国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于邊緣計算的泵閘站數(shù)據(jù)處理任務(wù)分發(fā)機(jī)制研究*

2023-03-02 02:16李旭杰臧振楠劉春燕黃鳳辰
電訊技術(shù) 2023年2期
關(guān)鍵詞:海鞘資源分配時延

李旭杰,臧振楠,孫 穎,劉春燕,黃鳳辰

(1.南通河海大學(xué)海洋與近海工程研究院,江蘇 南通 226300;2.河海大學(xué) 計算機(jī)與信息學(xué)院,南京 211100)

0 引 言

泵閘站工程是防洪排澇及配水的基礎(chǔ)性工程,通過將物聯(lián)網(wǎng)技術(shù)、計算機(jī)技術(shù)、通信技術(shù)與自動控制技術(shù)有機(jī)結(jié)合形成泵站智能監(jiān)控系統(tǒng)[1],實(shí)現(xiàn)泵站實(shí)時智能監(jiān)測、控制及調(diào)度,可實(shí)現(xiàn)無人值守或少人值守,確保泵閘站安全、可靠、高效地運(yùn)行,有力提升水資源的高效利用。

但是,目前泵閘站型號多種多樣,測量設(shè)備的測量方式差異等,從而造成泵站(群)運(yùn)行監(jiān)控數(shù)據(jù)的取值頻率、尺度和時間上存在較大差異。泵站自動化監(jiān)控系統(tǒng)收集了大量泵站運(yùn)行時的工況、測控信息,各泵站平均采集指標(biāo)多達(dá)上千種。除少量數(shù)據(jù)以非實(shí)時方式被同步至管理調(diào)度系統(tǒng)外,大量數(shù)據(jù)只能保留在泵站現(xiàn)場,無法得到有效利用。隨著大量傳感器在泵閘站的部署及應(yīng)用,大量實(shí)時及非實(shí)時數(shù)據(jù)呈爆發(fā)性增長,若采用傳統(tǒng)的端-云(服務(wù)器)信息傳輸及處理體系則易造成網(wǎng)絡(luò)堵塞及時延激增,甚至信息系統(tǒng)崩潰的危情。因此,如何設(shè)計優(yōu)化的信息傳輸體系及任務(wù)分發(fā)機(jī)制,及時處理泵閘站的實(shí)時、非實(shí)時等大量異構(gòu)數(shù)據(jù)則尤顯重要。邊緣計算可將數(shù)據(jù)在終端或邊緣端進(jìn)行計算處理,相比傳統(tǒng)的服務(wù)器端處理模式,可有效降低時延,提升系統(tǒng)效率。

目前,已有不少學(xué)者對邊緣架構(gòu)的處理模式進(jìn)行了研究。文獻(xiàn)[2]將霧計算網(wǎng)絡(luò)架構(gòu)作為云計算網(wǎng)絡(luò)架構(gòu)的擴(kuò)展,將云計算的計算、存儲等各項(xiàng)功能從云數(shù)據(jù)中心轉(zhuǎn)移到更加貼近終端用戶的網(wǎng)絡(luò)邊緣,從而有效降低了數(shù)據(jù)的傳輸時延。文獻(xiàn)[3]在更貼近終端用戶的網(wǎng)絡(luò)邊緣部署了大量的霧節(jié)點(diǎn),其具有通信、計算、緩存、控制等能力;通過任務(wù)調(diào)度技術(shù)將任務(wù)分配給不同的邊緣服務(wù)器或霧節(jié)點(diǎn)進(jìn)行處理,可以有效縮短任務(wù)的響應(yīng)時延。文獻(xiàn)[4]中,作者首先介紹了一種支持多無人機(jī)的移動邊緣計算系統(tǒng),其中部署的無人機(jī)作為地面大規(guī)模終端所產(chǎn)生的任務(wù)卸載的計算服務(wù)器,然后提出了一種兩層優(yōu)化的策略來優(yōu)化無人機(jī)的數(shù)量和任務(wù)調(diào)度方案從而最小化系統(tǒng)的能耗。文獻(xiàn)[5]面向移動邊緣計算系統(tǒng),針對無人機(jī)電池容量有限的問題提出了一種以最小化系統(tǒng)能耗的任務(wù)調(diào)度方法。文獻(xiàn)[6]中,作者針對多無人機(jī)輔助的移動邊緣計算系統(tǒng),對計算資源分配、無人機(jī)的軌跡進(jìn)行了優(yōu)化,從而最小化系統(tǒng)中任務(wù)的完成時間。

綜上所述,目前較少對泵閘站數(shù)據(jù)處理任務(wù)的分發(fā)進(jìn)行分析及優(yōu)化。因此,本文針對泵閘站系統(tǒng),研究設(shè)計一種基于邊緣計算架構(gòu)的泵閘站數(shù)據(jù)處理分發(fā)機(jī)制,對需要及時處理的任務(wù)在終端上即時處理,或?qū)⑷蝿?wù)遷移至邊緣節(jié)點(diǎn)進(jìn)行處理,從而整體提升系統(tǒng)性能。

1 系統(tǒng)架構(gòu)模型

1.1 通信模型

上述系統(tǒng)架構(gòu)模型中,泵閘站傳感器與泵閘邊緣節(jié)點(diǎn)的信道可建模為自由空間傳播信道模型。泵閘站傳感器與泵閘邊緣節(jié)點(diǎn)之間的信道增益可以表示為

(1)

(2)

(3)

(4)

式中:B為信道帶寬;Pi為泵閘站傳感器節(jié)點(diǎn)的發(fā)射功率;n0為噪聲功率譜密度。

1.2 計算模型

在該系統(tǒng)架構(gòu)模型中,泵閘站傳感器的任務(wù)處理方式有兩種:本地計算和完全分發(fā)給泵閘邊緣節(jié)點(diǎn)計算。具體計算模型如下:

(1)本地計算

當(dāng)泵閘站傳感器Si在本地計算其任務(wù)Taski時,將Si的CPU的計算能力表示為fi,則本地計算任務(wù)的處理時延表示為[7]

(5)

(2)泵閘邊緣節(jié)點(diǎn)

當(dāng)泵閘站傳感器Si與泵閘邊緣節(jié)點(diǎn)Ej之間的距離滿足式(3)并根據(jù)任務(wù)分發(fā)決策將其任務(wù)Taski分發(fā)到泵閘邊緣節(jié)點(diǎn)上計算時,Taski的傳輸時延可以表示為

(6)

Taski的計算時延可以表示為

(7)

式中:fi,j表示泵閘邊緣節(jié)點(diǎn)Ej的計算服務(wù)器分配給任務(wù)Taski的計算資源。

在大多數(shù)實(shí)際場景中,任務(wù)計算結(jié)果的數(shù)據(jù)包比特數(shù)較小,與很多研究類似,本文忽略計算結(jié)果的返回時延。任務(wù)Taski的處理時延記作傳輸時延和計算時延之和[8]:

(8)

通過優(yōu)化本地的fi以及邊緣端的fi,j可取得更好的時延性能。

2 問題建模與優(yōu)化指標(biāo)

根據(jù)上述系統(tǒng)架構(gòu)模型的分析,本小節(jié)進(jìn)一步對問題進(jìn)行描述并分析優(yōu)化的性能指標(biāo)。

在基于邊緣計算架構(gòu)的泵閘站數(shù)據(jù)處理任務(wù)分發(fā)模型中,多個泵閘站傳感器節(jié)點(diǎn)有計算任務(wù)需求,這些泵閘站傳感器節(jié)點(diǎn)產(chǎn)生的任務(wù)大小通常是不同的。同時,泵閘站傳感器節(jié)點(diǎn)可能位于多個泵閘邊緣節(jié)點(diǎn)的通信覆蓋范圍內(nèi)。因此,根據(jù)任務(wù)Taski是否在本地計算或者任務(wù)Taski是否分發(fā)到泵閘邊緣節(jié)點(diǎn)Ej計算,定義二進(jìn)制決策變量μi,0和μi,j。具體定義如下:

(9a)

(9b)

式中:μi,0表示任務(wù)Taski是否在本地計算;μi,j表示是否將任務(wù)Taski分發(fā)到泵閘邊緣節(jié)點(diǎn)Ej計算。

根據(jù)上述分析,泵閘站傳感器Si產(chǎn)生的任務(wù)Taski的處理時延可以表示為

(10)

則系統(tǒng)模型中所有泵閘站傳感器產(chǎn)生的任務(wù)的處理時延之和,即所有任務(wù)處理總時延為

(11)

由上可見,如何選擇μi,j則直接影響系統(tǒng)的分發(fā)性能。為滿足泵閘站傳感器對時延敏感型任務(wù)的計算需求,本文最小化系統(tǒng)中所有任務(wù)處理總時延,并根據(jù)上述分析將優(yōu)化問題建模如下:

P1:minF(μi,0,μi,j,fi,j)

(12a)

(12b)

(12c)

(12d)

(12e)

根據(jù)問題建模以及對相關(guān)約束條件的分析,μi,0是整數(shù)變量,而fi,j是線性變量,因此目標(biāo)函數(shù)是一個混合整數(shù)非線性函數(shù)。

3 泵閘站數(shù)據(jù)處理任務(wù)分發(fā)算法

上一小節(jié)對系統(tǒng)模型進(jìn)行了詳細(xì)描述并提出了本文的性能優(yōu)化指標(biāo)以及相應(yīng)的目標(biāo)函數(shù)優(yōu)化問題。由于問題P1中約束C2用于約束整數(shù)變量μi,0和μi,j,約束C3和C4用于約束線性變量fi,j,它們之間是相互解耦的,因此,本小節(jié)將優(yōu)化問題P1轉(zhuǎn)化為兩個子問題分別進(jìn)行求解。其中,當(dāng)泵閘站傳感器節(jié)點(diǎn)產(chǎn)生的任務(wù)的分發(fā)決策確定時,將原問題轉(zhuǎn)化為泵閘邊緣節(jié)點(diǎn)服務(wù)器計算資源分配子問題,可證該子問題是一個典型的凸優(yōu)化問題。當(dāng)最優(yōu)的計算資源分配策略確定時,將原問題轉(zhuǎn)化為計算任務(wù)分發(fā)子問題,該子問題是一個0-1整數(shù)規(guī)劃問題。針對子問題1,其含有線性約束,因此可利用拉格朗日乘子法將有限制的凸優(yōu)化問題轉(zhuǎn)化為沒有限制的問題來求解。針對子問題2,其為典型的組合優(yōu)化問題,其變量空間的不連續(xù)性導(dǎo)致難以用傳統(tǒng)的優(yōu)化方法來進(jìn)行求解,因此利用樽海鞘群算法(Salp Swarm Algorithm,SSA)來進(jìn)行求解。

3.1 基于拉格朗日乘子法的計算資源分配

拉格朗日乘子法通過使用拉格朗日乘子將相關(guān)的約束條件與原目標(biāo)函數(shù)構(gòu)成一個新的拉格朗日函數(shù),將有約束的最優(yōu)化問題轉(zhuǎn)化為一個無約束的極值問題,使得目標(biāo)函數(shù)保持線性關(guān)系并進(jìn)行求解[9]。針對上述分析的計算資源分配子問題,其滿足拉格朗日乘子法的使用條件,因此可以使用該方法進(jìn)行求解。

在上一節(jié)分析的系統(tǒng)模型中,泵閘邊緣節(jié)點(diǎn)僅為確定分發(fā)到其上處理的計算任務(wù)分配計算資源,因此,定義一個集合H表示確定分發(fā)到泵閘邊緣節(jié)點(diǎn)Ej的任務(wù)集合,記作H={i|μi,j=1}。由此,將計算資源分配子問題P2的目標(biāo)函數(shù)表示為

(13)

此外,計算資源子問題P2可以建模為

P2:minT(fi,j)

(14a)

(14b)

(14c)

定理1:計算資源分配子問題P2是一個凸優(yōu)化問題。

證明:首先,使用海塞矩陣(Hessian Matrix)對目標(biāo)函數(shù)求二階導(dǎo)數(shù)。海塞矩陣的每一項(xiàng)可以具體表示為

(15)

由于目標(biāo)函數(shù)T(fi,j)的約束C3和C4是關(guān)于fi,j的線性約束,即目標(biāo)函數(shù)T(fi,j)的域是凸的,因此,目標(biāo)函數(shù)T(fi,j)是關(guān)于計算資源fi,j的凸函數(shù),計算資源分配子問題P2是一個凸優(yōu)化問題。

根據(jù)凸優(yōu)化相關(guān)理論,使用拉格朗日乘子法和KKT(Karush-Kuhn-Tucher)條件以求得子問題P2的最優(yōu)解。

引入拉格朗日乘子λ且λ≥0,根據(jù)式(14)凸優(yōu)化問題構(gòu)建目標(biāo)函數(shù)T(fi,j)的拉格朗日函數(shù):

(16)

(17)

通過求解式(17),可以得到最優(yōu)計算資源分配策略

(18)

將式(18)代入式(13)中,可以得到計算資源分配子問題P2目標(biāo)函數(shù)T(fi,j)的最優(yōu)值為

(19)

3.2 基于樽海鞘群算法的泵閘站數(shù)據(jù)處理任務(wù)分發(fā)算法

樽海鞘群算法是一種新型的啟發(fā)式智能優(yōu)化算法,于2017年由Mirjalili等[10]提出。為模擬樽海鞘鏈的覓食行為,首先按照樽海鞘在種群中的位置,將其分為兩種類型,將位于樽海鞘鏈最前端的樽海鞘稱作領(lǐng)導(dǎo)者,將其他個體稱作追隨者。處于樽海鞘鏈最前端的領(lǐng)導(dǎo)者對于食物源的位置有著最優(yōu)的判斷,因此領(lǐng)導(dǎo)者能夠朝著食物源的正確方向移動并指導(dǎo)緊隨其后的追隨者移動。在基本的樽海鞘群算法中,只有一個領(lǐng)導(dǎo)者,當(dāng)解決的問題存在大量局部最優(yōu)解時,算法容易陷入局部最優(yōu)解,可將領(lǐng)導(dǎo)者的數(shù)量設(shè)置為種群數(shù)量的一半,從而增強(qiáng)算法的局部開發(fā)能力[11]。

樽海鞘群算法的具體流程如圖1所示。

圖1 樽海鞘群算法流程圖

在樽海鞘群算法的搜索空間中,定義矢量X表示個體數(shù)為NP的樽海鞘種群的位置:

(20)

根據(jù)3.1小節(jié)的分析與討論,確定了在泵閘邊緣節(jié)點(diǎn)進(jìn)行計算的任務(wù)分配到的最佳計算資源的封閉形式解。將最優(yōu)的計算資源分配結(jié)果(式(18))代入原始問題P1中,可以得到

(21)

原始問題P1轉(zhuǎn)變?yōu)殛P(guān)于μi,0和μi,j的分發(fā)決策的0-1整數(shù)規(guī)劃問題。因此,可以將計算任務(wù)分發(fā)子問題建模為

P3:minU(μi,0,μi,j)

(22a)

(22b)

(22c)

計算任務(wù)分發(fā)子問題P3是組合優(yōu)化問題中的NP-hard問題,可以使用前面介紹的樽海鞘群算法通過搜索和迭代進(jìn)行求解。本文所提出的基于樽海鞘群算法的泵閘站任務(wù)分發(fā)算法詳細(xì)實(shí)現(xiàn)步驟如下:

(1)種群編碼及初始化

本文將泵閘站任務(wù)分發(fā)問題建模為整數(shù)規(guī)劃問題,為使得樽海鞘群算法能夠應(yīng)用于解決多任務(wù)分發(fā)問題,需要建立以下映射關(guān)系:以樽海鞘種群中個體的位置代表任務(wù)分發(fā)決策,將尋找最優(yōu)任務(wù)分發(fā)決策的過程轉(zhuǎn)化為樽海鞘群算法覓食尋優(yōu),尋找食物源的過程,因此需對樽海鞘群算法進(jìn)行離散處理。

(23)

Xi=(1,3,0,2,0,3,4,1,2) 。

(24)

上式表示9個泵閘站傳感器和4個泵閘邊緣節(jié)點(diǎn)場景下的多任務(wù)分發(fā)問題的一個可行的解決方案,其中,行向量中的位置表示泵閘站傳感器的編號,對應(yīng)的值表示對應(yīng)泵閘站傳感器的分發(fā)決策。對應(yīng)的分發(fā)策略為Task3和Task5在本地計算,Task1和Task8分發(fā)給泵閘邊緣節(jié)點(diǎn)E1計算,Task4和Task9分發(fā)給泵閘邊緣節(jié)點(diǎn)E2計算,Task2和Task6分發(fā)給泵閘邊緣節(jié)點(diǎn)E3計算,Task7分發(fā)給泵閘邊緣節(jié)點(diǎn)E4計算。

(2)食物源位置初始化

本文以優(yōu)化系統(tǒng)中任務(wù)處理總時延為目標(biāo),因此使用公式(21)作為樽海鞘群算法的適應(yīng)度函數(shù)。根據(jù)種群初始化結(jié)果,計算所有個體的適應(yīng)度函數(shù)值,選取適應(yīng)度函數(shù)值最優(yōu)的個體的位置,并將其標(biāo)記為食物源的位置,記為F=(F1,…,Fm,…,FM),F(xiàn)即為當(dāng)前種群的全局最優(yōu)解。

(3)種群位置更新

樽海鞘群算法在每次迭代過程中,種群中的每個個體通過跟隨全局最優(yōu)或其他同伴的位置來更新自身的位置,具體表現(xiàn)為兩種不同的位置更新方式,即領(lǐng)導(dǎo)者位置更新方式和追隨者位置更新方式[12]。傳統(tǒng)的樽海鞘群算法只有一個領(lǐng)導(dǎo)者,這種機(jī)制會增大算法陷入局部最優(yōu)解的概率。因此,將種群中的前NP/2個個體均按照領(lǐng)導(dǎo)者的方式對其位置進(jìn)行更新,種群中的后NP/2個個體的位置按照追隨者的方式更新,并分別進(jìn)行離散處理,從而增強(qiáng)算法的局部探索能力。具體地,對領(lǐng)導(dǎo)者位置更新進(jìn)行離散處理,種群中前NP/2個個體Xi,i>NP/2的位置更新如下:

(25)

(26)

式中:l為當(dāng)前的迭代次數(shù);L為最大的迭代次數(shù)。

對追隨者位置更新進(jìn)行離散處理,種群中后NP/2個個體Xi,i>NP/2的位置更新如下:

(27)

(4)種群位置修正

(28)

式中:%表示取余。

此外,由于仍需要考慮泵閘邊緣節(jié)點(diǎn)的通信覆蓋約束,如公式(3)所示,因此修正結(jié)果首先需要判斷是否滿足通信覆蓋約束,若不滿足,則在該修正值的基礎(chǔ)上累加1,直至滿足約束條件位置。至此,得到新一代的樽海鞘種群。

(5)食物源位置更新

對于新種群中的每個個體,計算其適應(yīng)度函數(shù)值,找出當(dāng)前適應(yīng)度函數(shù)值最優(yōu)的個體,并將其與食物源位置相比較。如果優(yōu)于F,則將原來的食物源位置更新為此個體的位置,完成全局最優(yōu)解的更新;反之不更新,繼續(xù)更新種群位置,進(jìn)入下一次迭代。

綜上所述,基于樽海鞘群算法的泵閘站任務(wù)分發(fā)算法具體步驟歸納如下:

Step1 初始化參數(shù):種群大小NP,泵閘站傳感器數(shù)量M,最大迭代次數(shù)L,上邊界ub,下邊界lb,樽海鞘種群位置X,等。

Step2 根據(jù)公式(21)計算所有個體的適應(yīng)度函數(shù)值,并按照適應(yīng)度值排序,找到當(dāng)前種群最優(yōu)個體,記為食物源F。

Step3 根據(jù)公式(26)更新c1,在區(qū)間[0,1]內(nèi)隨機(jī)生成c2、c3。

Step4 如果i≤NP/2,根據(jù)公式(25)更新領(lǐng)導(dǎo)者位置。

Step5 如果i>NP/2,根據(jù)公式(27)更新追隨者位置。

Step6 根據(jù)公式(28)進(jìn)行位置修正。

Step7 計算種群個體的適應(yīng)度函數(shù)值,并更新食物源位置。

Step8 若達(dá)到設(shè)定迭代次數(shù)L,結(jié)束算法,返回最優(yōu)分發(fā)策略;若否,則返回Step 3。

Step9 結(jié)束。

4 仿真分析

4.1 仿真場景與參數(shù)設(shè)定

為驗(yàn)證樽海鞘群算法在解決泵閘站任務(wù)分發(fā)性能優(yōu)化問題時的合理性與有效性,使用Matlab仿真平臺對系統(tǒng)模型進(jìn)行模擬,并對實(shí)驗(yàn)結(jié)果展開分析[13-14]。具體參數(shù)如表1所示。

表1 仿真參數(shù)設(shè)置

4.2 結(jié)果分析

圖2描述了不同算法下隨著迭代次數(shù)的增加,最佳任務(wù)處理總時延的變化情況。實(shí)驗(yàn)結(jié)果表明,樽海鞘群算法不僅收斂速度最快,并且性能表現(xiàn)最優(yōu)。在收斂速度方面,樽海鞘群算法在第21代就開始收斂,而遺傳算法在第28代開始收斂到一個可行解。在性能表現(xiàn)方面,遺傳算法收斂到的最佳任務(wù)處理總時延比樽海鞘群算法高,隨機(jī)算法性能表現(xiàn)最差。樽海鞘群算法中由于種群中存在領(lǐng)導(dǎo)者,領(lǐng)導(dǎo)者在全局范圍內(nèi)進(jìn)行尋優(yōu),算法在剛開始迭代時就在靠近最優(yōu)解的方向?qū)?yōu),因此樽海鞘群算法的收斂速度更快。該結(jié)果證明了樽海鞘群算法在全局搜索能力和尋優(yōu)速度方面的優(yōu)越性。

(a)Di∈[10,500]×103 b,Ci∈[20,1 000]×106 cycle

(b)Di∈[10,500]b,Ci∈[20,1 000]×103 cycle圖2 不同算法下的任務(wù)處理總時延

為提高實(shí)驗(yàn)結(jié)果的可靠性,增加了蒙特卡洛仿真實(shí)驗(yàn)次數(shù)并進(jìn)行統(tǒng)計,圖3描述了不同算法下最低任務(wù)處理總時延的累積分布函數(shù)曲線(Cumulative Distribution Function,CDF)曲線,展示了最低任務(wù)處理總時延的分布情況。由于每次仿真時泵閘站傳感器產(chǎn)生的任務(wù)的數(shù)據(jù)量大小都會重新初始化,同時泵閘邊緣節(jié)點(diǎn)相對于泵閘站傳感器的分布具有隨機(jī)性,因此最低任務(wù)處理總時延在一定范圍內(nèi)波動。從圖3中CDF曲線的走勢可以看出,隨機(jī)算法的性能最劣,基于樽海鞘群算法的性能最優(yōu)。在樽海鞘群算法下,系統(tǒng)中任務(wù)處理總時延低于45 s的概率為0.76,而遺傳算法和隨機(jī)算法下相應(yīng)的概率分別只有0.67和0.42。該實(shí)驗(yàn)結(jié)果進(jìn)一步體現(xiàn)了樽海鞘群算法可以有效提高時延敏感型任務(wù)的處理性能。

(a)Di∈[10,500]×103 b,Ci∈[20,1 000]×106 cycle

(b)Di∈[10,500]b,Ci∈[20,1 000]×103 cycle圖3 不同算法下最佳任務(wù)處理總時延的CDF曲線

圖4給出了在樽海鞘群算法、遺傳算法和隨機(jī)算法三種不同算法下,優(yōu)化所得的最低任務(wù)處理總時延與泵閘站傳感器數(shù)量的變化情況。從圖中可以直觀地看出,在泵閘站傳感器數(shù)量較少時,樽海鞘群算法和另外兩種算法的最低任務(wù)處理總時延仿真結(jié)果差異并不明顯。隨著泵閘站傳感器數(shù)量的增加,三種算法下的系統(tǒng)中所有任務(wù)處理總時延呈上升趨勢。在泵閘站傳感器數(shù)量大于20時,樽海鞘群算法優(yōu)化所得的系統(tǒng)中所有任務(wù)處理總時延明顯低于遺傳算法和隨機(jī)算法所得到的所有任務(wù)處理總時延;當(dāng)泵閘站傳感器數(shù)量大于100時,樽海鞘群算法下得到最低任務(wù)處理總時延依舊是最優(yōu)的,但三種算法下的最低任務(wù)處理總時延差異較小。這是由于泵閘站傳感器較多時,網(wǎng)絡(luò)中泵閘站傳感器和泵閘邊緣節(jié)點(diǎn)資源有限,不能滿足大規(guī)模泵閘站傳感器的計算需求。

圖4 不同算法下最佳任務(wù)處理總時延與泵閘站傳感器節(jié)點(diǎn)數(shù)量的關(guān)系

為了驗(yàn)證基于拉格朗日乘子法的計算資源分配的優(yōu)越性,圖5展示了平均資源分配和最優(yōu)資源分配下的系統(tǒng)中所有任務(wù)處理總時延,分別對比了隨機(jī)算法、遺傳算法和樽海鞘群算法下的兩種計算資源分配情況。從仿真結(jié)果可以看出,隨著泵閘站傳感器數(shù)量的增多,兩種資源分配方案下得到的任務(wù)處理總時延也隨之增加。此外,對于相同數(shù)量的泵閘站傳感器,三種算法下的基于拉格朗日乘子法的最優(yōu)資源分配得到的任務(wù)處理總時延總是低于平均資源分配,進(jìn)一步體現(xiàn)了基于拉格朗日乘子法的最優(yōu)資源分配在所研究問題中的重要作用。

圖5 不同資源分配方法下的任務(wù)處理總時延

圖6描述了在終端節(jié)點(diǎn)數(shù)量從10增加到50時,任務(wù)全隨機(jī)卸載和平均資源分配、樽海鞘群卸載和平均資源分配、樽海鞘群卸載和拉格朗日資源分配等幾種算法的系統(tǒng)任務(wù)處理總時延。從圖中可見,任務(wù)全隨機(jī)卸載和平均資源分配的任務(wù)處理總時延最高,本文所提的樽海鞘群卸載和拉格朗日資源分配算法的任務(wù)處理總時延最低。本文所提算法比任務(wù)全隨機(jī)卸載和平均資源分配算法可以降低76.9%的任務(wù)處理時延,比樽海鞘群卸載和平均資源分配算法降低了29.2%的任務(wù)處理時延。這是由于任務(wù)全隨機(jī)卸載和平均資源分配算法沒有對邊緣節(jié)點(diǎn)的計算資源進(jìn)行有效的利用,所以性能最劣。樽海鞘群卸載和平均資源分配算法雖然對卸載策略進(jìn)行了優(yōu)化但對平均資源的分配沒有優(yōu)化,其性能也較差。樽海鞘群卸載和拉格朗日資源分配對本地節(jié)點(diǎn)、邊緣節(jié)點(diǎn)的計算資源進(jìn)行了最優(yōu)的分配,有效降低了任務(wù)處理總時延。

圖6 不同任務(wù)卸載與資源分配算法下的任務(wù)處理總時延

5 結(jié) 論

本文針對泵閘站數(shù)據(jù)處理任務(wù)分發(fā)問題,將其建模為混合整數(shù)非線性規(guī)劃問題。為求解該問題,將其解耦為計算資源分配子問題和任務(wù)分發(fā)子問題,然后利用拉格朗日乘子法對計算資源分配子問題進(jìn)行求解計算,利用樽海鞘群算法對任務(wù)分發(fā)子問題進(jìn)行求解計算。通過不斷迭代交替求解,得到最佳的計算資源分配和任務(wù)分發(fā)策略。仿真結(jié)果表明,本文所提算法能夠有效降低系統(tǒng)中所有任務(wù)處理的總時延,從而保障了泵閘站傳感器時延敏感型任務(wù)的處理質(zhì)量。

猜你喜歡
海鞘資源分配時延
改進(jìn)樽海鞘群優(yōu)化K-means算法的圖像分割
新研究揭示新冠疫情對資源分配的影響 精讀
基于GCC-nearest時延估計的室內(nèi)聲源定位
一種基于價格競爭的D2D通信資源分配算法
基于改進(jìn)二次相關(guān)算法的TDOA時延估計
基于動態(tài)規(guī)劃理論的特種設(shè)備檢驗(yàn)資源分配研究
基于動態(tài)規(guī)劃理論的特種設(shè)備檢驗(yàn)資源分配研究
中國沿海污損性海鞘生態(tài)特點(diǎn)及研究展望
云環(huán)境下公平性優(yōu)化的資源分配方法
FRFT在水聲信道時延頻移聯(lián)合估計中的應(yīng)用