简介:在移动边缘云计算系统中重复覆盖的异构网络场景下,为了满足移动终端的任务卸载需求,同时降低终端任务卸载代价,提出基于演进博弈的云资源和计算资源联合分配方案(JRA-EG).同一个区域内具有任务卸载需求的终端形成一个种群,种群中终端通过选择不同的服务点(SPs)获得不同的无线资源和计算资源.为了建模与分析服务点选择与资源分配,建立了演进博弈模型.博弈的代价函数包括能耗代价、时延代价和经济代价.分别提出了基于复制动态的集中式算法和基于Q-learning的分布式算法求解演进均衡.仿真结果表明,所提的2种算法均能快速收敛至均衡解.与已有算法相比,JRA-EG方案节省了终端消耗能量,同时也降低了任务卸载时延.提出的方案能合理调度云资源和无线资源,从而有效降低终端的任务卸载代价.
简介:为了在ad-hoc移动朵云中高效率地解决任务分配这一核心问题,提出了一种基于启发式算法的任务分配算法.粒子群优化和模拟退火优化的任务分配算法(PSO-SA)将任务之间的依赖关系转化为有向无环图(DAG)模型,其中各个节点上的数值表示任务产生的负载,DAG的各个边的数值表示传输产生的负载.为了模拟ad-hoc移动朵云的任务分配环境,建立了数学模型来描述各个子任务之间的依赖关系并定义各个子任务的卸载成本.PSO-SA用于任务分配决策并最小化所有移动设备的成本,能耗和时间延迟同时作为卸载成本.PSO-SA结合了粒子群优化和模拟退火优化的优势,通过以一定概率选取最优解的方式,避免算法过早落入局部最优解,同时保证算法收敛速度.仿真结果表明,与其他现有算法相比,PSO-SA算法产生的卸载成本较低并且其结果可以非常接近最优解.