这篇是边缘计算仿真的第三篇文章,旨在完成用python仿真出边缘计算的三级卸载机制。
Energy-efficient Offloading for Mobile EdgeComputing in 5G Heterogeneous Networks
这是题目名字,遇到的问题在上一篇边缘计算仿真的博客中提到了
计划完成的任务如下
目前已完成的图中第三名的两条线的规划
就是没有分优先级的情况下,我们把边缘的能源效益的可视化做出来
已经可以看到,能源效益确实比纯本地计算好得多
还是无法解决的问题:
信道是如何分配的(这里文中介绍了,但是还是没说具体是怎么量化的,可能还得我自己假设出来吧)
还剩两级机制,后期博主会继续更新。。。。
第n次看论文的新发现
1、任务是原子级的,不可进一步划分
2、MEC服务器允许多个计算任务同时进行
3、回传的功耗是忽略的,因为回传是与其他基础设施共享的
4、SBS到底经不经过MBS,文中说的不经过(用的or),但是要回传干什么
5、功率调节机制可参照参考文献【36】
6、设备所需的总信道数应该小于MBS和SBS共有的信道数
7、选择了SBS就不能选其他的,选择本地和MBS和local也是同理
8、一个迭代阶段,一个任务只能选择一个信道传输至MBS
9.每个MBS信道的发射功率相同,不同的信道不同的只能是信道增益
# -*- coding: utf-8 -*-
"""
Created on Sun Dec 22 11:28:38 2019
@author: han
"""
import numpy as np
import matplotlib.pyplot as plt
from math import log
###正常情况无卸载机制###
el=np.random.randint(1,10,100) #一个cpu周期的本地的能耗
y=[]
cl=np.random.randint(1,10,100)#计算此任务所需的能力,能cpu周期规划
d =np.random.randint(300,800,100)#每个计算任务的大小
x = np.linspace(10,100,10,dtype=int)#x个移动设备
print(x)
for i in x:
print(i)
sum=0
for j in range(i):
sum = sum+(2*cl[j]*el[j])/100#加了个2调整系数
# print(sum)
y.append(sum);
print(y)
plt.plot(x,y,color='blue',linestyle='-')
plt.title('Handsome Programmers picture')
###########第一级卸载机制如下###############
pl=np.random.randint(1,10,100)#扩大了10倍,使用的时候请注意,本地功率
tl=[]#本地计算任务消耗时间
GR=[]#传给MEC服务器的设备集合
GL=[]#本地计算任务的集合
GO=[]#继续筛选的集合
le=[]#单个任务本地消耗的能耗
ns=[]#在小基站计算的设备数目
nm=[]#在大基站计算的设备数目
L=[]
p={
}
def findMin(alist):
findMin = alist[0];
for i in range(1,len(alist)):
if alist[i] < findMin:
findMin = alist[i]
return findMin
tl = (cl*10.0)//pl# deadline和tmax的精度不对,已修正
dead=np.random.randint(5,10,100)
print(x)
for i in range(0,99):
print('this i is=====',