python画随机函数（三）

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=====',