摘 要：車聯(lián)網(wǎng)場(chǎng)景中，計(jì)算任務(wù)處理的時(shí)延敏感性極高，將計(jì)算任務(wù)卸載至邊緣服務(wù)器是降低時(shí)延的有效手段，進(jìn)行任務(wù)卸載還需要綜合考慮負(fù)載均衡以及能耗問(wèn)題。為此提出一種融合差分進(jìn)化改進(jìn)的快速非支配排序遺傳算法（NSGA- Ⅲ -DE）卸載方案，引入了緩存模型、時(shí)延模型、能耗模型、負(fù)載均衡模型，實(shí)現(xiàn)多目標(biāo)優(yōu)化問(wèn)題。所提出的算法與NSGA- Ⅱ" 算法相比，系統(tǒng)時(shí)延降低了18.5%，能量消耗減少了44.5%，負(fù)載均衡標(biāo)準(zhǔn)差下降了14.7%，充分驗(yàn)證了NSGA- Ⅲ -DE算法的有效性和優(yōu)越性。

關(guān)鍵詞：邊緣計(jì)算；任務(wù)卸載；緩存模型；差分進(jìn)化；多目標(biāo)優(yōu)化；NSGA- Ⅲ算法

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）01-0-05

0 引 言

相較于傳統(tǒng)的云計(jì)算技術(shù)，邊緣計(jì)算減少了路由的跳數(shù)、縮短了設(shè)備與服務(wù)器之間的物理距離，從而有效降低了數(shù)據(jù)延遲時(shí)間，提高了穩(wěn)定性。智慧交通系統(tǒng)車聯(lián)網(wǎng)對(duì)邊緣設(shè)備的任務(wù)卸載策略、負(fù)載均衡、能耗、實(shí)時(shí)性及穩(wěn)定性都有嚴(yán)格要求，是當(dāng)前研究的熱點(diǎn)。

文獻(xiàn)[1]設(shè)計(jì)了一個(gè)分布式調(diào)度機(jī)制，旨在最大程度地提升服務(wù)率。文獻(xiàn)[2]針對(duì)多服務(wù)器場(chǎng)景，提出了一種在線計(jì)算調(diào)度方法，以實(shí)現(xiàn)合理的任務(wù)調(diào)度，從而減輕服務(wù)器負(fù)載。文獻(xiàn)[3]提出了一種基于指針網(wǎng)絡(luò)的計(jì)算卸載與任務(wù)調(diào)度方案，該方案通過(guò)設(shè)定卸載優(yōu)先級(jí)，并采用深度強(qiáng)化學(xué)習(xí)的方法訓(xùn)練指針網(wǎng)絡(luò)，以達(dá)到減少任務(wù)執(zhí)行時(shí)延與車輛能耗的目的。目前在車聯(lián)網(wǎng)邊緣計(jì)算任務(wù)卸載領(lǐng)域，評(píng)價(jià)指標(biāo)多以時(shí)延與能耗為主。文獻(xiàn)[4]采用一種多目標(biāo)優(yōu)化的計(jì)算卸載機(jī)制，緩解網(wǎng)絡(luò)負(fù)荷，降低卸載能耗以及任務(wù)卸載響應(yīng)時(shí)延。文獻(xiàn)[5]提出了一個(gè)云邊協(xié)同的計(jì)算卸載方式，聯(lián)合優(yōu)化了資源調(diào)度，最大化了系統(tǒng)效用函數(shù)，該設(shè)計(jì)同時(shí)考慮了時(shí)延、計(jì)算資源開(kāi)銷、歸一化這3個(gè)指標(biāo)。伴隨著計(jì)算任務(wù)的增多，服務(wù)器的負(fù)載問(wèn)題逐漸引起了廣大研究者的關(guān)注。文獻(xiàn)[6]針對(duì)任務(wù)負(fù)載的相互依賴性，提出了一種兩層負(fù)載模型，通過(guò)優(yōu)化資源分配、用戶關(guān)聯(lián)和計(jì)算負(fù)載使系統(tǒng)能耗最小化。文獻(xiàn)[7]提出了通過(guò)附近車輛的空閑資源來(lái)緩解服務(wù)器過(guò)載問(wèn)題，采用雙深度Q網(wǎng)絡(luò)方法得到任務(wù)卸載和資源分配的最優(yōu)策略。文獻(xiàn)[8]建立了一個(gè)數(shù)據(jù)壓縮和安全保護(hù)任務(wù)優(yōu)化模型，將計(jì)算負(fù)載建模成非線性函數(shù)，通過(guò)設(shè)計(jì)的卸載算法達(dá)到降低負(fù)載的目的。

就現(xiàn)有的研究而言，計(jì)算卸載的需求差異使得目前計(jì)算卸載策略的目標(biāo)集中于時(shí)延或能耗方向的優(yōu)化[9]、資源調(diào)度機(jī)制的選擇[10]以及時(shí)延與能耗權(quán)衡的多目標(biāo)優(yōu)化[11]。但在車載設(shè)備邊緣計(jì)算的場(chǎng)景下，計(jì)算卸載模型以及卸載策略方面仍面臨著諸多挑戰(zhàn)，大量計(jì)算任務(wù)的出現(xiàn)使得邊緣服務(wù)器的負(fù)載成為亟待解決的問(wèn)題。

據(jù)此本文建立了車聯(lián)網(wǎng)邊緣計(jì)算場(chǎng)景下的多任務(wù)卸載模型，在兼顧時(shí)延與能耗的同時(shí)，考慮邊緣服務(wù)器負(fù)載對(duì)整體的影響，以三者最小化問(wèn)題為優(yōu)化目標(biāo)，改進(jìn)NSGA- Ⅲ算法，提出了融合差分進(jìn)化策略的快速非支配排序遺傳算法（NSGA- Ⅲ -DE算法），引入了緩存模型和資源優(yōu)先調(diào)度機(jī)制，實(shí)現(xiàn)了多目標(biāo)問(wèn)題的優(yōu)化。

1 系統(tǒng)模型

1.1 系統(tǒng)場(chǎng)景

假設(shè)在該場(chǎng)景下有n輛車，每一輛車都有獨(dú)立的計(jì)算密集型任務(wù)，有m個(gè)邊緣服務(wù)器，車載終端設(shè)備產(chǎn)生計(jì)算任務(wù)，通過(guò)5G或WiFi的方式傳輸至路邊單元；同時(shí)本研究設(shè)計(jì)為每一個(gè)路邊單元配備一個(gè)邊緣服務(wù)器，由路邊單元接收數(shù)據(jù)。

在本文場(chǎng)景中，車輛設(shè)備集合記作。

對(duì)車輛特征信息建模為，為車載終端計(jì)算單元的計(jì)算能力，和分別表示終端設(shè)備計(jì)算任務(wù)的上傳和下傳速率。假定終端設(shè)備上有一個(gè)特定類型的計(jì)算密集型任務(wù)，記作。計(jì)算任務(wù)特征信息建模。其中表示計(jì)算任務(wù)的輸入數(shù)據(jù)；表示計(jì)算任務(wù)的輸出數(shù)據(jù)；wj表示執(zhí)行第j個(gè)任務(wù)時(shí)的計(jì)算量；表示執(zhí)行第j個(gè)任務(wù)的計(jì)算資源；表示執(zhí)行第j個(gè)任務(wù)的存儲(chǔ)資源。當(dāng)車載計(jì)算單元無(wú)法負(fù)擔(dān)計(jì)算任務(wù)的算力時(shí)，車輛將任務(wù)傳輸?shù)竭吘壏?wù)器E，使邊緣服務(wù)器作為算力分擔(dān)設(shè)備，邊緣服務(wù)器記作

。對(duì)邊緣服務(wù)器特征信息建模為。其中表示第i個(gè)邊緣服務(wù)器的計(jì)算能力；表示第i個(gè)邊緣服務(wù)器的計(jì)算資源；表示第i個(gè)邊緣服務(wù)器的存儲(chǔ)資源。

1.2 緩存模型

本文設(shè)計(jì)了車載邊緣計(jì)算任務(wù)卸載的緩存模型。在實(shí)際應(yīng)用場(chǎng)景中，邊緣服務(wù)器在為計(jì)算任務(wù)提供服務(wù)時(shí)會(huì)提前在服務(wù)器端緩存任務(wù)所需的服務(wù)應(yīng)用，這樣可以為任務(wù)提供更高效的服務(wù)，盡可能地減少時(shí)延與能耗。為此設(shè)計(jì)了緩存策略，定義二進(jìn)制緩存決策變量Hj，規(guī)定當(dāng)Hj=0時(shí)代表邊緣服務(wù)器上沒(méi)有緩存任務(wù)，反之Hj=1時(shí)代表已經(jīng)緩存了任務(wù)。當(dāng)任務(wù)被分配到本地進(jìn)行計(jì)算時(shí)，首先檢查該任務(wù)是否已經(jīng)被緩存在設(shè)備的緩存中，即緩存是否命中。如果是，則可以直接讀取緩存中的數(shù)據(jù)并進(jìn)行計(jì)算，否則需要在儲(chǔ)存設(shè)備中讀取數(shù)據(jù)，并將計(jì)算結(jié)果緩存在設(shè)備的緩存中。

本文假設(shè)該場(chǎng)景下每個(gè)邊緣服務(wù)器的緩存容量相同，考慮到邊緣服務(wù)器緩存容量有限的問(wèn)題，該緩存模型在執(zhí)行時(shí)應(yīng)該滿足的約束條件見(jiàn)式（1）：

（1）

此外將邊緣服務(wù)器按實(shí)時(shí)可用計(jì)算資源的大小進(jìn)行排序，資源大者優(yōu)先級(jí)高，任務(wù)優(yōu)先選擇計(jì)算資源多的邊緣服務(wù)器。

1.3 時(shí)延模型

整體任務(wù)時(shí)延主要分為3部分：本地計(jì)算時(shí)延，服務(wù)器計(jì)算時(shí)延，傳輸時(shí)延。本地計(jì)算時(shí)延是車輛計(jì)算任務(wù)在本地車載終端計(jì)算單元上的計(jì)算時(shí)延。本地第j個(gè)任務(wù)的計(jì)算時(shí)延的具體表達(dá)式見(jiàn)式（2）：

（2）

同時(shí)假設(shè)每臺(tái)服務(wù)器在處理計(jì)算任務(wù)時(shí)計(jì)算能力穩(wěn)定，考慮到服務(wù)器任務(wù)的緩存情況，通過(guò)判斷二進(jìn)制變量Hj，得到第j個(gè)任務(wù)在服務(wù)器上的計(jì)算時(shí)延，具體表達(dá)式為：

（3）

計(jì)算任務(wù)在傳輸過(guò)程中的時(shí)延則會(huì)被分為兩部分：上傳時(shí)延、下傳時(shí)延。因此第j個(gè)任務(wù)的傳輸計(jì)算時(shí)延的具體表達(dá)式見(jiàn)式（4）：

（4）

考慮到傳輸過(guò)程中信息的傳輸速率Trans會(huì)受到通信鏈路的影響，結(jié)合香農(nóng)公式， Transup的具體表達(dá)式見(jiàn)式（5）：

" （5）

式中：B代表的是信道帶寬；pup為移動(dòng)設(shè)備上傳信道的傳輸功率；gn， m為移動(dòng)終端n與計(jì)算接入點(diǎn)m之間的信道增益，信道增益gn， m的具體表達(dá)式見(jiàn)式（6）：

（6）

式中：α為路徑損耗指數(shù)；d0為參考距離；d為移動(dòng)設(shè)備與邊緣服務(wù)器的距離；R為路徑損耗常數(shù)。同理可得Transdown的計(jì)算公式。

根據(jù)建立的時(shí)延模型可得，該系統(tǒng)中任務(wù)計(jì)算總時(shí)延 的具體表達(dá)式為：

（7）

1.4 能耗模型

根據(jù)所設(shè)計(jì)的系統(tǒng)模型可知，能耗主要涉及3部分，分別為任務(wù)的本地計(jì)算能耗、服務(wù)器的計(jì)算能耗以及傳輸能耗。假設(shè)該模型中能耗與時(shí)延成正比，假定兩個(gè)能耗系數(shù)λ1、λ2，λ1代表本地能耗系數(shù)，λ2代表邊緣服務(wù)器能耗系數(shù)。因此第j個(gè)任務(wù)的本地能耗的具體表達(dá)式見(jiàn)式（8）：

（8）

當(dāng)計(jì)算任務(wù)被卸載到邊緣服務(wù)器上計(jì)算時(shí)，邊緣服務(wù)器產(chǎn)生計(jì)算能耗，具體表達(dá)式見(jiàn)式（9）：

（9）

計(jì)算任務(wù)被卸載到邊緣服務(wù)器上傳輸時(shí)產(chǎn)生的能耗的具體表達(dá)式見(jiàn)式（10）：

（10）

根據(jù)建立的能耗模型可知，該系統(tǒng)的任務(wù)計(jì)算總能耗的具體表達(dá)式見(jiàn)式（11）：

（11）

1.5 負(fù)載均衡模型

為了更好地對(duì)模型的負(fù)載情況進(jìn)行評(píng)測(cè)，將車輛計(jì)算任務(wù)的卸載決策使用二進(jìn)制變量Fj， i表示為式（12）：

（12）

由此可得服務(wù)器上存在被卸載任務(wù)的服務(wù)器數(shù)量M的具體表達(dá)式見(jiàn)式（13）：

（13）

假設(shè)每個(gè)服務(wù)器的任務(wù)量為Qj，則服務(wù)器的平均任務(wù)量 AQ的具體表達(dá)式見(jiàn)式（14）：

（14）

本節(jié)將標(biāo)準(zhǔn)差作為評(píng)測(cè)服務(wù)器負(fù)載情況的指標(biāo)，來(lái)評(píng)估每臺(tái)邊緣服務(wù)器的負(fù)載情況，標(biāo)準(zhǔn)差用AQS表示，AQS的具體表達(dá)式見(jiàn)式（15）：

（15）

1.6 優(yōu)化目標(biāo)

車聯(lián)網(wǎng)邊緣計(jì)算任務(wù)的卸載模型以最小化時(shí)延為主要優(yōu)化目標(biāo)，并保證各服務(wù)器的負(fù)載均衡，同時(shí)降低服務(wù)器能耗，因此將本文要解決的問(wèn)題定義為：

（16）

（17）

（18）

（19）

式（16）表示優(yōu)化目標(biāo)的時(shí)延、能耗、標(biāo)準(zhǔn)差（即負(fù)載）最小化；式（17）表示在計(jì)算任務(wù)的卸載過(guò)程中服務(wù)器的計(jì)算資源不會(huì)過(guò)載；式（18）表示在計(jì)算任務(wù)的卸載過(guò)程中服務(wù)器存儲(chǔ)資源不會(huì)過(guò)載；式（19）表示每一個(gè)計(jì)算任務(wù)至多卸載到一個(gè)服務(wù)器上。

2 改進(jìn)NSGA- Ⅲ算法任務(wù)卸載方案

本文改進(jìn)了NSGA- Ⅲ算法并與差分進(jìn)化（DE）操作結(jié)合。差分進(jìn)化算法有較好的全局搜索能力且收斂速度快，可在NSGA- Ⅲ算法的基礎(chǔ)上提高算法的搜索效率，這樣既保證了搜索廣度，又可快速靠近最優(yōu)解。另外差分進(jìn)化算法又有較強(qiáng)的魯棒性。將二者結(jié)合提出一種融合差分進(jìn)化操作的非支配排序遺傳算法（NSGA- Ⅲ -DE），用于求解車聯(lián)網(wǎng)計(jì)算卸載場(chǎng)景下的多目標(biāo)任務(wù)卸載問(wèn)題。

2.1 算法改進(jìn)

本文設(shè)計(jì)了一種基于差分進(jìn)化的自適應(yīng)變異算子，不同于單點(diǎn)變異、倒序變異等變異算子，該自適應(yīng)變異算子可以根據(jù)當(dāng)前問(wèn)題的特性和進(jìn)化搜索過(guò)程中得到的信息來(lái)調(diào)整其行為，以更好地適應(yīng)問(wèn)題。

在第g次迭代過(guò)程中，從種群中隨機(jī)選擇3組個(gè)體Xp1（g），Xp2（g），Xp3（g），且p1≠p2≠p3≠i，差分進(jìn)化算法是使用兩個(gè)不同的向量來(lái)干擾一個(gè)現(xiàn)有向量，進(jìn)行差分操作，由此生成的變異向量為：

（20）

式中：S為縮放因子，且參數(shù)S能夠自適應(yīng)調(diào)整。將變異算子中隨機(jī)選擇的3個(gè)個(gè)體從優(yōu)至劣排序，得到Xa、Xb、Xc，對(duì)應(yīng)適應(yīng)度f(wàn)a、fb、fc，將變異算子改為式（21）：

（21）

同時(shí)S的取值根據(jù)生成差分向量的兩個(gè)個(gè)體自適應(yīng)變化，見(jiàn)式（22）：

（22）

式中：Sl=0.1；Su=0.9 。

差分進(jìn)化交叉策略則是對(duì)第g代種群及其變異的中間體進(jìn)行個(gè)體間的交叉操作，交叉算子的具體表達(dá)式見(jiàn)式（23）：

（23）

式中：cr∈[0， 1]為交叉概率，且cr的自適應(yīng)調(diào)整表達(dá)式為：

（24）

式中：fi是個(gè)體Xj的適應(yīng)度；fmin和fmax分別是當(dāng)前種群中最差和最優(yōu)個(gè)體的適應(yīng)度；是當(dāng)前種群適應(yīng)度的平均值；crl和cru分別是交叉概率的下限和上限。

2.2 算法流程

本文算法在NSGA- Ⅲ算法的基礎(chǔ)上增加了差分進(jìn)化策略，差分進(jìn)化的交叉變異算子通過(guò)引入隨機(jī)性來(lái)增加搜索多樣性，擴(kuò)展探索解空間，同時(shí)可以有效地利用歷史信息和種群中個(gè)體間的關(guān)系，提供更快的收斂速度，其框架如下：

（1）輸入系統(tǒng)模型的相關(guān)參數(shù)。

（2）初始化種群：從搜索空間中隨機(jī)生成一組個(gè)體作為初始種群pop，根據(jù)約束條件初始化。

（3）交叉變異操作：將基于差分進(jìn)化的自適應(yīng)變異交叉操作產(chǎn)生的新個(gè)體作為子代，并將父代種群和子代種群合并作為新的種群pop'。

（4）快速非支配排序：根據(jù)每個(gè)個(gè)體的目標(biāo)函數(shù)值進(jìn)行非支配排序，將所有個(gè)體分為不同等級(jí)。

（5）基于參考點(diǎn)的選擇操作：將個(gè)體與參考點(diǎn)進(jìn)行關(guān)聯(lián)操作，并計(jì)算個(gè)體與參考點(diǎn)的距離選出下一代個(gè)體。

（6）更新種群：將新個(gè)體與原始個(gè)體合并，篩除不滿足約束條件的個(gè)體，得到擴(kuò)展種群。

（7） 終止條件判斷：判斷是否滿足循環(huán)終止條件，若滿足，則輸出最終結(jié)果，否則返回第（3）步。

3 仿真實(shí)驗(yàn)及分析

為驗(yàn)證提出的卸載方案與算法的有效性，本文使用MATLAB軟件進(jìn)行仿真實(shí)驗(yàn)。在該仿真實(shí)驗(yàn)中，為公平起見(jiàn)，所有算法方案的種群規(guī)模N=60，最大迭代次數(shù)G=250，終端設(shè)備數(shù)量（任務(wù)數(shù)量）Task設(shè)為40、60、80、100個(gè)。為驗(yàn)證本文算法卸載策略的有效性，將其與NSGA- Ⅲ、NSGA- Ⅱ、MOEA/D、MOEA/D-DE四組算法卸載策略進(jìn)行對(duì)比實(shí)驗(yàn)。仿真實(shí)驗(yàn)的主要參數(shù)設(shè)定見(jiàn)表1。

3.1 算法有效性評(píng)估

在對(duì)比實(shí)驗(yàn)中將系統(tǒng)時(shí)延、能耗與服務(wù)器負(fù)載均衡作為重要評(píng)判指標(biāo)，將參數(shù)最小化作為優(yōu)化目標(biāo)，與NSGA- Ⅱ、NSGA- Ⅲ、MOEA/D和MOEA/D-DE算法進(jìn)行分析對(duì)比，統(tǒng)一進(jìn)行250次迭代得到優(yōu)化后pareto前沿如圖1所示，圖中每一個(gè)點(diǎn)都代表算法的一個(gè)卸載優(yōu)化方案，本文卸載方案在時(shí)延、負(fù)載、能耗這3個(gè)維度上得到的解的集合更為接近原點(diǎn)，即本文的卸載方案更優(yōu)。

在各個(gè)算法的優(yōu)化下，產(chǎn)生的卸載方案對(duì)時(shí)延與能耗關(guān)系的影響如圖2所示。在各個(gè)算法策略下，能耗均隨時(shí)延的增加呈上升趨勢(shì)，這是由于任務(wù)在服務(wù)器上的執(zhí)行時(shí)間增加，導(dǎo)致服務(wù)器產(chǎn)生更多能量消耗。根據(jù)式（15）可知，本文提出的NSGA- Ⅲ -DE算法優(yōu)化策略，相較于其他算法在相同的時(shí)間消耗下能產(chǎn)生更少的能量消耗。負(fù)載與時(shí)延的關(guān)系如圖3所示，在相同負(fù)載下，NSGA- Ⅲ -DE算法的卸載策略產(chǎn)生的時(shí)延明顯低于其他算法，表明NSGA- Ⅲ -DE算法在尋找最優(yōu)解方面性能突出，能夠避免局部最優(yōu)情況的出現(xiàn)。各個(gè)算法下優(yōu)化卸載方案中負(fù)載與能耗的關(guān)系如圖4所示，其他對(duì)比算法的優(yōu)化方案在相同負(fù)載下的能耗相對(duì)一致，NSGA- Ⅲ -DE算法可保證相同負(fù)載下能耗更低，提高了解的質(zhì)量。

3.2 不同算法的性能對(duì)比

NSGA- Ⅲ -DE算法、NSGA- Ⅱ算法、NSGA- Ⅲ算法、MOEA/D算法和MOEA/D-DE算法在不同用戶數(shù)量下對(duì)時(shí)延的影響如圖5所示。NSGA- Ⅲ -DE算法相較于其他算法在各個(gè)用戶數(shù)量下都有很好的時(shí)延表現(xiàn)，該策略下相較于其他算法時(shí)延最小，保證了任務(wù)卸載效率。該算法分別與NSGA- Ⅱ算法、NSGA- Ⅲ算法、MOEA/D算法和MOEA/D-DE算法相比，系統(tǒng)時(shí)延降低了18.5%、25.24%、151.6%和140.2%。

如圖6所示，在NSGA- Ⅲ -DE算法、NSGA- Ⅱ算法、NSGA- Ⅲ算法、MOEA/D算法和MOEA/D-DE算法的優(yōu)化策略下，能耗隨用戶數(shù)量的增加而增加，在相同用戶數(shù)量下NSGA- Ⅲ -DE算法相較于其他算法的能量消耗相對(duì)更少，減少了不必要的能量浪費(fèi)。同時(shí)NSGA- Ⅲ -DE算法相比于NSGA- Ⅱ算法、NSGA- Ⅲ算法、MOEA/D算法和MOEA/D-DE算法能量消耗分別減少了44.5%、35.6%、18.3%和41.1%。

不同用戶數(shù)量下不同算法對(duì)服務(wù)器負(fù)載均衡的影響如圖7所示。本文用標(biāo)準(zhǔn)差來(lái)表示服務(wù)器的負(fù)載均衡情況。負(fù)載均衡可使服務(wù)器避免因任務(wù)過(guò)多產(chǎn)生過(guò)熱或者損壞情況。從圖7中可明顯看出，隨著用戶的增多，各算法下的標(biāo)準(zhǔn)差也在增大，這是因?yàn)殡S任務(wù)的增多，每個(gè)服務(wù)器接收的任務(wù)也在增多，整體標(biāo)準(zhǔn)差呈上升趨勢(shì)。NSGA- Ⅲ -DE算法相較于其他算法在相同數(shù)量任務(wù)下標(biāo)準(zhǔn)差更小，意味著該優(yōu)化方案下服務(wù)器負(fù)載更加均衡；并且NSGA- Ⅲ -DE算法相比于NSGA- Ⅱ算法、NSGA- Ⅲ算法、MOEA/D算法和MOEA/D-DE算法負(fù)載均衡標(biāo)準(zhǔn)差減少了14.7%、12.5%、18.9%和46.4%。

4 結(jié) 語(yǔ)

本文通過(guò)邊緣服務(wù)器按計(jì)算資源優(yōu)先級(jí)排序的方式，提高了計(jì)算資源的利用率。系統(tǒng)通過(guò)加入緩存策略加深卸載決策與傳輸時(shí)延的聯(lián)系，有效降低了系統(tǒng)時(shí)延。本文提出了一種結(jié)合差分進(jìn)化機(jī)制的快速非支配排序遺傳算法（NSGA- Ⅲ -DE）的卸載方案，克服了局部最優(yōu)解問(wèn)題。仿真實(shí)驗(yàn)表明，該算法有更好的尋優(yōu)能力，在處理車聯(lián)網(wǎng)中時(shí)延、能耗、負(fù)載等問(wèn)題上效果更優(yōu)。未來(lái)將繼續(xù)嘗試該算法在真實(shí)智慧交通環(huán)境中的應(yīng)用，考慮車輛在服務(wù)器之間信號(hào)切換對(duì)任務(wù)卸載的影響以及數(shù)據(jù)安全問(wèn)題。

注：本文通訊作者為趙潔。

參考文獻(xiàn)

[1] DAI P， LIU K， WU X， et al. A learning algorithm for real-time service in vehicular networks with Mobile-Edge Computing [C]//ICC 2019-2019 IEEE International Conference on Communications （ICC）. [S.l.]： IEEE， 2019.

[2] HAN Z H， TAN H S， LI X Y， et al. On disc： online latency-sensitive job dispatching and scheduling in heterogeneous Edge-Clouds [J]. IEEE/ACM transactions on networking， 2019（99）： 1-14.

[3] JU X， SU S C， CHAO J X， et al. Computation offloading and tasks scheduling for the internet of vehicles in edge computing： A deep reinforcement learning-based pointer network approach [J]. Computer networks， 2023， 223： 109572.

[4] XU X， GU R， DAI F， et al. Multi-objective computation offloadingfor internet of vehicles in cloud-edge computing [J]. Wireless networks： The journal of mobile communication， computation and" information， 2020， 26（5）： 1611-1629.

[5] ZHAO J， LI Q， GONG Y， et al. Computation offloading and resource allocation for cloud assisted mobile edge computing in vehicular networks [J]. IEEE transactions on vehicular technology， 2019， 68（8）： 7944-7956

[6] DAI Y Y， XU D， MAHARTAN S， et al. Joint computation offloading and user association in Multi-Task mobile edge computing [J]. IEEE transactions on vehicular technology， 2018， 67（12）： 12313-12325.

[7] ZHANG B， ZHU C， JIN L， et al. Task offloading and resource allocation for intersection scenarios in vehicular edge computing [J]. International journal of sensor networks， 2023， 42（1）： 1-14.

[8] WANG Z M， DING Y R ， JIN X M， et al. Task offloading for edge computing in industrial internet with joint data compression and security protection[J]. The journal of supercomputing， 2022， 79（4）： 4291-4317.

[9] 王凌，吳楚格，范文慧. 邊緣計(jì)算資源分配與任務(wù)調(diào)度優(yōu)化綜述[J]. 系統(tǒng)仿真學(xué)報(bào)，2021，33（3）：509-520.

[10]代美玲，劉周斌，郭少勇，等. 基于終端能耗和系統(tǒng)時(shí)延最小化的邊緣計(jì)算卸載及資源分配機(jī)制[J]. 電子與信息學(xué)報(bào)，2019，41（11）：2684-2690.

[11]李國(guó)燕，薛翔，劉毅，等. 改進(jìn)TD3的SDN車聯(lián)網(wǎng)邊緣計(jì)算卸載策略[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2023，29（5）：1627-1634.