針對(duì)單用戶場(chǎng)景下的任務(wù)遷移問題,構(gòu)建單用戶的任務(wù)遷移模型,并提出任務(wù)遷移策略。通過任務(wù)遷移策略判斷每個(gè)任務(wù)是否應(yīng)該被遷移,同時(shí)得出任務(wù)的執(zhí)行順序,并綜合評(píng)估延時(shí)與能耗對(duì)應(yīng)的權(quán)重以得到系統(tǒng)總體的最低負(fù)載。采用了離散二進(jìn)制粒子群算法優(yōu)化了遷移策略來降低時(shí)間復(fù)雜度。仿真結(jié)果表明,所提出的遷移策略對(duì)減少延遲和能耗具有明顯的效果。還在現(xiàn)有的聯(lián)合任務(wù)遷移策略上進(jìn)行了改進(jìn),通過優(yōu)化二進(jìn)制粒子群中粒子的初始位置,進(jìn)行相應(yīng)的對(duì)比仿真實(shí)驗(yàn),來降低搜索結(jié)果的離散程度。 

【文章來源】：金陵科技學(xué)院學(xué)報(bào). 2020,36(03)

【文章頁數(shù)】：5 頁

【部分圖文】：

整體系統(tǒng)模型

負(fù)載離散圖

圖2 負(fù)載離散圖從圖3可以看到在任務(wù)數(shù)量小于1 250的情況下,優(yōu)化前和優(yōu)化后的遷移策略在對(duì)負(fù)載K的計(jì)算中得出的結(jié)果比較接近。但是由于二進(jìn)制粒子群算法的隨機(jī)性,使得兩者的結(jié)果相差并不大,并且在一定范圍內(nèi)波動(dòng)。當(dāng)任務(wù)數(shù)量大于1 250的情況下,原始的優(yōu)化聯(lián)合任務(wù)遷移策略計(jì)算出的負(fù)載K開始逐漸大于本地優(yōu)先策略計(jì)算出的負(fù)載K,說明在任務(wù)數(shù)量較多的時(shí)候,讓任務(wù)在本地執(zhí)行是一個(gè)更好的選擇,但是通過一定的迭代未改進(jìn)的聯(lián)合任務(wù)遷移策略在任務(wù)數(shù)較多的情況下沒有搜索到更優(yōu)的負(fù)載K。而優(yōu)化過粒子初始位置的聯(lián)合任務(wù)遷移策略計(jì)算出的負(fù)載K與其他策略計(jì)算出的負(fù)載K相比,在大部分情況下都是更低的。從圖中也可以發(fā)現(xiàn),優(yōu)化后的聯(lián)合任務(wù)遷移策略的曲線大致為其它遷移策略的最低點(diǎn)的連線。由此也可以認(rèn)為改進(jìn)后的聯(lián)合任務(wù)遷移策略在不同任務(wù)數(shù)下搜索最優(yōu)負(fù)載K的表現(xiàn)中有著更好的表現(xiàn)。

【參考文獻(xiàn)】：
期刊論文
[1]一種移動(dòng)內(nèi)容分發(fā)網(wǎng)絡(luò)的分層協(xié)同緩存機(jī)制[J]. 葛志誠(chéng),徐恪,陳靚,李彤,姚龍,沈蒙.  計(jì)算機(jī)學(xué)報(bào). 2018(12)
[2]Adaptive Application Offloading Decision and Transmission Scheduling for Mobile Cloud Computing[J]. Junyi Wang,Jie Peng,Yanheng Wei,Didi Liu,Jielin Fu.  中國(guó)通信. 2017(03)

博士論文
[1]5G網(wǎng)絡(luò)移動(dòng)邊緣緩存與計(jì)算研究[D]. 郝義學(xué).華中科技大學(xué) 2017

碩士論文
[1]移動(dòng)邊緣計(jì)算環(huán)境下的任務(wù)遷移策略研究[D]. 孔月.西安理工大學(xué) 2018
[2]基于移動(dòng)邊緣計(jì)算的任務(wù)卸載策略研究[D]. 劉國(guó)強(qiáng).哈爾濱工業(yè)大學(xué) 2018
[3]移動(dòng)社會(huì)網(wǎng)絡(luò)內(nèi)容分發(fā)服務(wù)及邊緣緩存策略研究[D]. 李博.電子科技大學(xué) 2018
[4]移動(dòng)邊緣計(jì)算中基于移動(dòng)模型的任務(wù)遷移算法與協(xié)議研究[D]. 王梓.電子科技大學(xué) 2018
[5]面向5G網(wǎng)絡(luò)的邊緣計(jì)算遷移策略研究與仿真[D]. 趙丹.北京郵電大學(xué) 2018
[6]基于移動(dòng)邊緣計(jì)算的任務(wù)遷移策略研究[D]. 鄧茂菲.北京郵電大學(xué) 2017



本文編號(hào)：3614630