具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

为了解决现有的单业务卸载模型不能真实反映移动终端的业务产生情况，也没有实现终端接入选择和业务卸载决策的联合优化，从而所求解的优化结果无法使系统性能最优，不易于应用到实际场景的技术问题，本发明提供了一种面向终端多业务模型的联合优化方法，其整体思路在于：对终端业务模型进行优化，使该模型能够真实反映终端的业务产生情况；在终端多业务模型的约束下，建立优化模型，同时以终端接入选择、业务卸载决策和资源部署策略作为优化模型的变量，以实现终端接入选择、业务卸载决策和资源部署策略的联合优化，并根据数字变量和连续变量对优化模型分解后分别求解，以降低模型的求解难度，最终得到易于应用于实际场景的优化结果。

在详细解释本发明的技术方案之前，先结合图1对本发明所涉及的移动边缘计算场景进行简要介绍：

如图1所示，移动边缘计算场景包括控制层、边缘计算层和终端层。控制层包括中央控制器，其能够接收来自边缘计算层和终端层的网络信息。边缘计算层中有M个接入点(AP)，表示为每个接入点对应一个边缘服务器(MEC)，接入点i的边缘服务器的最大计算频率为F_i ^max；AP在每个子信道上的最大发送功率相同，为P_i ^max。终端层中分布着N个移动终端，表示为每个移动终端都有多个独立的计算密集型业务等待处理，终端j产生的业务数为α_j；终端j的最大本地计算频率为最大发送功率为终端j上业务k(k∈{1,2,……α_j})使用三元组{u_jk,c_jk,d_jk}表示，u_jk、c_jk和d_jk分别表示执行该业务需要的输入数据量大小、执行该业务需要的CPU周期数以及该业务计算结果的数据量大小。

在传统的单业务卸载模型中，终端j上的α_j个业务会被当做一个整体，统一被卸载到AP上进行处理，或者在终端j本地执行；与之不同的是，本发明所提出的终端多业务模型中，会为终端j中每一个业务分别制定业务卸载决策，每一个业务可以独立地被卸载到A上进行处理，或者独立地在终端j本地执行，该模型真实反映终端的业务产生情况。

以下实施例中，以ρ_ij∈{0,1}表示移动终端j是否接入到接入点i；当ρ_ij＝1时，表示接入点i与移动终端j相连接；当ρ_ij＝0时，表示接入点i与移动终端j不相连；每个终端在一个时隙内不能切换连接的AP，且终端每一时刻只能接入到一个AP上，所以终端的接入方式满足

以m_jk∈{0,1}表示终端j上业务k的卸载策略；当m_jk＝1时，表示终端将该业务卸载到连接的AP上进行处理；当m_jk＝0时，终端在本地处理该业务。

以下为实施例。

实施例1：

一种面向终端多业务模型的联合优化方法，如图2所示，包括：

以终端接入选择、业务卸载决策和资源部署策略为变量，以最小化系统加权能耗为目的，按照预设的约束条件建立联合优化模型P1；预设的约束条件包括：每个终端在同一个时隙只能接入到一个接入点，同一个终端中的多个任务可以独立地选择卸载到所连接的接入点进行处理或者在本地执行；

对联合优化模型P1进行分解，使整数变量与连续变量分离，得到用于对终端的接入选择业务和业务卸载决策进行联合优化的子模型P2，和用于对资源部署策略进行优化的子模型P3；

求解子模型P2和子模型P3，得到终端接入选择、业务卸载决策和资源部署策略的优化结果，实现对终端接入选择、业务卸载决策和资源部署策略的联合优化。

本实施例以每个终端在同一个时隙只能接入到一个接入点、同一个终端中的多个任务可以独立地选择卸载到所连接的接入点进行处理或者在本地执行作为联合优化模型的其中两个约束条件，即按照上述终端多业务模型为所建立的联合优化模型P1提供了约束，从而联合优化模型P1也能够根据移动终端业务产生的实际情况进行优化；本实施例所建立的联合优化模型P1，同时以终端接入选择、业务卸载决策和资源部署策略为变量，通过求解该模型，能够实现对终端接入选择、业务卸载决策和资源部署策略的联合优化；本实施例中，资源部署策略包括：上行信道的单位比特传输时间、下行信道的单位比特传输时间，终端计算频率和边缘服务器计算频率分配变量；

联合优化模型P1的建立过程如下：

(1)建立上、下行信道模型：

根据香农公式，可以得到相应链路的信道容量，并将该信道容量作为信道上数据的传输速率，上行信道上数据的传输速率和下行信道上数据的传输速率分别表示为：

其中，N₀表示加性高斯白噪声(AWGN)的功率谱密度；W^ul和W^dl分别表示上行信道和下行信道的单位子载波带宽；接入点i接入到终端j时，终端j和接入点i的发送功率分别为和对应的信道上的信道增益分别为和

使用发送功率作为变量时，在确定了接入选择和业务卸载决策的情况下，问题依然非凸，常规方法难以求解；使用单bit传输时延变量代替发送功率作为优化变量后，在确定了接入选择和业务卸载决策的情况下，问题是凸的，可以使用凸优化方法进行求解，因此，引入单bit传输时延变量作为优化变量有助于之后的优化求解。所以引入上下行传输的单bit传输时延变量和单bit传输时延与传输速率是互为倒数的关系，即：

则，发送功率使用单位bit传输时延表示为：

终端j将业务数据传输到服务器的时延和业务处理结果的传输时延分别为：

终端j将业务数据传输到服务器的时延和业务处理结果的传输能耗分别为：

(2)建立业务处理模型：

业务存在两种处理方式：本地处理、卸载到边缘服务器。

终端j的业务在本地处理的时延和能耗分别为：

其中，表示终端j当前的本地CPU计算频率，是与终端j芯片类型相关的常数。

终端j的业务k在边缘服务器的处理时延和能耗分别为：

其中，f_ij表示接入点i的边缘服务器分配给终端j的CPU计算频率，k_i是与接入点i芯片类型相关的常数。

(3)建立相应约束：

本实施例中，联合优化模型P1的约束条件除了以上提及的每个终端在同一个时隙只能接入到一个接入点，同一个终端中的多个任务可以独立地选择卸载到所连接的接入点进行处理或者在本地执行外，还包括以下约束条件：

终端的计算频率非负，且不能超过最大计算频率；

边缘计算器的计算频率约束；

上、下行信道的单位比特传输延迟不能小于最大功率下的传输延迟；

每个接入点接入的设备不可以超过其最大可用子载波数；

终端的业务处理时延不能超过单位时隙长度；

各约束条件的相应计算方式如下：

已知时隙长度为T_s，终端j处理完所有业务的时延可以表示为：

其中，表示终端j将业务卸载到边缘服务器的总时延。

而总处理时延不能超过时隙长度，所以终端j的时延约束为：

ρ_ij表示终端的接入选择，同一时刻，终端只能接入到一个基站上，且一个基站接入的终端数量不能超过基站的可用子载波数，所以有：

终端和基站的发送功率不能超过其最大发送功率，所以对应的单位比特传输时延约束为：

(4)将最小化系统加权能耗作为优化目标，终端j的效用函数为：

其中，表示终端j处理业务的能耗， 表示总的运营商能耗，β_j∈[0,1]表示终端j对运营商节能的偏好，终端的电量充足时，可以设置较大的β_j；而终端电量不足时，β_j较小，直至减小为0；因为移动终端大多为电池供电，应该尽量优先降低终端的处理能耗，所以设置β_j∈[0,1]可以保证运营商能耗的偏好小于终端处理能耗，在降低系统加权能耗的同时，更倾向于降低终端能耗；

系统的效用函数和为：

(5)构建最小化系统加权能耗问题，相应的所建立的联合优化模型P1为：

其中，ρ,m,τ^ul,τ^dl,f^loc,f分别为ρ_ij、m_jk、和f_ij的集合，分别表示终端接入选择、业务卸载决策、上行信道的单位比特传输时间、下行信道的单位比特传输时间，终端计算频率和边缘服务器计算频率分配变量；表示终端j的最大本地计算频率，F_i ^max表示接入点i的边缘服务器的最大计算频率，表示终端j的最大发送功率，P_i ^max表示接入点i在每个子信道上的最大发送功率，N_max表示接入点的可用子载波数；

联合优化模型P1的各约束条件中：C1表示终端的计算频率非负，且不能超过最大计算频率；C2、C3表示边缘服务器的计算频率约束；C4、C5表示上下行信道的单位比特传输延迟不能小于最大功率下的传输延迟；C6，C7表示每个终端同一时隙只能接入一个到AP；C8表示每个AP接入的设备不可以超过其最大可用子载波数；C9是一个0-1整数变量，表示终端j中的任务k可以选择卸载到所连接的接入点进行处理或者在本地执行；C10表示终端的业务处理时延不能超过单位时隙长度。这些约束条的设定，能够考虑终端多业务的卸载情况，并在业务时延约束下实现终端接入选择、业务卸载决策以及资源部署策略的联合优化。

联合优化模型P1较为复杂，求解难度较大，本实施例根据数字变量和连续对联合优化模型P1进行分解，之后再进行求解，能够有效降低模型求解难度；联合优化模型P1的变量中，终端接入选择和业务卸载决策为数字变量，资源部署策略为连续变量，对联合优化模型P1进行分解之后，用于对终端的接入选择业务和业务卸载决策进行联合优化的子模型P2为：

用于对资源部署策略进行优化的子模型P3为：

本发明对联合优化模型P1分解得到的子模型P2和P3中，P2为仅包含整数变量的模型，可使用启发式算法寻求次优解；P3为仅包含连续变量的模型，可以使用传统的凸优化方法得到全局最优解。

对子模型P3分析发现，在固定终端接入选择和业务卸载决策后，f^loc和{τ^ul,τ^dl,f}，之间不存在耦合关系，可以单独进行求解；为了进一步降低模型的求解难度，提高求解效率，作为一种优选的实施方式，本实施例会进一步对子模型P3进行分解，并基于分解结果进行求解；相应地，求解子模型P3，包括：

对子模型P3进行分解，使变量f^loc和{τ^ul,τ^dl,f}分离，得到用于对终端计算频率f^loc进行优化的本地处理能耗最小化优化模型P31，和用于对上行信道的单位比特传输时间τ^ul、下行信道的单位比特传输时间τ^dl和边缘服务器计算频率分配变量f进行联合优化的业务卸载能耗最小化优化模型P32；

将约束条件C10分解为约束条件C11和C12：

约束条件C11表示终端j所有本地处理业务的总处理时延不超过时隙长度，本地处理能耗最小化优化模型P31的约束条件包括约束条件C11；约束条件C12表示终端j所有卸载到边缘服务器的业务的总处理时延不能超过时隙长度，业务卸载能耗最小化优化模型P32的约束条件包括约束条件C12；

分别求解本地处理能耗最小化优化模型P31和业务卸载能耗最小化优化模型P32，得到上行信道的单位比特传输时间、下行信道的单位比特传输时间，终端计算频率和边缘服务器计算频率分配变量的优化结果；

本实施例对子模型P3进一步分解，得到本地处理能耗最小化优化模型P31和业务卸载能耗最小化优化模型P32，再分别求解，能够在保证对子模型P3的求解精度的情况下，有效降低求解难度，提高求解效率；

本地能耗最小化优化问题就是在确定了终端的业务卸载方式后，通过调整终端的本地计算频率，使终端在满足时延约束的前提下，达到本地处理能耗的最小值；本实施例中，本地处理能耗最小化优化模型P31为：

当本地能耗最小化优化问题有解时，终端能够在时隙长度内处理完所有产生的业务；从本地能耗最小化优化模型P31的目标函数可以看出，在确定的业务卸载方式下，终端的本地计算能耗与计算频率成正比；而终端业务在本地处理的时延与计算频率成反比，可以确定本地计算频率的最优解和本地最小计算能耗为：

业务卸载能耗最小化优化问题是在确定了终端的业务卸载方式后，通过优化终端与基站的单位比特传输时延(即等效为调整发送功率)，以及基站的频率资源分配，使得终端数据发送能耗与运营商能耗的加权总能耗最小；本实施例中，业务卸载能耗最小化优化模型P32为：

在确定了终端接入选择和业务卸载决策后，业务卸载能耗最小化优化问题已经是一个凸优化问题，相应地，业务卸载能耗最小化优化模型P32可以利用传统凸优化方法进行求解。

在分别求解本地处理能耗最小化优化模型P31和业务卸载能耗最小化优化模型P32之后，综合两个模型的求解结果，即可得到子模型P3的求解结果。

子模型P2可采用遗传算法等启发式算法寻求次优解，传统的遗传算法流程如图3所示，主要包括如下步骤：

(S0)利用随机方法产生初始种群；

(S1)计算种群中所有个体的适应度函数值；

(S2)如果循环轮次达到最大迭代次数，或者满足种群稳定条件，输出最优个体及其对应变量取值，否则继续执行步骤S3；

(S3)通过交叉变异和选择操作，产生新的种群，并返回步骤S1。

为了进一步提高优化效果，本实施例对传统的遗传算法进行了改进，提出了一种自适应遗传算法，用于对子模型P2进行求解，相应地求解过程包括：

(S0)以一组终端接入选择和业务卸载决策作为一个个体，每个个体对应一个双链编码的染色体，双链分别为终端接入选择链和业务卸载决策链；

(S1)利用随机方法产生初始种群，并计算每个个体的适应度；编码采用双链编码结构，终端接入选择链采用整数编码方式，业务卸载决策链采用二进制编码方式；个体的适应度为个体对应的系统加权能耗；

(S2)选中部分双亲染色体，根据双亲染色体适应度值中较小的适应度值f更新双亲染色体的交叉概率p_c和所得个体的变异概率p_m，使得适应度值f较小时，双亲染色体的交叉概率p_c和所得个体的变异概率p_m均较小；按照更新后的交叉概率p_c和变异概率p_m，进行交叉和变异操作，产生一些新个体，并结合精英保留策略产生新种群；

本实施例按照上述方式对交叉概率和变异概率进行更新，能够自适应模型的求解情况，使得较好的个体发生交叉和变异的概率较小，从而在求解过程中保留较好的个体，进一步保证模型的优化效果；

作为一种可选的实施方式，本实施例中，步骤(S2)中，更新后，双亲染色体的交叉概率p_c和所得个体的变异概率p_m，满足：

其中，f_min表示种群中适应度值的最小值，f_avg表示种群的适应度值平均值；p_cmax和p_cmin分别表示交叉概率的最大值和最小值，p_mmax和p_mmin分别表示变异概率的最大值和最小值；相应地，交叉概率p_c和变异概率p_m的变化曲线均与图4所示的变化曲线一致；

作为一种可选的实施方式，交叉时，终端接入选择链和业务卸载决策链采用不同的交叉方式，具体地，终端接入选择链采用两点交叉，如图5所示；业务卸载决策链采用均匀交叉的方式，如图6所示；这样的交叉方式组合与终端接入选择和业务卸载决策的数据特性相匹配，能够提高模型求解精度；

(S3)解码新种群中的每个个体，并计算其适应度值，若还未达到最大迭代次数，则转入步骤(S2)；否则，将适应度值最小的个体作为求解结果，子模型P2的求解结束。

本实施例在分别完成对子模型P2、子模型P3的求解之后，综合这两个模型的求解结果，即可得到联合优化模型P1的求解结果，实现对终端接入选择、业务卸载决策和资源部署策略的联合优化。之后，由中央控制器将联合优化结果通过控制指令传输到边缘计算层和终端层，使终端和边缘计算器按照相应的策略具体执行，即可实现对系统能耗的优化。

实施例2：

一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1提供的面向终端多业务模型的联合优化方法。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。