基于遗传算法（GA）的计算卸载策略的求解（二）

3、编码方式

葛海波的文章《改进遗传算法的边缘计算卸载策略》卸载地点为边缘端和云端，他的基因编码取值为（0，1，2），0表示在本地端执行，1表示在边缘端执行，2表示在云端执行；每条染色体对应一种卸载策略，每个基因代表一个待卸载的任务。

邓添的《基于遗传算法的移动边缘计算混合关键任务卸载_邓添》编码不涉及云端，只有本地和边缘端，但是边缘端的M个服务器有序号，因此他的基因编码取值为（0，1，2……M），0表示任务在本地执行，M则表示任务在第M个服务器上面执行。

这样的编码方式应用场景：任务不可划分，要么在本地执行，要么在边缘端执行，这种编码方式不支持一部分在边缘端执行，一部分在本地执行。

用遗传算法求解复杂函数的最优解的时候，可以对函数的变量进行二进制编码，用二进制的染色体完成遗传算法的一系列操作步骤之后，对最优解对应的二进制编码需要进行解码操作，来得到十进制的最优解所对应的点。但是如果将遗传算法和计算卸载结合的话，那么我们需要的是一系列的卸载决策，因此不会涉及解码过程。

4、基于此编码方式的Matlab实现

下面以《基于遗传算法的移动边缘计算混合关键任务卸载_邓添》所介绍的数学模型为例，整理遗传算法和计算卸载相互结合的算法设计流程：

Matlab程序输出结果：

由代码输出结果求出系统模型函数最优解与最优解所对应的卸载策略。

matlab代码见下节