[发明专利]一种移动云环境下基于差分进化的计算任务卸载方法

说明书

本发明公开了一种移动云环境下基于差分进化的计算任务卸载方法，步骤为：将推断计算过程转化为任务图，构建任务卸载模型；度量种群个体相似性，得到差异性最大的初始化种群；加权融合种群进化代数和个体适应度调整缩放因子，根据缩放因子选择变异策略；混合目标个体与变异个体各维度分量产生交叉个体，比较其与目标个体的适应度，保留适应度更好的个体进入下一代；根据种群适应度方差度量种群个体的聚集程度，随机选取部分个体进行二次变异；判断是否满足迭代次数，是则输出种群中最优个体的编码，否则继续迭代；将种群中最优个体的编码解码成任务卸载方案，并输出方案。本发明算法寻优能力强，能在满足费用约束的情况下，有效缩短任务响应时间。

技术领域

本发明属于移动云计算领域，特别涉及一种移动云环境下基于差分进化的计算任务卸载方法。

背景技术

随着移动设备、嵌入式设备的发展，这些设备上也需要应用深度学习计算。CNN 是深度学习的重要分支，已被广泛应用在语音识别、文档分析、语言检测和图像识别等领域。CNN作为计算密集型网络，一般采用云计算解决方案，但这限制了需要实时响应的应用程序，同时可能会带来隐私泄露、能耗开销加剧等问题。而近年来CNN层数不断加深，存储空间较小、计算能力有限的移动端设备无法满足CNN模型的存储和计算需求，因此直接在本地进行CNN模型的推断计算也面临巨大困难。移动云计算是基于手机等终端设备的云计算技术，它利用云的存储和计算资源突破了移动终端的资源限制。移动云计算主要通过任务卸载来增强移动设备的数据处理能力、减少手机能耗。任务卸载是指将移动设备上的任务部分或全部发送到云平台进行处理，实现减少计算延迟、节约能耗、保护数据隐私性等目的。以任务卸载技术为基础的协同推断模式采用端云协作方法，将计算任务动态地部署在云和边缘两者之间，结合云计算能力强的优势和移动端传输时延低的优势，成为移动云环境中CNN计算优化研究的新方向。其核心思想是以层为粒度对神经网络进行切分，部分层在移动端进行推断计算，而另一部分则卸载到云中。现有基于协同推断的研究多以最小化时延或能耗为单一卸载目标，忽视了用户 Qos需求对任务卸载决策的影响，往往不能满足用户的需求。

发明内容

发明目的：为了克服现有技术中的问题，针对以最小化时延为单一目标的卸载策略难以满足用户Qos需求的问题，本发明提供一种移动云环境下基于差分进化的计算任务卸载方法，能够提高算法寻优能力，能有效缩短任务响应时间并根据设定的云平台费用约束和不同网速，自适应地制定卸载决策。

技术方案：为实现上述目的，本发明提供一种移动云环境下基于差分进化的计算任务卸载方法，包括如下步骤：

(1)将推断计算过程转化为任务图，建立响应时间和执行费用模型，并构建费用约束下最小化时延的任务卸载模型；

(2)使用加权海明距离度量种群个体相似性，得到差异性最大的初始化种群；

(3)计算每个个体适应度，综合考虑进化代数与个体适应度，加权融合两种影响因素动态调整缩放因子；

(4)对原始变异操作进行二进制转换，根据缩放因子选择变异策略；

(5)将目标个体与变异个体各维度分量混合，产生交叉个体；比较交叉个体与目标个体的适应度，使用贪心策略将适应度更好的个体保留下来进入下一代；

(6)根据二次变异机制，使用种群适应度方差度量种群个体的聚集程度，若种群适应度小于阈值，从种群中选择最优个体并随机选取部分个体，对这些个体的每一维分量进行随机扰动；

(7)判断是否满足迭代次数，是则输出种群中最优个体的编码，否则返回步骤(3)继续迭代；

(8)将种群中最优个体的编码解码作为任务最优卸载方案，并输出方案。

进一步的，所述步骤(2)中加权海明距离初始化种群的具体步骤如下：

定义加权海明距离函数为：