论文部分内容阅读
随着无线网络可靠性和负载能力的提高、电子元器件制作工艺和设计水平的进步,移动台将支持更广泛更智能的业务。其中,大量的低延时甚至实时业务,对移动台本地计算能力提出了挑战。移动边缘计算是为解决下一代无线网络中的这一难题提供了可行的方案。在移动边缘计算网络中,计算接入节点通过连接移动台和中心云服务器提供存储能力和计算能力。本文分别利用传统算法和机器学习算法联合优化时间延迟和能耗设计任务卸载策略。首先考虑一个移动台上产生的任务卸载到多个计算接入节点的移动边缘计算网络。考虑到每一个任务可以被选择卸载到计算接入节点计算或者留在本地计算,时延将包括传输时延和计算时延,能量损耗包括传输损耗和计算损耗。提出用基于线性规划的松弛恢复算法和分支定界算法解决这个整数优化问题。该算法将整数约束放松到连续解空间,通过线性规划工具求出最优解;再根据单一连接约束,选出对于每个任务的最佳处理器。在分支定界法中,每个探索节点同样先利用线性规划工具求出最优解,再根据非整数决策获得后续分支,搭建决策树作为解空间;并结合剪枝原则,对决策树剪枝,直到搜索完所有的有效节点,输出卸载策略。证明了计算接入节点的辅助服务为移动台减小了任务处理时延、减小了能量损耗;分支定界法可以求得近似最优解,优于线性松弛恢复算法;而线性松弛恢复算法的计算复杂度远远小于分支定界法。然后提出了一种基于交叉熵学习的任务卸载分配方法。用伯努利分布模拟二元卸载策略,并借助蒙特卡洛方法产生有效样本,选择最小化交叉熵方法学习样本并更新伯努利分布中的特征参数。为提高样本产生过程的计算效率,提出了自适应采样方法,将单一样本划分为多个互相相关的子样本块,依次产生有效的子样本块。提出的算法在计算损耗、性能、鲁棒性等方面都有良好的表现,适用于更加密集的移动边缘计算网络。进一步讨论多个移动台产生的任务通过多个独立信道传输到计算接入节点的移动边缘计算网络,赋予移动台划分任务大小的能力,引入连续优化变量。提出了一种基于神经网络的数据模型联合驱动的任务卸载分配方法。利用离散变量搭建基于神经网络的分支定界法解空间;用神经网络模拟分支定界法的剪枝过程,直到搜索或剪枝完决策树的所有节点。提出的算法较传统分支定界法的计算复杂度明显下降、算法性能接近原算法。