题目:An Efficient Computation Offloading Management Scheme in the Densely Deployed Small Cell Networks With Mobile Edge Computing
问题的严重性:
现有方法的缺点:计算决策、无线资源分配和计算资源分配只考虑其中一部分,这些方面通常是分开研究的。
研究的内容:为了提高系统效率,有必要对这些方面进行共同研究。基于以下几点,我们考虑了分布式小小区网络(SCN)的高干扰、多接入特性和资源固有的有限性,对具有MEC的密集部署的分布式小小区网络(SCN)的计算卸载问题进行了全面的研究。
•从SBSs到MBS的回程能力是有限的,这将限制系统的性能,特别是在密集的场景下。受femtocaching的启发,在SBSs上部署MEC服务器提供了一个有前途的解决方案。
•为了提高资源利用效率,防止BSs之间的负载不平衡,需要仔细研究BSs与用户之间的关联关系。
•用户关联、卸载决策、无线电和计算资源分配都是整个系统的组成部分。首先,它们都有助于端到端用户体验。其次,系统单段的优化并不能保证用户的QoS。•考虑到用户的异构QoS需求,为不同的用户分配不同数量的资源,以保证不同的QoS需求。
研究方案是什么:
- 提出了在一个密集部署的带有MEC的分布式SCN中计算卸载系统模型,其中宏基站(MBS)和SBSs都配备了MEC服务器。用户从该设计中获得了延迟和能耗方面的好处,而系统获得了效率方面的好处,这是非常重要的。
- 我们将节能计算卸载问题表达为混合整数非线性规划问题,这是np难。本工作的目标是在异构QoS的要求和资源分配的原则下,以最小的能源消耗来完成所有终端的任务。
- 为了解决这一问题,我们提出了一种次优化算法,即层次遗传算法(GA)和基于粒子群优化(PSO)的计算算法(HGPCA),利用遗传算法和粒子群优化(PSO)的优点来提高性能和收敛速度。此外,还分析了该算法的复杂度和收敛性
- 在模拟中,我们考虑一个实际场景,其中部署了数百个用户和数十个SBSs。研究了该算法的收敛性,并与其他基线算法进行了比较,验证了该算法的性能。
可行性与研究基础:
考虑到终端和BSs的多址高干扰特性,本身资源有限,用户需求和计算能力异构。该问题将卸载决策、接入、信道分配、功率控制和计算资源分配等方面的优化结合起来,是一个大规模的NP-hard问题。为了解决这一问题,我们提出了一种节能计算卸载管理方案。
带有SCN的移动边缘计算系统:
scn由1个 MBS、N 个SBSs和U 个ue
BS(包括MBS和SBSs):
ue用户集合:U = {1,2,...,j ,...,U},
- i=0时为mbs服务器
每一个用户有一个计算密集型任务:
- dj表示需要上传计算的数据,可能涉及程序代码、配置文件等
tmax j是计算任务所需的最大延迟。
xj表示处理一位输入所需的CPU周期数,这可能因不同的应用程序而不同,可以通过任务分析器获得 为计算任务的所需cpu周期
通讯模型:
用户j的计算决策表示为:当用户决定卸载时,值为1
为卸载决策集合
- 满足这意味着一个终端最多只能访问MBS或SBSs上的一个MEC服务器。
正交信道的集合:
- 假设MBS和SBS使用不同的无线电频谱来避免层间干扰。对于SBSs,频谱是用叠加的方式使用的,这意味着小蜂窝之间存在着干扰。
- (macro or small) cell之间的信道是正交的,也就是宏基站和scn之间没有干扰
对于MaUs可以频道的总数为:
- Cm为maus的信道总数
SUs的信道
- 所有有
- 每个信道带宽即为W
信道分配指示器:表示信道K是否分配给用户j
- B需要满足
- Ca是BS可用信道的集合
- 限制1为每一个用户只能分配给一个信道,2为分配给所有用户的信道总数不能超过可用信道
pj为用户j的传输功率 为最大传输功率
传输速率
干扰(SUs之间的):
计算模型:
本地计算:
时间:
能耗:
1.用户j的本地计算能力(每秒的cpu时钟周期)
2.本地每秒能耗
边缘计算:
传输
计算:
问题公式化分析:
根据A,B,F我们可以得到用户j的延迟和能耗
所有本文主要解决的问题为:
问题分析:
我们考虑到问题P0是为了最小化能耗,我们对A,B,P进行优化,这是一个NP-hard问题,因为它是一个混合整数非线性规划问题(MINLP)。
提出的算法:
在本文中,我们提出了一种次优算法,称为基于分层遗传算法和粒子群算法的计算算法(HGPCA),
#HGPCA算法
输入:种群大小K,外循环迭代次数T,收敛标准遗传算法的参数:pm(变异概率),pc(交叉概率),T1(遗传算法的迭代次数)
粒子群算法的参数:w(权重),c1,c2(学习因子),T2(粒子群算法的迭代次数)
while t<T or Fitness(t)-Fitness(t-1)<收敛标准:
while t1<T1:
计算适度值
找到最好个体,与历史最优比较,更好则替换
根据比赛原则(轮盘赌)选择K个优秀个体
个体两两以Pc概率交叉
个体以pm概率变异
t1=t1+1
初始化粒子速度
while t2<T2:
更新粒子速度和位置
评估粒子适度,更新局部最优和全局最优
t2=t2+1
得到迭代一轮的种群K
t=t+1
基因编码
适度函数: