移动边缘计算(Mobile Edge Computing,MEC)通过将计算任务卸载到边缘服务器,为用户提供了低延时、低能耗的服务,解决了传统云计算的不足。在移动边缘计算中,如何进行卸载决策是提供低延时、低能耗服务的关键技术之一。除此之外,由于无...移动边缘计算(Mobile Edge Computing,MEC)通过将计算任务卸载到边缘服务器,为用户提供了低延时、低能耗的服务,解决了传统云计算的不足。在移动边缘计算中,如何进行卸载决策是提供低延时、低能耗服务的关键技术之一。除此之外,由于无线信道的带宽资源有限,不合理的带宽分配会使用户设备的能耗和延时增加,因此如何进行合理的资源分配也是边缘计算实现的关键。为联合优化时延、能耗与计算资源,本文提出了一个基于蒙特卡洛树搜索的多通道探索算法(Multi-Channel Search Algorithm based on Monte Carlo Tree Search,MCS-MCTS)。首先,以延时和能耗的成本为优化目标,将计算资源分配决策及传输功率建模决策建模为凸优化问题,采用梯度下降法求解最优传输功率分配问题,通过拉格朗日乘子法及卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件求解最优计算资源分配问题。随后,通过MCS-MCTS算法处理二进制卸载决策问题,为避免搜索结果陷入局部最优,引入模拟退火算法。数值结果表明,MCS-MCTS算法能在线性相干时间内得到接近最优的卸载决策与资源分配决策,与现有的启发式搜索算法相比,该算法可以在减少时间复杂度和提高系统能量有效性的同时,达到接近最优的性能。展开更多
在物联网环境下,线上订单处理的可移动设备存在计算能力有限、内存限制和计算延迟等缺点。通过引入移动雾计算(Mobile Fog Computing)优化线上订单任务,运用模糊聚类算法对雾节点进行聚类,运用贪心算法对聚类后的任务资源进行优化调度,...在物联网环境下,线上订单处理的可移动设备存在计算能力有限、内存限制和计算延迟等缺点。通过引入移动雾计算(Mobile Fog Computing)优化线上订单任务,运用模糊聚类算法对雾节点进行聚类,运用贪心算法对聚类后的任务资源进行优化调度,使用Visual Studio工具对贪心算法进行调节和运行,得出任务调度匹配结果,提高平台运营效率。结合丹尼斯某超市线上订单的实际数据,对雾节点任务资源调度执行时间进行分析,结果表明该算法具有可行性和实用性。展开更多
为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm,IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改...为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm,IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改进人工鱼群算法在迭代中的收敛速度和种群多样性.其次,将自适应全局-局部记忆机制引入到标准AFSA算法的觅食行为中,以进一步提高勘探能力.最后,增加了基于平均适应度的行为选择机制,以提供更合理的行为选择,减少算法的复杂性.通过使用CloudSim平台进行实验验证,分别测试在不同任务规模下IAFSA的算法效能.实验结果表明,改进人工鱼群算法在降低系统任务最大完工时间和成本上均表现出了显著的优势.展开更多
文摘移动边缘计算(Mobile Edge Computing,MEC)通过将计算任务卸载到边缘服务器,为用户提供了低延时、低能耗的服务,解决了传统云计算的不足。在移动边缘计算中,如何进行卸载决策是提供低延时、低能耗服务的关键技术之一。除此之外,由于无线信道的带宽资源有限,不合理的带宽分配会使用户设备的能耗和延时增加,因此如何进行合理的资源分配也是边缘计算实现的关键。为联合优化时延、能耗与计算资源,本文提出了一个基于蒙特卡洛树搜索的多通道探索算法(Multi-Channel Search Algorithm based on Monte Carlo Tree Search,MCS-MCTS)。首先,以延时和能耗的成本为优化目标,将计算资源分配决策及传输功率建模决策建模为凸优化问题,采用梯度下降法求解最优传输功率分配问题,通过拉格朗日乘子法及卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件求解最优计算资源分配问题。随后,通过MCS-MCTS算法处理二进制卸载决策问题,为避免搜索结果陷入局部最优,引入模拟退火算法。数值结果表明,MCS-MCTS算法能在线性相干时间内得到接近最优的卸载决策与资源分配决策,与现有的启发式搜索算法相比,该算法可以在减少时间复杂度和提高系统能量有效性的同时,达到接近最优的性能。
文摘在物联网环境下,线上订单处理的可移动设备存在计算能力有限、内存限制和计算延迟等缺点。通过引入移动雾计算(Mobile Fog Computing)优化线上订单任务,运用模糊聚类算法对雾节点进行聚类,运用贪心算法对聚类后的任务资源进行优化调度,使用Visual Studio工具对贪心算法进行调节和运行,得出任务调度匹配结果,提高平台运营效率。结合丹尼斯某超市线上订单的实际数据,对雾节点任务资源调度执行时间进行分析,结果表明该算法具有可行性和实用性。
文摘为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm,IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改进人工鱼群算法在迭代中的收敛速度和种群多样性.其次,将自适应全局-局部记忆机制引入到标准AFSA算法的觅食行为中,以进一步提高勘探能力.最后,增加了基于平均适应度的行为选择机制,以提供更合理的行为选择,减少算法的复杂性.通过使用CloudSim平台进行实验验证,分别测试在不同任务规模下IAFSA的算法效能.实验结果表明,改进人工鱼群算法在降低系统任务最大完工时间和成本上均表现出了显著的优势.