[发明专利]多基站多服务器场景下的任务卸载和资源调度方法及装置

权利要求书

1.一种多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，包括：

边缘服务器接收由用户设备发送的需要卸载到基站处理的计算任务；其中，所述基站与所述边缘服务器具有一一对应的关系；

基于所述计算任务，所述边缘服务器将分配与所述计算任务相应的计算资源；其中，所述计算资源为通过设置惩罚因子、容忍误差和惩罚因子递减系数，并使用牛顿内点法进行迭代求解直至满足预设结束迭代条件时确定的计算资源分配结果；

基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果；

根据所述计算资源分配结果确定任务卸载和计算资源调度策略，根据信道资源分配结果和基站选择结果确定信道资源调度策略；

其中，所述基站选择结果、信道资源分配结果和计算资源分配结果作为三个变量指标，进行系统成本优化，系统成本优化的目标函数的形式化表达为：ξ表示权衡参数，0≤ξ≤1，T表示所有任务的执行时间，E表示系统总能耗；

所述目标函数中关于计算资源分配的子问题表示为：

其中，表示完成卸载至基站n上所有计算任务u_n所需要的CPU周期数，表示用户设备n的CPU频率，ρ^e表示与基站服务器硬件结构相关的一定值参数；

运用牛顿内点法依据变量计算资源c的约束条件，定义对数惩罚函数φ(c),从而将子问题转化为无约束优化问题：

τ^(k)为牛顿内点法中定义的惩罚因子，对所述无约束优化问题进行关于c求导可以得到

初始化惩罚因子τ⁽⁰⁾，定义容许误差ε和惩罚因子的递减系数μ，迭代循环求解(14)得到并在每次循环中通过τ^(k+1)＝τ^(k)×μ更新惩罚因子，直至(U_n+1)τ^(k)＜ε结束迭代，其中，(U_n+1)表示基站n能够提供的用户设备总量；针对n，得到用户设备在服务器n上的计算资源分配策略集；

所述遗传算法的步骤包括：进行染色体编码和初始化种群；定义适应度函数，执行选择操作；执行交叉和变异操作。

2.根据权利要求1所述的多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，还包括：

基于所述计算资源确定所述计算任务在所述边缘服务器上的执行时间和能量消耗。

3.根据权利要求1所述的多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，预设结束迭代条件为：所述基站能够提供的用户设备总量与惩罚因子的积小于预设的容忍误差。

4.根据权利要求1所述的多基站多服务器场景下的任务卸载和资源调度方法，其特征在于，所述基于计算资源分配的结果采用遗传算法得到信道资源分配结果和基站选择结果，具体包括：

基于计算资源分配的结果采用遗传算法进行不少于一千次迭代得到信道资源分配结果和基站选择结果。