文献阅读2021-03-06

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：

1. 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。
2. 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。
3. 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
4. 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},

1. i=0时为mbs服务器

每一个用户有一个计算密集型任务： 

1. 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

2. tmax j是计算任务所需的最大延迟。

3. 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

1. 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： 

1. 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。
2. (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：

1. Cm为maus的信道总数 

SUs的信道 

1. 所有有
2. 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

1. B需要满足
2. Ca是BS可用信道的集合
3. 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：

特色与创新之处：