文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200113
中文引用格式： 閆偉，申濱，劉笑笑. 基于自適應遺傳算法的MEC任務卸載及資源分配[J].電子技術應用，2020，46(8)：95-100.
英文引用格式： Yan Wei，Shen Bin，Liu Xiaoxiao. Offloading and resource allocation of MEC based on adaptive genetic algorithm[J]. Application of Electronic Technique，2020，46(8)：95-100.
0 引言
近年來，隨著移動互聯網和智能終端的快速發展，越來越多的新型應用出現在人們的日常生活當中，例如，人臉識別、虛擬現實和增強現實等[1-2]。然而，由于移動設備的計算能力和電池續航能力有限，難以有效地處理這些應用。若將計算任務卸載到距離用戶較遠的云服務器可能會產生更高的時延從而影響任務的執行效率。針對以上問題，業界提出了移動邊緣計算的概念。移動邊緣計算(Mobile Edge Computing，MEC)是將具有存儲和計算能力的網絡設備實體部署在移動網絡邊緣，從而為移動網絡提供IT服務環境和計算能力[3]。MEC的關鍵技術主要包括任務卸載和資源分配兩個方面，任務卸載是指將計算密集型或延遲敏感型任務卸載到資源相對豐富的計算機或服務器中執行，以解決移動設備在存儲、計算等方面存在的缺陷[4-5]。此外，在多個用戶將其各自的計算任務從本地卸載到MEC服務器進行處理時，由此涉及有限的MEC服務器資源在各個用戶之間的分配問題。因此，MEC服務器的資源分配致力于解決移動設備在實現卸載后如何高效公平地分配資源以實現任務處理的問題。
針對MEC的任務卸載和資源分配問題，文獻[6]考慮了云服務器計算資源受限的約束，提出了多用戶場景下基于在線和離線的任務卸載決策算法，對計算任務進行云端處理和本地處理的劃分，并分別處理。文獻[7]提出了一種考慮前向鏈路和后向鏈路聯合優化的卸載決策問題，并通過改進的人工魚群算法對任務卸載過程中所產生的能量消耗進行優化。文獻[8]分別研究了在單小區和多小區場景下的任務卸載和資源分配問題，設計了系統總開銷函數(時延-能耗加權和)，并將用戶設備的電池剩余能耗引入到加權因子當中，通過凸優化理論與迭代搜索相結合方式的尋找最優解。然而文獻[6]、[7]僅關注用戶任務卸載決策，缺少優化資源分配或者考慮資源約束；文獻[8]只考慮了本地設備計算資源及無線資源的分配，而忽略了MEC服務器有限計算資源對任務卸載的影響。因此，無法完全保證能夠高效地利用MEC服務場景的對于眾多用戶而言仍顯得稀缺有限的無線資源和計算資源。
針對上述問題，本文提出首先采用自適應遺傳算法獲取卸載決策及后續的更新操作。在每一次卸載決策更新的情況下，將原問題分解為上行鏈路功率分配和計算資源分配兩個子問題，然后根據凸優化和準凸優化理論，利用二分搜索法和拉格朗日乘子法分別求出功率分配和計算資源分配的最優解。最后，通過迭代求解得到最優的卸載決策和資源分配結果。仿真結果表明，所提出的方案在保證用戶時延約束的同時，降低了系統總開銷，有效地提升系統的性能。
本文詳細內容請下載:http://m.jysgc.com/resource/share/2000002958
作者信息:
閆 偉，申 濱，劉笑笑
(重慶郵電大學 通信與信息工程學院，重慶400065)