基于深度强化学习多用户移动边缘计算轻量任务卸载优化

移动边缘计算(MEC)在提高移动设备的计算体验质量方面具有一定的应用前景.它可以为支持传统通信和MEC服务的切片式无线接入网提供紧密邻近的计算功能.然而,这种密集计算问题是一种高维的NP难问题,一些机器学习方法在解决该问题的时候不能取得良好的效果.针对这些问题,本文将最佳计算卸载问题建模为马尔可夫决策过程,目标是最大化长期效用性能,从而根据队列状态、能量队列状态以及移动用户与BS之间的信道质量做出卸载决策.为了降低状态空间中高维性的问题,提出了应用深度确定性策略梯度的基于候选网络优化边缘计算优化卸载ECOO算法,从而产生一种用于解决随机任务卸载的新型学习算法.通过仿真实验证明,ECOO算法在能耗和时延方面优于一些深度强化学习算法,在处理高维问题时效果更好.     

无人机配送系统中端边协同的并行任务调度算法

在无人机最后一公里配送场景中,现有的云计算架构存在高时延问题,无法满足人工智能应用的执行需求.边缘计算架构通过将计算资源下沉到边缘,以其低时延、高计算能力的特点,可以满足人工智能应用的需求.但是目前的研究大多局限于单个边缘服务器,缺少并行协同框架的设计.为了解决该问题,本文首先根据移动边缘计算环境和无人机最后一公里配送过程的特点,充分考虑边缘服务器的计算负载问题,设计了基于端边协同的多边缘服务器并行任务处理框架;然后在该框架上对最短响应时间优先的任务调度算法进行改进,设计了α-SSLF算法.该算法能够考虑在网络实时数据率不稳定的情况下,充分优化任务执行时间.结果表明,基于端边协同的多边缘服务器并行任务处理框架在处理时延上优于传统的串行任务处理框架.     

移动边缘计算环境下基于信任模型的可靠多重计算卸载策略

移动边缘计算环境下的计算卸载技术有助于解决移动终端在资源存储、计算性能等方面的不足。然而,在拥有大量计算资源的移动边缘计算环境中,边缘服务器、移动终端以及网络通信链路的不可靠性不可避免,而应用任务的执行失败对工作流任务调度将造成极大的影响。针对上述问题,首先借鉴社会学中的人际关系模型,同时考虑移动边缘计算环境下应用任务执行的特点,利用Bayes方法对移动终端、边缘服务器和云服务器的可信度分别进行评估,构建了移动边缘计算环境下各类计算资源之间的信任关系模型。其次,结合信任模型和基于多重计算卸载策略的时间开销计算方法,设计了评价计算卸载策略可靠性以及时间开销的适应度计算方法,提出了基于信任模型的可卸载边缘服务器选择算法。最后,结合工作流管理系统提出了移动边缘计算环境下基于信任模型的可靠多重计算卸载策略。通过仿真实验,证明了所提出的基于信任模型的可靠多重计算卸载策略算法能够以较小的时间开销为代价,有效提升应用任务的执行成功率。     

改进TD3的SDN车联网边缘计算卸载策略

针对车联网场景下计算任务卸载至远端云中造成的延迟波动和能耗增加问题，搭建了融合软件定义网络和移动边缘计算的车联网系统模型。为了最小化车联网中计算卸载的时延和能耗，设计了一种基于深度强化学习的动态计算卸载策略。该策略从计算任务的能耗和时延这两个维度进行建模，并提出在传统的双延迟深度确定性策略梯度的基础上加入Softmax和优先经验回放的改进算法(SP-TD3)。仿真实验结果表明，设计的计算卸载策略在不同车辆数下对于能耗和时延有较为优越的性能。     

生产环境下基于遗传算法的实时任务卸载算法

移动边缘计算(MEC)模式的出现使得移动设备(MD)可以将移动应用任务卸载至部署在网络边缘的演进型基站(eNB)上执行，从而有效降低MD的能耗与任务的延时。然而，不合理的任务卸载同样会造成MD的高能耗和任务的高延时。基于此，提出了一种实时任务卸载(RTO)算法，该算法能够在满足任务截止时间的限制条件下，最小化MD能耗。RTO在遗传算法(GA)的基础上，引入了动态电压调节技术(DVFS),并在编码策略中考虑了任务的执行位置和MD的计算频率。通过仿真实验，证明了RTO算法的可行性与有效性。     

移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略

深度神经网络因其强大的数据分析功能而被广泛使用在移动智能应用中,然而其计算任务的复杂性给计算能力与电池容量均有限的终端设备带来了巨大的挑战。若将深度神经网络中的计算任务完全卸载到云端,则会产生较高数据传输时延。移动边缘计算因其低时延、分布式、位置感知的优势能有效解决深度神经网络的时延和能耗问题。为了在保证用户时间约束的同时,充分优化终端设备能耗,建立了移动边缘计算环境中深度神经网络计算任务卸载的时间和能耗评价模型,基于该模型提出了移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略。该策略以神经网络层为单位,将深度神经网络中的计算任务进行拆分,在计算任务卸载时,对移动边缘计算环境中多重计算资源进行综合考虑。最后,提出了移动边缘环境中基于多重资源任务卸载的粒子群调度算法,该算法能在满足时间约束的同时,充分优化终端设备能耗。实验表明,与已有的3种任务卸载策略相比,新策略对应的粒子群调度算法所得适应度值最优,满足时间约束下,终端设备的能耗值最低。     

移动边缘计算中能耗优化的多重资源计算卸载策略

移动边缘计算环境中边缘设备的能耗优化主要采用计算卸载策略。然而目前常用的计算卸载策略大多只考虑单一的计算资源,没有对移动边缘计算环境中不同种类的计算资源进行综合考虑,无法在保证响应时间约束的情况下充分降低边缘设备能耗。为了解决这一问题,在移动边缘计算环境中提出一种多重资源计算卸载能耗模型,设计了一种新的评价边缘设备能耗的适应度计算方法,并结合工作流管理系统提出了移动边缘计算中能耗优化的多重资源计算卸载粒子群任务调度算法,该算法能够在考虑响应时间约束的情况下,充分降低移动终端能耗。实验表明,与已有4种计算卸载策略相比,新策略所对应的任务调度算法收敛稳定、适应度最优,在用户响应时间约束下,任务调度方案的边缘设备能耗值优于其他4种卸载策略。     

基于服务质量的能耗感知工作流卸载策略

移动设备的发展导致了各种计算密集型移动应用的激增，针对这类应用对移动设备计算能力和能耗的突出需求，利用近似计算优化处理工作流任务，引入服务质量(QoS)的角度限制优化处理程度，并提出一种基于服务质量的能耗感知工作流卸载策略(EA-QoS)。首先，EA-QoS对边缘节点按照单位负载传输能耗排序，对节点按能耗阈值进行分组并分配QoS等级。然后，对任务进行分层并利用HEFT算法生成就绪队列。最后，采用非支配排序遗传算法(NSGA-Ⅲ),在编码策略中通过对任务执行顺序、边缘节点和QoS等级进行整数映射，寻找任务最优调度方案。仿真实验结果表明，EA-QoS相较NSGA-Ⅲ和粒子群优化算法(PSO),工作流的能耗优化效果分别平均提升了12.02%和35.14%。     

改进遗传算法求解面向订单多目标排产问题

针对面向订单的多目标排产优化问题,综合考虑订单的延期成本、库存成本和生产单元的负载均衡,构建了面向订单的多目标排产优化的数学模型;针对上述模型设计了一种基于矩阵编码的改进遗传算法,并详细介绍了算法初始种群产生策略、行交叉算子、列交叉算子、行变异算子、列变异算子、适应度函数和选择算子的设计。通过实验对比,验证了提出的算法可以有效地解决面向订单生产的多目标排产优化问题,降低企业生产成本,充分利用生产资源。     

面向边缘侧卸载优化的工作流动态关键路径调度算法

移动边缘计算有助于减少工作流调动中用户终端的能耗和计算负担,但不合理的任务卸载会导致设备产生大量时间和能源的消耗。针对该问题,提出一种面向边缘侧卸载优化的工作流动态关键路径调度的两阶段算法,包括边缘侧卸载优化算法和基于本地计算量的动态关键路径调度算法。制定了边缘侧卸载优化的策略,该策略通过隐性马尔科夫预测得到可卸载eNB集并结合速度与偏移量预测筛选最优可调度eNB,以确保卸载成功率;同时在调度过程中通过动态更新关键路径,避免了关键路径变化对调度结果的影响。通过仿真实验证明了所提算法的有效性。相比传统优化算法,该算法能优化移动边缘环境下工作流12%的完工时间,并减少6%的能耗。     

移动边缘计算环境下面向安全和能耗感知的服务工作流调度方法

在移动边缘计算(MEC)环境中,用户将应用任务迁移至MEC端执行可以有效降低延时并减少能耗。然而,MEC环境面临潜在的恶意攻击,这些攻击可能导致隐私数据的丢失或泄露。基于此,提出了面向安全和能耗感知的服务工作流调度方法(SEA),该算法能在满足移动应用的风险率和截止时间限制条件下,最小化移动设备的能耗。SEA是基于粒子群优化算法,在编码中考虑了任务的调度位置、机密性服务和完整性服务。此外,还构建了新的安全模型,分别包括数据量、多核CPU、计算频率与安全开销之间的关系。最后,通过仿真实验证明了所提算法的可行性与有效性。     

混合时间窗下多中心混合车队车辆路径优化

针对混合时间窗下多中心混合车队车辆路径优化问题，综合考虑多中心联合配送、客户混合时间窗、配送中心运力平衡和车辆装载量对油耗的影响，构建以车辆派遣成本、油耗成本、电动车能耗成本和时间窗惩罚成本之和最小化为目标的优化模型。设计遗传—大邻域混合算法求解模型，该算法采用聚类法生成初始解，基于运力平衡的返回策略设计交叉和变异算子，并引入变邻域搜索结构和大邻域搜索算法的移除与插入算子进行搜索优化。通过对比和分析多组算例验证了算法的有效性，并分析了运力平衡策略和混合时间窗对制定配送方案的影响。研究成果可丰富车辆路径问题的相关研究，为物流企业优化决策配送方案提供了理论依据。     

低碳策略下的多目标柔性作业车间调度

为解决低碳策略下多目标柔性作业车间调度问题,在深入分析柔性作业车间多目标调度研究现状和不足的基础上,结合基于设备状态—能耗曲线的低碳策略,提出包括能源消耗、最大完工时间、加工成本和成本加权加工质量的多目标柔性作业调度模型。针对上述模型,设计了基于血缘变异的改进非支配排序遗传算法,该算法根据计算交叉染色体的血缘关系确定变异率,优化了交叉和变异策略,解决了算法的早熟问题。针对具体实例,构建了调度模型和算法,计算结果验证了算法的可行性和有效性。     

基于改进粒子群的WSN多路径路由算法（英文）

为解决无线传感器网络(Wireless sensor network, WSN)节点能量受限、负载不均衡的问题,提出了一种邻域子空间合作的多路径负载均衡路由算法。算法将节点一跳邻域靠近基站区域内的节点划分在不同区域中,采用改进的粒子群优化算法,以最短距离和最小能耗为优化目标,设计了一个适应度函数来寻找每个区域中的最优节点作为中继节点,通过中继节点所在的不同路径并行转发数据。仿真结果表明,该算法相较于其他负载均衡算法可以更好地降低节点能耗及平均端到端时延,从而使网络负载均衡,有效延长了网络生命周期。     

网络寿命最优的管道监测传感网节点部署研究

提出一种管道监测传感网中节点的优化部署方案,以降低天然气管道监测网络的节点能耗和延长网络寿命。采用一种新的性能指标——成本寿命作为优化目标,分析网络规模、节点间距以及数据传输结构对优化目标的影响,并建立求解节点部署优化问题的数学模型。模型的求解采用混合遗传算法,利用外点函数法修正不满足约束条件的解,同时把退火选择算子嵌入到实数编码的遗传算法中,增强其搜索能力。理论分析和实验结果表明,该方案不仅能够降低网络的节点能耗,平衡网络负载,而且对网络寿命有益处。     

基于量子位实数编码的优化算法及轧制规程多目标优化

针对热连轧轧制规程优化问题,以等功率裕量和轧制能耗为优化目标函数建立热连轧轧制规程多目标优化模型,提出基于量子位实数编码的热连轧轧制规程多目标优化算法。该算法将免疫遗传算法框架与量子计算思想相结合,采用量子位实数编码,利用量子态干涉进行遗传算子的交叉和变异,同时保证非支配解按拥挤距离选择优势免疫抗体种群,得到 Pareto 全局最优解集。以某轧钢厂热连轧精轧机组为例,验证本文所提及算法的有效性。实例分析表明,所提及的算法在寻优能力和收敛速度上均优于传统的NSGA-II算法,能够获得更好的Pareto解集,有效地解决热连轧轧制规程多目标优化问题,改善了轧制能耗。     

无线传感器网络混合路由算法研究

针对无线传感器网络具有带宽、时延、时延抖动等多Qo S约束特征,提出了一种基于蚁群算法的混合路由优化方法。该算法在对链路信息素浓度初始化时考虑了链路方向,并将交叉、变异以及选择等算子引入算法中以及应用多属性决策方法加权无线传感器网络路由特性从而获得路径综合评价指标。仿真试验结果显示本算法优于ACO、GA、GA-ACO三种算法,表明其具有较强的全局搜索能力与局部搜索能力。同时该算法具有较强的灵活性,且比较适合大规模无线传感器网络路由问题。     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

基于联邦学习的边缘智能协同计算与隐私保护方法

联邦学习中,终端将更新后的模型参数值,而不是原始数据传递至服务器,从而成为保障边缘计算中数据隐私安全的关键技术.因此,提出了基于联邦学习的边缘计算方法(FLBEC),在保护用户隐私的同时,减少终端参与联邦学习的开销.首先设计了基于联邦学习的边缘计算系统架构,提出了隐私保护机制.分析了终端参与联邦学习时间和能耗,提出了研究的目标,即保护边缘计算中用户隐私,同时在保证精度的前提下,减少联邦学习时间和能耗.然后,从参与者选择、本地更新和全局聚合3个方面提出了改进后的联邦学习算法.最后通过对比实验验证了在FLBEC算法中,绝大多数终端在达到目标精度的前提下可以大幅度地降低联邦学习时间和能耗,从而减少联邦学习开销,表明了FLBEC算法的优越性.     

基于联邦学习的边缘智能协同计算与隐私保护方法

联邦学习中,终端将更新后的模型参数值,而不是原始数据传递至服务器,从而成为保障边缘计算中数据隐私安全的关键技术.因此,提出了基于联邦学习的边缘计算方法(FLBEC),在保护用户隐私的同时,减少终端参与联邦学习的开销.首先设计了基于联邦学习的边缘计算系统架构,提出了隐私保护机制.分析了终端参与联邦学习时间和能耗,提出了研究的目标,即保护边缘计算中用户隐私,同时在保证精度的前提下,减少联邦学习时间和能耗.然后,从参与者选择、本地更新和全局聚合3个方面提出了改进后的联邦学习算法.最后通过对比实验验证了在FLBEC算法中,绝大多数终端在达到目标精度的前提下可以大幅度地降低联邦学习时间和能耗,从而减少联邦学习开销,表明了FLBEC算法的优越性.