一种基于CMSWO算法的边缘计算任务卸载方法
本发明属于边缘计算领域，具体涉及一种基于cmswo算法的边缘计算任务卸载方法。
背景技术：
1、随着5g技术和智能设备的愈发成熟，实时移动应用和物联网服务(如增强/虚拟现实、交互式游戏、自动驾驶、电子健康等)，用户端移动应用程序的计算需求正在迅速增加。这类应用的用户体验质量(qoe)往往是敏感的，较低的qoe会使用户不再使用这类服务，而qoe又取决于时延、带宽、能耗以及计算支付等多方面的因素。同时，无限的提高qoe是一个不明智的决定，因为服务提供商(sp)需要获利，sp提供更高的qoe服务，往往代表着更高的成本，利润也就降低了，这会影响sp的积极性。所以如何在满足用户qoe的同时，最大化sp的利润，决定了能为用户带来良好体验的同时，激励了sp提供更好的服务，也能鼓励sp为更多的边缘用户提供服务。
2、sp的利润是由其收入和成本共同决定的。传统的研究主要关注于如何有效地降低计算卸载的成本，例如减少计算时延、能耗或者综合考虑系统的能效等方面。然而，这些研究往往忽视了收入也是影响sp利润的关键因素。事实上，收入在决定sp利润的过程中发挥着重要的作用。sp的收入不仅取决于服务的定价策略，还受到用户需求、市场竞争、服务质量等多种因素的影响。因此，为了最大化利润，sp需要在降低成本的同时，也要注意提高收入的方式。
3、当采用传统的任务卸载方法时，由于处理时延和能耗因任务不同而有所差异，这导致用户在不同场景下的任务卸载效果并不理想。此外，传统方法在寻找最优卸载能耗时，不仅搜索时间较长，而且精度较低，进一步影响了任务卸载的效果。
技术实现思路
1、针对现有技术存在的不足，本发明提出了一种基于cmswo算法的边缘计算任务卸载方法，该方法包括：
2、s1：构建多用户多服务器场景下的边缘计算系统；
3、s2：基于边缘计算系统计算服务器提供商处理用户任务获取的利润和用户qoe；
4、s3：根据服务器提供商处理用户任务获取的利润和用户qoe构建目标优化函数；
5、s4：采用cmswo算法求解目标优化函数，得到任务卸载策略。
6、优选的，计算服务器提供商处理用户任务获取的利润和用户qoe的过程包括：
7、获取边缘计算系统中的用户设备参数，根据用户设备参数计算用户的本地计算时延、本地计算能耗、上传时延、上传能耗；
8、获取边缘计算系统中的边缘服务器参数，根据边缘服务器参数计算用户任务在边缘服务器上的计算时延、计算能耗；
9、根据用户的本地计算时延、上传时延和用户任务在边缘服务器上的计算时延计算用户总时延，根据本地计算能耗和上传能耗计算用户总能耗，根据所有用户任务在边缘服务器上的计算时延计算边缘服务器总时延，根据所有用户任务在边缘服务器上的计算能耗计算边缘服务器总能耗；
10、根据用户总时延、用户总能耗、边缘服务器总时延和边缘服务器总能耗计算用户的任务卸载总成本；获取连接费用，单位资源的费用和价格弹性值，根据连接费用、单位资源的费用、价格弹性值和用户设备参数计算用户的任务卸载总收入；
11、根据用户的任务卸载总成本和用户的任务卸载总收入计算服务器提供商处理用户任务获取的利润；
12、根据用户总时延、用户总能耗和服务器提供商处理用户任务获取的利润计算用户qoe。
13、进一步的，计算用户的任务卸载总成本的公式为：
14、costu＝δeees+δtles
15、
16、
17、其中，costu表示用户u的任务卸载总成本，δe表示时延归一化参数，δe表示能耗归一化参数，ees表示边缘服务器总能耗，les表示边缘服务器总时延，lu表示用户总时延，eu表示用户总能耗，lmax表示任务最大容忍时延，emax表示任务最大容忍能耗。
18、进一步的，计算用户qoe的公式为：
19、qoeu＝ωtlu+ωeeu-ωcrevenueu
20、ωt+ωe+ωc＝1
21、其中，qoeu表示用户u的qoe，lu表示用户总时延，eu表示用户总能耗，revenueu表示用户u的任务卸载总收入，ωt表示时延权重，ωe表示能耗权重，ωc表示支付权重。
22、优选的，目标优化函数为：
23、
24、
25、
26、其中，t表示最大化服务供应商得到的卸载任务总利润，profitu表示服务器提供商处理用户u的任务获取的利润，qoeu表示用户u的qoe，qoeth表示用户qoe阈值，u表示用户数量，xu表示用户u的卸载策略。
27、优选的，cmswo算法求解目标优化函数的过程包括：
28、s41：使用tent混沌映射初始化雌性蜘蛛蜂种群，设置最大迭代次数；
29、s42：将服务供应商得到的卸载任务总利润作为适应度并计算蜘蛛蜂种群的适应度值，将适应度值最大的个体视为精英个体；
30、s43：生成两个随机数r1和r2并根据r1和r2进行随机搜索；若r1<r2，则以自适应步长策略搜索空间；若r1>r2，则以自适应小步长策略搜索空间；
31、s44：计算距离控制因子c，若c>0.5，则说明蜘蛛蜂捕获猎物并更新该个体的解；若c<0.5则说明猎物躲避了蜘蛛蜂，返回步骤s43；
32、s45：生成两个随机数r3和r4，若r3<r4，则基于当前种群的最优位置建造巢穴；若r3>r4，则在种群中随机选择位置建造巢穴，并使用额外的自适应步长来避免在同一位置上建造多个巢穴；
33、s46：初始化雄性蜘蛛蜂种群，通过在雄性和雌性蜘蛛蜂之间使用统一的交叉操作来模拟交配所产生的后代个体，交叉产生的后代具有双亲特征，并将后代个体作为当前个体的解；
34、s47：将普通个体的极值作为精英个体，并构造其反向解加入到可行解中，计算当前适应度值，选取适应度最优值作为当前一代的最优解；
35、s48：与上一代的适应度最优值进行比较，若当前一代的适应度最优值大于上一代的适应度最优值，则更新适应度最优值作为当前最优解；
36、s49：判断当前迭代次数是否达到最大迭代次数，若到达最大迭代次数，则输出当前最优解，得到任务卸载策略；否则，返回步骤s43。
37、进一步的，步骤s41中，使用tent混沌映射初始化蜘蛛蜂种群表示为：
38、
39、
40、其中，xi表示第n次映射的函数值，xi+1表示第i+1次映射的函数值，r表示映射的参数，表示种群中个体i的可行解，表示可行解的上界，表示可行解的下界。
41、进一步的，步骤s47中，构造反向解表示为：
42、
43、其中，δ表示区间[0，1]上的随机数，表示种群中普通个体的可行解集，表示种群中精英个体的解，表示反向解。
44、进一步的，步骤s43中，自适应步长策略可以表示为：
45、
46、
47、其中，表示更新前种群中个体i的可行解，表示更新后种群中个体i的可行解，表示更新前精英个体的解，表示更新前种群中的随机个体的解，μ1表示第一步长，rand表示区间[0，1]上的随机数。
48、自适应小步长策略可以表示为：
49、
50、
51、其中，μ2表示第二步长，和分别表示种群中可行解的上下界，l表示区间[-2，1]上的随机数。
52、进一步的，步骤s45中，使用额外的自适应步长来避免在同一位置上建造多个巢穴表示为：
53、
54、其中，表示更新前种群中个体i的可行解，表示更新后种群中个体i的可行解，表示更新前精英个体的解，rand表示区间[0，1]上的随机数，γ表示由levy飞行产生的随机数，表示一个二进制向量，表示种群中的随机个体的解。
55、本发明的有益效果为：
56、1)本发明的任务卸载方法考虑到了服务提供商的收入与成本，同时能够满足用户对时延、能耗和计算支付的需求；通过这种方式，本发明能够在最大化服务提供商利润的同时，让不同的用户都能够获得更好的体验；
57、2)本发明结合了当前新颖的蜘蛛蜂优化算法来处理边缘计算中的任务卸载问题，该算法在搜索过程中有寻优能力强、收敛速度快等特点，能迅速得到全局最优解；
58、3)本发明对蜘蛛蜂优化算法进行了三点改进。首先，采用了tent混沌映射进行初始化，用以初始化雌性蜘蛛蜂种群。这一改进增强了种群初始化的覆盖面，使得获得的初始种群更加均匀和多样化，从而有利于提高算法的收敛速度和精度；其次，引入了精英反向学习机制，以提高蜘蛛蜂种群的多样性和质量，并通过精英个体影响普通个体在更新过程中做出的决策，这一措施有助于提升算法的全局寻优性能和收敛精度；最后，在搜索和筑巢阶段，使用了一种自适应步长的策略，通过种群中精英个体来影响普通个体的搜索步长，能有效避免陷入局部最优，提高收敛精度。
技术特征：
1.一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，包括：
2.根据权利要求1所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，计算服务器提供商处理用户任务获取的利润和用户qoe的过程包括：
3.根据权利要求2所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，计算用户的任务卸载总成本的公式为：
4.根据权利要求2所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，计算用户qoe的公式为：
5.根据权利要求1所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，所述目标优化函数为：
6.根据权利要求1所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，cmswo算法求解目标优化函数的过程包括：
7.根据权利要求6所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，所述步骤s41中，使用tent混沌映射初始化蜘蛛蜂种群表示为：
8.根据权利要求6所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，所述步骤s47中，构造反向解表示为：
9.根据权利要求6所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，所述步骤s43中，自适应步长策略可以表示为：
10.根据权利要求6所述的一种基于cmswo算法的边缘计算任务卸载方法，其特征在于，所述步骤s45中，使用额外的自适应步长来避免在同一位置上建造多个巢穴表示为：
技术总结
本发明属于边缘计算领域，具体涉及一种基于CMSWO算法的边缘计算任务卸载方法；该方法包括：构建多用户多服务器场景下的边缘计算系统；基于边缘计算系统计算服务器提供商处理用户任务获取的利润和用户QoE；根据服务器提供商处理用户任务获取的利润和用户QoE构建目标优化函数；采用CMSWO算法求解目标优化函数，得到任务卸载策略；本发明考虑到了服务提供商的收入与成本，同时能够满足用户对时延、能耗和计算支付的需求，能够在最大化服务提供商利润的同时，让不同的用户都能够获得更好的体验。
技术研发人员：李鸿健,刘梁杰
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/9/23