｄｅｖｉｃｅｓｗｈｉｌｅｇｕａｒａｎｔｅｅｔｈｅｓｅｒｖｉｃｅｑｕａｌｉｔｙｏｆｕｓｅｒｓ．
Ｋｅｙｗｏｒｄｓ：ｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ；ｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇ；ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）；ｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎ；ｐｏｐｕｌａｔｉｏｎｄｉｖｅｒｓｉｔｙ
０　引　言
随着物联网技术、无线通信技术的高速发展，智能移动设备及其新兴的应用程序呈现出爆发式增长的状态，如人脸识别、虚拟现实和自然语言处理等
［１，２］。

基于传统云计
算的集中式数据处理已难以匹配指数式增长的边缘数
据［３］
，因此，为了增大无线和计算资源利用率、降低网络负
载及系统能耗，欧洲电信标准化协会（ＥｕｒｏｐｅａｎＴｅｌｅｃｏｍｍｕ ｎｉｃａｔｉｏｎｓＳｔａｎｄａｒｄｓＩｎｓｔｉｔｕｔｅ，ＥＴＳＩ）于２０１４年提出了移动边缘计算（
ｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ，ＭＥＣ），依靠其计算卸载可以为贴近网络边缘侧的用户提供ＩＴ服务和云计算功能，有
效降低了数据中心的计算负载与带宽开销［４］。

然而，计算
密集型的任务卸载使得能量受限的终端设备产生了较大的
能耗，降低了用户体验质量［５，６］，因此，研究一种ＭＥＣ系统
架构下高效的计算卸载策略显得尤为重要。

在文献［７］中，ＧｕｏＨ等人研究移动云／边缘计算协同的计算卸载问题，设计了近似协同和博弈论协同的计算卸载方案。

文献［８］同时考虑能耗、时延和执行单元成本条件下，以移动终端能耗最小化为目标，
提出了一种任务卸载收稿日期：２０１９—０７—０１
基金项目：
国家自然科学基金资助项目（６１４６１０２６）；东南大学移动通信国家重点实验室开放研究基金资助项目（２０１４Ｄ１３）３
０１
传感器与微系统 第３９卷优化方案。

文献［９］研究工作流调度中的多个移动服务需求，提出了基于遗传算法的计算卸载策略。

在文献［１０］中，ＷａｎｇＹ等人研究基于部分计算卸载下的设备能耗与应用执行延迟最小化问题，提出了一种单变量搜索的局部最优卸载算法。

文献［１１］基于具有能量采集装置的ＭＥＣ系统，建立了卸载决策制定、
ＣＰＵ周期频率和功率控制的联合优化问题，提出了一种低复杂度的Ｌｙａｐｕｎｏｖ在线算法。

基于以上卸载问题的研究，本文针对多用户ＭＥＣ系统，提出一种基于种群多样性—二进制粒子群优化（ｐｏｐｕｌａ ｔｉｏｎｄｉｖｅｒｓｉｔｙ ｂｉｎａｒｙｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＤ ＢＰＳＯ）算法的计算卸载策略，旨在最小化设备执行任务卸载时的能量消耗。

该策略通过拓展Ｐ
ＳＯ算法，以及引入ＰＤ避免了卸载决策寻优过程中可能陷入局部最优的问题，提高了寻优精度并拥有更好的系统性能。

１　系统模型和问题提出
１．１　系统模型
考虑一个ＭＥＣ系统，移动终端设备可以通过无线网络与配备ＭＥＣ服务器的基站进行通信，其集合表示为Ｋ＝｛１，２，…，ｋ｝，终端设备可以将部分实时应用任务经数据链路卸载到边缘服务器执行，无需上传至核心云或在本地处理，极大地降低了系统网络开销、处理时延以及用户能量消耗。

将移动终端实时产生的应用数据记为Ｑｉ＝｛Ｄｉ，Ｃｉ
，Ｔｍａｘ
ｉ｝，即表示第ｉ个移动终端需要完成的计算任务，其中Ｄｉ
为需要计算的输入数据大小，Ｃｉ为完成计算任务所需的
ＣＰＵ周期数，Ｔｍａｘ
ｉ为完成计算任务的时延阈值。

假定ｓｉ为
移动终端ｉ的卸载决策，若该计算任务在用户设备执行，则令ｓｉ＝０，否则，ｓｉ＝
１。

１）本地计算模型
当任务在本地执行，即ｓｉ＝０时，以ｆｌｉ
和Ｆｌｉ
分别代表移动终端的计算能力（每秒／ＣＰＵ周期）及最大计算能力限制；ｔｌｉ
和ｅｌｉ
分别表示该任务在本地执行时所需的时间和能耗。

因此，任务本地执行的时间为
ｔｌ
ｉ
＝Ｃｉ
／ｆｌｉ
（１）
相应地，本地执行任务时移动终端的总能量消耗可表
示为
ｅｌｉ
＝ｋ（ｆｌｉ）２Ｃ
ｉ
（２）
式中　ｋ（ｆｌｉ
）２
为移动终端执行计算任务时每一个ＣＰＵ周期的能量消耗；ｋ为常数，取决于微型集成电路架构，通常取ｋ＝１０－２６。

２）边缘计算模型
当任务卸载至ＭＥＣ服务器执行，即ｓｉ＝
１时，将ＭＥＣ服务器的计算能力及其最大计算能力假设为ｆｃｉ、Ｆｃ
；ｒｕ表示上行链路的数据发送速率；以及ｔｃｉ、ｅｃｉ分别表示任务卸载至
ＭＥＣ服务器执行的时间与能耗。

其时间消耗包括传输时间与ＭＥＣ服务器执行时间两部分
ｔｃｉ＝Ｄｉ／ｒｕ＋Ｃｉ
／ｆｃ
ｉ（３）
同样地，移动终端的总能量消耗由数据传输能耗与移动设备空闲能耗两部分组成
ｅｃｉ＝ｐｉ（Ｄｉ／ｒｕ）＋ｐＩｉ
（Ｃｉ／ｆｃｉ）（４）
式中　ｐｉ为移动终端ｉ的发送功率，ｐＩ
ｉ为设备空闲时的功
率。

由于处理后的任务数据量级远小于任务产生时的数据量级。

因此，本文不再考虑计算结果返回终端过程中的时间与能耗。

１．２　问题提出
计算密集型的应用任务执行需要消耗较大的系统资源，以及产生较高的处理时延，ＭＥＣ系统的提出为解决这一难题提供了新的范例。

然而，边缘服务器的资源有限，密集的任务卸载会造成较高的网络负载及资源竞争，同样产生高时延、高能耗问题。

因此本文研究其最佳的卸载决策，在保证用户服务质量的同时最小化设备的能量消耗，联合多目标约束，将该优化问题表述为
Ｅ（ｓ）＝∑ｋ
ｉ＝１［（１－ｓｉ）ｋ（ｆｌｉ
）２
Ｃｉ＋ｓｉ（ｐｉＤｉｒｕ＋ｐＩｉＣｉｆｃｉ
）］（５）
ｓ．ｔ．　ｓｉ
∈｛０，１｝， ｉ∈Ｋ ｆｌｉ≤Ｆｌ
ｉ， ｉ∈Ｋ ∑ｋ
ｉ＝１ｆｃｉ
≤Ｆｃ ｓｉ（Ｄｉｆｌｉ＋Ｃｉｆｃｉ）＋（１－ｓｉ）Ｃｉｆｌｉ
≤Ｔｍａｘ
ｉ，
ｉ∈Ｋ上述优化模型中，ｓｉ＝｛ｓ１，ｓ２，…，ｓＫ｝代表卸载决策集合。

约束条件１表示每一个移动设备完成其任务的方式；约束条件２表示移动终端计算能力不超过其所允许的最大
计算能力；约束条件３表示每一终端设备获得ＭＥＣ服务器的计算资源不超过其最大资源限制；第４约束条件为任务执行时需满足的最大可容忍时延。

可以看出，每一个终端设备执行任务时有两种选择，即
在本地执行或卸载至边缘服务器执行，因此共有２ｋ
个卸载
决策。

由于卸载决策是一个二进制数组，所以该目标问题
属于非线性限制的０—１问题，其很难找到最优解。

因此，本
文通过设计基于ＰＤ ＰＳＯ算法，来进一步分析该问题。

２　算法描述
２．１　基于ＰＳＯ算法的卸载决策转化
在进行计算密集型应用任务卸载时，可将该过程看作不同的任务粒子去选择自己最佳的位置，以及在不同条件下快速搜寻符合场景的位置集合。

因此，首先本文研究拟应用ＰＳＯ方法来实现卸载决策的制定同这种动态搜索过程的转换。

４０１
第１１期 薛建彬，等：基于ＰＤ ＢＰＳＯ算法的计算卸载策略
ＰＳＯ算法是依据鸟类的觅食行为，将问题的搜索空间比作鸟类的飞行空间，将每只鸟抽象为一个微粒，用以表示对目标食物的搜寻，则优化所需的最优解即是鸟将寻找的食物。

该算法中，依据目标函数得到其相应的适应度值。

粒子通过跟踪其本身找到的最优解即个体极值ｐｂｅｓｔ与整个种群目前找到的最优解即全局极值ｇｂｅｓｔ来更新自己的位置。

其粒子的速度和位置可表示为
ｖｉ（ｔ＋１）＝ｗｖｉ（ｔ）＋ｃ１ｒ１［ｐｂｅｓｔｉ－ｘｉ
（ｔ）］＋　ｃ２ｒ２［ｇｂｅｓｔ－ｘｉ
（ｔ）］（６）ｘｉ（ｔ＋１）＝ｘｉ（ｔ）＋ｖｉ
（ｔ＋１）（７）
式中　ｗ为权重因子；ｃ１和ｃ２为加速常数；ｒ１和ｒ２为随机
数；ｘｉ和ｖｉ为粒子的位置和速度。

为避免粒子群算法陷入局部最优。

在任务粒子的卸载过程中，表现为部分用户获得了极佳的卸载资源，造成卸载不公等的现象，而粒子的聚集程度是导致这种寻优精度较低的主要因素。

鉴于Ｐ
Ｄ表示群体中各个体间的分布离散程度，因此，本文利用ＰＤ来引导算法的寻优过程。

ＰＤ公式如下
Ｄ（ｔ＋１）＝１ｎ－１∑ｎ
ｉ＝
１（ｄｉ（ｔ＋１）２
－ｄｉ
（ｔ＋１槡
））（
８）式中　Ｄ（ｔ＋１）为第ｔ＋１次迭代粒子群的ＰＤ；ｄｉ（ｔ＋１）为第ｔ＋１次迭代第ｉ个粒子与其他粒子之间最小的欧氏距离；ｄｉ（ｔ＋１）为所有ｄｉ（ｔ＋１）的平均值；ｎ为了粒子群规模大小。

由于粒子在每一次迭代过程中，是通过更新自身的速度和位置实现寻优的，而作为边缘系统的卸载决策，粒子的位置更新主要受ｖｉ和ｗ的影响，同时，ＰＳＯ算法本身计算速度相对较快，粒子的位移量对算法的收敛性表现出关键作用，因而，惯性权重的自适应选择在本算法中显得极其重要。

故进一步地，定义基于ＰＤ的惯性权重函数ｗｉ（ｔ＋１）＝ｗｉ
（ｔ）（ｅｘｐ（１
Ｄ（ｔ＋１）＋１－１）＋１）， Ｄ
（ｔ＋１）≥Ｄ（ｔ）ｗｉ
（ｔ）（ｅｘｐ（１
Ｄ（ｔ＋１）＋１
－１））， Ｄ（ｔ＋１）＜Ｄ（ｔ
）
（９）
定义非线性函数Ｙ１（ｔ＋１）＝ｅｘｐ（１
Ｄ（ｔ＋１）＋１－１）＋１，Ｙ２
（ｔ＋１）＝ｅｘｐ（１Ｄ（ｔ＋１）＋１－１），则有第ｉ个粒子在第ｔ＋１次迭代的惯性权重表示为：ｗｉ（ｔ＋１）＝ｗｉ（ｔ）Ｙ（ｔ＋１），其不仅可以影响粒子速度，而且可以改善全局寻优和局部寻优的能力。

当种群多样性较好时，即Ｄ（ｔ＋１）＜Ｄ（ｔ），代表粒子分布更加均匀，只需通过减小惯性权重降低粒子的飞行速度，使得粒子找到更优的个体极值和全局极值，增强
粒子的局部寻优能力；否则需增加粒子速度，增强全局寻优能力。

２．２　最优卸载决策
通过上述粒子的寻优过程可以获得在全局意义下任务卸载粒子的优化集合，得到基于目标函数下的适应度值，从而最小化系统用户能耗。

然而，上述算法过程描述的是一个连续空间，不能代表离散空间的寻优问题，而卸载决策属于离散情况中的二进制变量。

因此，为将该问题转化为非
线性限制的０—１问题，本文对其离散化处理，以将粒子位置
转化为二进制量。

具体地，设定粒子在离散二进制空间内趋于选择０或者１，同时将由ＰＤ引起的速度变化作为参数，定义一个Ｓ
ｉｇｍｏｉｄ函数。

表示如下Ｓ（ｖｉ
（ｔ＋１））＝１
１＋ｅｘｐ（－ｖｉ
（ｔ＋１））（１０）
上式可以看出，粒子速度越大，则粒子位置为１的可能性越大；否则，粒子位置为０。

因此，该函数的更新过程可表示为
ｘｉ
（ｔ＋１）＝１，ρ＜Ｓ（ｖｉ（ｔ＋１））０，{
ｏｔｈｅｒｗｉｓｅ
（１１）
式中　ρ为［０，１］之间的随机常数。

当ρ＜Ｓ（ｖｉ，ｊ（ｔ＋１））时，即表示粒子位置为１，代表了任务将卸载至ＭＥＣ服务器执行：ｓｉ＝１；否则，粒子位置为０时，任务在本地执行：ｓｉ＝０。

其算法实现流程如图１所示。

!"
#"$%& ' ' ()*
)*+,-./0%&1-234)*56+,-.7
89 2
/0 ':;%&34
<=>?@A
BC
图１　算法流程图
３　仿真结果
３．１　实验设置
为验证本文ＰＤ ＢＰＳＯ算法性能，利用ＭＡＴＬＡＢ２０１６ａ软件平台进行了一系列仿真实验。

仿真场景包括１个ＭＥＣ服务器，边缘基站覆盖范围为半径１００ｍ的区域。

粒子群种群规模为３０，加速常数取ｃ１＝ｃ２＝２，随机数ｒ１和ｒ２均匀分布于［
０，１］。

假定终端设备产生数据大小在［１００，３０００］ｋＢ范围之内，计算数据所需的ＣＰＵ周期数为［０．５，１］ＧＨｚ，发送速率为２Ｍｂｐｓ。

仿真分析不同指标下的系统性能并与采用贪婪算法、ＰＳＯ算法的卸载方案进行了比较。

具体仿真参数设置：系统带宽为１０ＭＨｚ，高斯白噪声密度为
５
０１
传感器与微系统 第３９卷－１７４ｄＢｍＨｚ－１，最大可容忍时延为０．５ｓ，设备计算能力为
０．５～１ＧＨｚ，ＭＥＣ计算能力为４ＧＨｚ，发送功率为０．５Ｗ，设备空闲功率为０
．０１Ｗ。

３．２　实验结果及分析
图２（ａ）比较了ＰＤ ＢＰＳＯ算法与贪婪算法在传输速率Ｒ＝５００，１８００时的系统性能。

可以看出，当发送速率相同时，
ＰＤ ＢＰＳＯ算法与贪婪算法ＣＤＦ曲线几乎重合，说明两种算法均可以找到最优解；当发送速率不同时，随着数据传输速率增大，两种算法的数据发送速度增加，执行计算任务时的总能耗减小。

图２（ｂ）比较了三种算法在不同用户数目下的能耗关系。

对比得到，传统贪婪算法能耗显著高于ＰＤ ＢＰＳＯ算法与Ｐ
ＳＯ算法，这是由于贪婪算法未考虑计算资源利用率和寻优精度。

当移动终端数量ｋ＜２３时，ＰＤ ＢＰＳＯ算法与贪
婪算法的能耗增加，因为此时执行计算任务所需的资源充足，保证了系统中任务顺利执行；当ｋ＞２３时，ＰＤ ＢＰＳＯ算法与贪婪算法能耗曲线间隔逐渐增大，这是由于本文所提算法在提高寻优精度的同时，避免了计算资源的浪费，更适用于ＭＥＣ场景下的卸载决策优化问题。

图２
（ｃ）为不同信道发送速率对设备能耗的影响。

当任务在本地执行时，能耗与信道传输速率无关，本地执行能耗表现为水平直线。

随着信道传输速率增大，ＰＤ ＢＰＳＯ算法与贪婪算法的能耗曲线随之减小，这是由于信道传输速率越高，数据传输所耗费的时间越短。

当传输速率大于２５００ｋＢ／ｓ时，ＰＤ ＢＰＳＯ算法能耗减小的趋势越来越缓慢，两种算法的能耗曲线间隔越来越大，这是因为此时计算资源主要影响执行卸载的任务粒子数，表明了本文所提算法下的计算卸载性能高于传统贪婪算法。

!"#$$%&'$$%&$$$(&'##(&###'###
(#
%#!#!"#$)%*+),&
'()*)-./0&123+145+,-./+012345678'*!$%'%$('($'9:;(6<($
!$'$7$89:;12<+145+,-.=+,1145+,>8'*'()*=-
>$?$7$@$'$A$!$
%$
($
$B$$B%$BA $B@$B?(B$C 2D
'()*6-.EF;123+145+,?.=+,>8C2D .=+, G(;?$$
123+145; G(;?$$.=+, G'$$123+145; G'$$
.=+,123+145145
.=+,
123+1453456
图２　仿真实验结果
４　结　论
本文针对ＭＥＣ网络系统中移动设备的能耗最小化问题，提出了一种基于ＰＤ ＢＰＳＯ算法的任务卸载策略，该策略通过应用Ｐ
ＳＯ优化算法将计算卸载问题转化为粒子的位置寻优模型，并进一步通过离散化处理获得符合实际场景的二进制卸载决策集合。

仿真结果表明：与采用贪婪算法、ＰＳＯ算法的卸载方案相比，本文所提卸载策略ＰＤ ＢＰＳＯ算法可以有效降低移动终端设备能耗，性能更优。

参考文献：
［
１］　ＮＩＮＧＺ，ＨＵＸ，ＣＨＥＮＺ，ｅｔａｌ．Ａｃｏｏｐｅｒａｔｉｖｅｑｕａｌｉｔｙ ａｗａｒｅｓｅｒｖｉｃｅａｃｃｅｓｓｓｙｓｔｅｍｆｏｒｓｏｃｉａｌＩｎｔｅｒｎｅｔｏｆｖｅｈｉｃｌｅｓ［Ｊ］．ＩＥＥＥＩｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓＪｏｕｒｎａｌ，２０１７，５（４）：２５０６－２５１７．
［２］　ＨＵＡＮＧＪ，ＸＩＮＧＣＣ，ＷＡＮＧＣ．Ｓｉｍｕｌｔａｎｅｏｕｓｗｉｒｅｌｅｓｓｉｎｆｏｒｍａ
ｔｉｏｎａｎｄｐｏｗｅｒｔｒａｎｓｆｅｒ：Ｔｅｃｈｎｏｌｏｇｉｅｓ，ａｐｐｌｉｃａｔｉｏｎｓ，ａｎｄｒｅｓｅａｒｃｈｃｈａｌｌｅｎｇｅｓ［Ｊ］．ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓＭａｇａｚｉｎｅ，２０１７，５５（１１）：２６－３２．
［３］　ＺＨＡＮＧＪ，ＸＩＡＷ，ＹＡＮＦ，ｅｔａｌ．Ｊｏｉｎｔｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇ
ａｎｄｒｅｓｏｕｒｃｅａｌｌｏｃａｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎｉｎｈｅｔｅｒｏｇｅｎｅｏｕｓｎｅｔｗｏｒｋｓｗｉｔｈｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１８，６：１９３２４－１９３３７．
［４］　林涛，秦冬阳，马同宽，等．基于博弈论的移动边缘计算任务
调度研究［Ｊ］．计算机仿真，２０１８，３５（１１）：３８７－３９１．［５］　朱正伟，刁小敏，郭晓，等．基于改进混合粒子群优化算法的
移动节点部署研究［Ｊ］．传感器与微系统，２０１８，３７（６）：１５０－１５２．
［６］　ＨＡＯＹ，ＣＨＥＮＭ，ＨＵＬ，ｅｔａｌ．Ｅｎｅｒｇｙｅｆｆｉｃｉｅｎｔｔａｓｋｃａｃｈｉｎｇａｎｄ
ｏｆｆｌｏａｄｉｎｇｆｏｒｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１８，６：１１３６５－１１３７３．
［７］　ＧＵＯＨ，ＬＩＵＪ．Ｃｏｌｌａｂｏｒａｔｉｖｅｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇｆｏｒｍｕｌｔｉ
ａｃｃｅｓｓｅｄｇｅｃｏｍｐｕｔｉｎｇｏｖｅｒｆｉｂｅｒ ｗｉｒｅｌｅｓｓｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０１８，６７（５）：４５１４－４５２６
．［８］　ＬＩＴＺ，ＷＵＭＱ，ＺＨＡＯＭ．Ｃｏｎｓｕｍｐｔｉｏｎｃｏｎｓｉｄｅｒｅｄｏｐｔｉｍａｌ
ｓｃｈｅｍｅｆｏｒｔａｓｋｏｆｆｌｏａｄｉｎｇｉｎｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ［Ｃ］∥２０１６２３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＴ），ＩＥＥＥ，２０１６：１－６．
［９］　董浩，张海平，李忠金，等．移动边缘计算环境下服务工作流
的计算卸载［Ｊ］．计算机工程与应用，２０１９，５５（２）：３６－４３．［１０］ＷＡＮＧＹ，ＳＨＥＮＧＭ，ＷＡＮＧＸ，ｅｔａｌ．Ｍｏｂｉｌｅ ｅｄｇｅｃｏｍｐｕｔｉｎｇ：
Ｐａｒｔｉａｌｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇｕｓｉｎｇｄｙｎａｍｉｃｖｏｌｔａｇｅｓｃａｌｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１６，６４（１０）：４２６８－４２８２．
［１１］ＭＡＯＹ，ＺＨＡＮＧＪ，ＬＥＴＡＩＥＦＫＢ．Ｄｙｎａｍｉｃｃｏｍｐｕｔａｔｉｏｎｏｆｆ
ｌｏａｄｉｎｇｆｏｒｍｏｂｉｌｅ ｅｄｇｅｃｏｍｐｕｔｉｎｇｗｉｔｈｅｎｅｒｇｙｈａｒｖｅｓｔｉｎｇｄｅｖｉｃｅｓ［Ｊ］．ＩＥＥＥＪｏｕｒｎａｌｏｎＳｅｌｅｃｔｅｄＡｒｅａｓｉｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１６，３４（１２）：３５９０－３６０５．
作者简介：
薛建彬（１９７３－），男，教授，博士生导师，主要研究领域为物联网技术、无线通信理论与技术、移动边缘计算等，Ｅ—ｍａｉｌ：ｍｉｎｕｏｌｘ＠１６３．ｃｏｍ。

刘星星（１９９３－），女，硕士研究生，研究方向为移动边缘计算。

６
０１。