本發(fā)明涉及分散計算，具體來說，涉及一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法。

背景技術(shù)：

1、伴隨著計算機(jī)硬件和網(wǎng)絡(luò)的迅速發(fā)展，存儲、內(nèi)存和處理器等計算資源數(shù)量和能力愈發(fā)豐富強(qiáng)大，為了讓用戶能夠利用互聯(lián)網(wǎng)隨時隨地按需請求計算，云計算概念隨即提出。但隨著越來越多的接入設(shè)備連接到云服務(wù)器，云端的網(wǎng)絡(luò)通訊壓力大大增加，同時也不能滿足用戶日益增長的時延要求。而更接近用戶的網(wǎng)絡(luò)邊緣廣泛分布著各式各樣的計算資源，利用靠近數(shù)據(jù)源的網(wǎng)絡(luò)邊緣計算資源來提供計算服務(wù)不失為一種高效的方法，隨之便逐漸發(fā)展出邊緣計算和霧計算。相較于云計算，這兩種范式在減少時延，提高實時性方面取得了顯著的優(yōu)勢，但在一些特定場景中(比如網(wǎng)絡(luò)拓?fù)鋸?fù)雜、網(wǎng)絡(luò)鏈接高度動態(tài)或可用資源有限等場景)就會出現(xiàn)網(wǎng)絡(luò)吞吐量受限以及無法實時響應(yīng)的問題。

2、為了彌補(bǔ)上述計算范式的不足，darpa組織于2017年11月啟動了“分散計算”(dispersed?computing，dcomp)項目。作為一個以資源為中心的計算范式，它充分利用了廣泛分布的計算資源的優(yōu)勢，將任務(wù)的計算位置盡可能下沉，使其更接近數(shù)據(jù)源，進(jìn)一步減少計算處理時延，并通過在數(shù)據(jù)源附近進(jìn)行多節(jié)點間的數(shù)據(jù)合作存儲轉(zhuǎn)發(fā)計算來提高系統(tǒng)吞吐量。該范式擯棄了傳統(tǒng)的主從架構(gòu)，而采用以資源為中心的架構(gòu)形式，所有可感知到的網(wǎng)絡(luò)計算節(jié)點(networked?computation?point，ncp)共同參與到計算任務(wù)的過程中，并且每個ncp都是可以相互感知、訪問、共享執(zhí)行信息和資源信息的實體，可以是通信基站、汽車、智能手機(jī)、電腦、路由器等終端設(shè)備，它們既是任務(wù)的發(fā)起者，也是任務(wù)的執(zhí)行者，并以公平合作的方式為用戶提供計算服務(wù)。正是基于這種非主從結(jié)構(gòu)，使其與傳統(tǒng)的計算范式相比更具可擴(kuò)展性，處理任務(wù)時更快、更高效，也更加適用于動態(tài)的網(wǎng)絡(luò)環(huán)境。

3、目前對于分散計算環(huán)境下任務(wù)分配相關(guān)的研究并不多，尤其是多目標(biāo)優(yōu)化研究。而現(xiàn)有的方法通常難以在算法的計算復(fù)雜度與解空間探索能力之間取得良好平衡，此外，這些研究大多忽略了算法初始參數(shù)的優(yōu)化。實際上，初始種群的質(zhì)量不高或者多樣性不足，會直接導(dǎo)致算法過早收斂到局部最優(yōu)解并形成種群聚集現(xiàn)象，而未能找到全局最優(yōu)解。因此迫切需要一個低計算復(fù)雜度且能夠精準(zhǔn)全面搜索可行方案，獲得多目標(biāo)最優(yōu)解的任務(wù)分配算法，完善分散計算領(lǐng)域多目標(biāo)優(yōu)化任務(wù)調(diào)度研究工作的空缺。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有研究存在的不足，提拱了一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法，能夠保持較低的計算復(fù)雜度的同時，提高算法全局搜索力，探尋任務(wù)完成時延、能耗和服務(wù)質(zhì)量的多目標(biāo)最優(yōu)卸載策略。

2、本發(fā)明采用的具體技術(shù)方案如下：

3、1.一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法，其特征在于，包括以下步驟：

4、s1.構(gòu)建分散計算網(wǎng)絡(luò)系統(tǒng)模型，所述的分散計算網(wǎng)絡(luò)系統(tǒng)模型是由一組動態(tài)聯(lián)通的無人機(jī)和移動設(shè)備等網(wǎng)絡(luò)計算節(jié)點ncps組成；

5、s2.構(gòu)建資源體ncps間的任務(wù)分配模型，所述任務(wù)分配模型包括任務(wù)模型、資源模型、通信模型、時延模型、能耗模型和服務(wù)質(zhì)量模型；

6、s3.構(gòu)建在指定時間、能量消耗、通信距離、通信窗口期間和存儲限制等約束條件下，優(yōu)化任務(wù)完成時延、能耗和服務(wù)質(zhì)量的多目標(biāo)優(yōu)化問題模型并公式化；

7、s4.建立基于佳點集改進(jìn)的冠豪豬優(yōu)化算法求解多目標(biāo)問題公式，以獲得任務(wù)分配方案并實施。

8、2.根據(jù)權(quán)利要求1所描述的一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法，其特征在于，步驟s1中，各節(jié)點間的通信狀況是通過馬爾科夫預(yù)測方法來確定的，定義該模型狀態(tài)空間為：

9、e＝{e1，e2}

10、其中e1表示可以通信，e2表示無法通信，并定義狀態(tài)轉(zhuǎn)移概率矩陣為：

11、

12、其中，pij表示由狀態(tài)ei轉(zhuǎn)為狀態(tài)ej的狀態(tài)轉(zhuǎn)移概率，定義初始概率向量π(0)＝[1，0]，則第k個時隙通訊情況的概率向量為π(k)＝π(0)pk，k的取值以全量卸載當(dāng)前任務(wù)的最大完成時間所占用的時隙數(shù)為基準(zhǔn)，定義判斷ncp是否能夠持續(xù)通信的依據(jù)如下：

13、

14、式中，p2為所得概率向量π(k)的第二個分量，ξ為服從正態(tài)分布分布的隨機(jī)數(shù)，當(dāng)ξ大于等于失聯(lián)概率時表示該ncp將會失聯(lián)，否則該ncp會與分配任務(wù)的ncp持續(xù)通信。

15、3.根據(jù)權(quán)利要求1所描述的一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法，其特征在于，步驟s2中包含以下子步驟：

16、s201.構(gòu)建任務(wù)模型t，其數(shù)學(xué)表達(dá)式如下：

17、ts＝{t1，t2，…，tt}

18、式中，系統(tǒng)當(dāng)前時隙的任務(wù)集ts包含多個待分配任務(wù)，每個任務(wù)由ti＝<ini，outi,pi，dei，expi>表示，其中，ini為第i個任務(wù)的輸入數(shù)據(jù)量，outi為第i個任務(wù)的輸出數(shù)據(jù)量，pi為每單位數(shù)據(jù)量所需要的cpu計算周期，dei為需求向量，表示對時延、能耗、服務(wù)質(zhì)量的需求度，expi為任務(wù)容許的最大完成時間；

19、s202.構(gòu)建資源模型r，其數(shù)學(xué)表達(dá)式如下：

20、ncps＝{ns1，ns2，…，nsi}

21、式中，系統(tǒng)當(dāng)前時隙可提供計算資源的集合ncps包含多個資源體，每個資源體由nsi＝<ci，di，bi,ei，cumi，loci>表示，其中，ci為ncpi可提供cpu計算資源，di為ncpi可提供磁盤空間，bi為ncpi可提供通信帶寬，ei為ncpi的剩余能量，cumi為ncpi可通信的ncp列表，loci＝<xi，yi>為ncpi所處位置；

22、s203.構(gòu)建通信模型v，其數(shù)學(xué)表達(dá)式如下：

23、

24、式中，bij是ncpi分配給ncpj的帶寬，pi是ncpi的發(fā)射功率，σ2是ncpi的高斯白噪聲功率，gij是ncpi和ncpj之間的信道增益；

25、s204.構(gòu)建時延模型tt，其數(shù)學(xué)表達(dá)式如下：

26、tt＝max{tuikj+tpikj+tdjki}，k∈k

27、式中，tuikj為資源體i將待分配任務(wù)劃分后的第k部分?jǐn)?shù)據(jù)上傳到資源體j的時間消耗，tpikj為這部分卸載數(shù)據(jù)的處理時間，tdjki為為這部分卸載數(shù)據(jù)的結(jié)果接受時間，其數(shù)學(xué)表達(dá)式分別如下：

28、

29、式中，pink是待分配任務(wù)劃分后第k部分的上傳數(shù)據(jù)量，滿足cji是ncpj分配給ncpi的cpu資源量，若這部分?jǐn)?shù)據(jù)采用本地計算策略，則tuikj＝0，tdjki＝0；

30、s205.構(gòu)建能耗模型te，其數(shù)學(xué)表達(dá)式如下：

31、

32、式中，euikj為當(dāng)前任務(wù)第k部分?jǐn)?shù)據(jù)的上傳能耗，epikj為這部分?jǐn)?shù)據(jù)的計算能耗，edikj為這部分?jǐn)?shù)據(jù)的結(jié)果接受能耗，其數(shù)學(xué)表達(dá)式分別如下：

33、

34、式中，pij是傳輸或計算功率，其滿足ε是一個功耗常數(shù)，ci是ncpi分配的通信或處理數(shù)據(jù)的cpu時鐘頻率，tikj是傳輸或處理第k部分?jǐn)?shù)據(jù)的時間，若這部分?jǐn)?shù)據(jù)采用本地計算方式，則euikj＝0，edjki＝0；

35、s206.構(gòu)建服務(wù)質(zhì)量模型tq，其數(shù)學(xué)表達(dá)式如下：

36、

37、式中，qij為ncpi對ncpj往期服務(wù)質(zhì)量的評估值，其數(shù)學(xué)表達(dá)式如下：

38、

39、式中，successij為歷史上雙方合作且完成任務(wù)卸載的次數(shù)，totalij為雙方合作總次數(shù)。

40、4.根據(jù)權(quán)利要求1所描述的一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法，其特征在于，步驟s3中，需確保任務(wù)tt劃分后的每部分任務(wù)xk的大小應(yīng)為非負(fù)數(shù)，即0≤pink?≤?int，任務(wù)tt劃分后的子任務(wù)數(shù)據(jù)之和小于等于任務(wù)tt的輸入數(shù)據(jù)大小，即任務(wù)tt劃分后的每部分任務(wù)taskk都可以被ncpj接收，即所有參與合作的ncpj與當(dāng)前分配任務(wù)的ncpi互在通訊范圍內(nèi)，即dist(ni,nj)≤δ；所有參與合作的ncp，都能在任務(wù)完成之前保持通訊鏈路不中斷，即在任務(wù)ti約束的最大完成時間內(nèi)完成任務(wù)，即tt<expi；所有執(zhí)行計算的節(jié)點ncpj有足量的剩余能源去執(zhí)行分配到的任務(wù)taskk，即euikj+epikj+edikj＜ej；在此將最小化任務(wù)的最大完成時間、最小化系統(tǒng)能量消耗和最大化服務(wù)質(zhì)量作為優(yōu)化目標(biāo)，通過歸一化操作后，得到問題公式，并將該公式作為改進(jìn)冠豪豬優(yōu)化算法的適應(yīng)度函數(shù)：

41、

42、式中，w為多目標(biāo)權(quán)重，是一個一行三列的行向量。

43、5.根據(jù)權(quán)利要求1所描述的一種基于分散計算的改進(jìn)冠豪豬多目標(biāo)優(yōu)化任務(wù)分配方法，其特征在于，步驟s4中，通過佳點集理論改進(jìn)冠豪豬優(yōu)化算法的種群初始化操作，包括以下子步驟：

44、s401.找到滿足p≥2d+3的最小素數(shù)p，其中，d為解空間的維數(shù)，即可以保持通信的ncp數(shù)量；

45、s402.計算r＝(r1，r2，...，rd，)的值，其中rj＝mod(2?cos(2πj/p)xi，1)，1≤j?≤d，xi為第i個個體；

46、s403.構(gòu)造包含n個個體的佳點集pn(i)＝{(r1i1，r2i2，...，rnin)}，i＝1,2，...d；

47、s404.利用將佳點集映射到可行策略空間中，其中，i＝1,2，...n，j＝1,2，...d，lbj表示當(dāng)前維度的下限，upj表示當(dāng)前維度的上限；

48、s405.生成兩個服從均勻分布的隨機(jī)數(shù)一和隨機(jī)數(shù)二，若隨機(jī)數(shù)一小于隨機(jī)數(shù)二，則進(jìn)入探索階段，否則進(jìn)入利用階段；

49、s4061.進(jìn)入探索階段時，生成兩個服從均勻分布的隨機(jī)數(shù)三和隨機(jī)數(shù)四，若隨機(jī)數(shù)三小于隨機(jī)數(shù)四，則采取第一防御策略，否則采取第二防御策略；

50、第一防御策略公式為：

51、

52、式中，為第t輪迭代時第i個個體的位置，為第t輪迭代時的全局最優(yōu)解，τ1為服從正態(tài)分布的隨機(jī)數(shù)，τ2為介于[0，1]之間的隨機(jī)數(shù)，是當(dāng)前個體與種群中隨機(jī)的某個個體共同生成的向量，其數(shù)學(xué)表達(dá)式如下：

53、

54、式中，r為介于[1，n]之間的隨機(jī)整數(shù)；

55、第二防御策略公式為：

56、

57、式中，u1為僅由0和1組成的d維隨機(jī)矩陣，r1和r2均為介于[1，n]之間的隨機(jī)整數(shù)，τ3為介于[1，n]之間的隨機(jī)整數(shù)，的定義和第一防御策略相同；

58、s4062.進(jìn)入利用階段時，采用生成一個服從均勻分布的介于[0,1]之間的隨機(jī)數(shù)五，若該值小于算法設(shè)置的防御權(quán)衡比，則采取第三防御策略，否則采取第四防御策略；

59、第三防御策略公式為：

60、

61、式中，r1、r2和r3為介于[1，n]之間的隨機(jī)整數(shù)，τ4為介于[0，1]內(nèi)的隨機(jī)數(shù)，u1為僅由0和1組成的d維隨機(jī)矩陣，u2為僅由-1和1組成的d維隨機(jī)矩陣，rand為介于[0，1]內(nèi)的隨機(jī)數(shù)；t為當(dāng)前迭代輪次數(shù)，tmax為最大迭代輪次數(shù)，rand為介于[0，1]內(nèi)的隨機(jī)數(shù)，為第t輪迭代時第i個個體的適應(yīng)度函數(shù)值，σ為一個極小的值，作用是避免除數(shù)為0；

62、第四防御策略公式為：

63、

64、式中，為第t輪迭代時所記錄的最優(yōu)解，τ5和τ6為介于[0，1]內(nèi)的隨機(jī)數(shù)，α為收斂速度因子，τ7為介于[0，1]內(nèi)的隨機(jī)數(shù)，r4為介于[1，n]之間的隨機(jī)整數(shù)，為第t輪迭代時第i個個體的適應(yīng)度函數(shù)值，σ為一個極小的值，作用是避免除數(shù)為0；

65、s407.更新全局最優(yōu)解，并利用循環(huán)動態(tài)種群調(diào)整機(jī)制控制種群個體數(shù)量，該機(jī)制的公式為：

66、

67、式中，n0為初始種群大小，t為循環(huán)次數(shù)，t為當(dāng)前輪迭輪次，tmax為最大迭代輪次數(shù)，nmin為種群最小個體數(shù)；

68、s408.判斷是否達(dá)到配置的最大迭代次數(shù)，若已達(dá)到，則輸出適應(yīng)度函數(shù)值最小的個體作為卸載方案并實施，否則返回步驟s405。

69、本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：

70、本發(fā)明在任務(wù)分配時充分考慮到任務(wù)多樣性需求、動態(tài)通訊環(huán)境和異構(gòu)資源體等現(xiàn)實因素，能夠在有限資源、時延、能耗和通訊條件等約束條件下，降低多目標(biāo)優(yōu)化問題求解時的計算復(fù)雜度，并提高算法搜索精度，快速找到符合任務(wù)多目標(biāo)需求的最優(yōu)卸載策略。