在任务计算密集型和延迟敏感型的场景下,无人机辅助的移动边缘计算由于其高机动性和放置成本低的特点而被广泛研究.然而,无人机的能耗限制导致其无法长时间工作并且卸载任务内的不同模块往往存在着依赖关系.针对这种情况,以有向无环图(d...在任务计算密集型和延迟敏感型的场景下,无人机辅助的移动边缘计算由于其高机动性和放置成本低的特点而被广泛研究.然而,无人机的能耗限制导致其无法长时间工作并且卸载任务内的不同模块往往存在着依赖关系.针对这种情况,以有向无环图(direct acyclic graph,DAG)为基础对任务内部模块的依赖关系进行建模,综合考虑系统时延和能耗的影响,以最小化系统成本为优化目标得到最优的卸载策略.为了解决这一优化问题,提出了一种基于亚群、高斯变异和反向学习的二进制灰狼优化算法(binary grey wolf optimization algorithm based on subpopulation,Gaussian mutation,and reverse learning,BGWOSGR).仿真结果表明,所提出算法计算出的系统成本比其他4种对比方法分别降低了约19%、27%、16%、13%,并且收敛速度更快.展开更多
文摘在任务计算密集型和延迟敏感型的场景下,无人机辅助的移动边缘计算由于其高机动性和放置成本低的特点而被广泛研究.然而,无人机的能耗限制导致其无法长时间工作并且卸载任务内的不同模块往往存在着依赖关系.针对这种情况,以有向无环图(direct acyclic graph,DAG)为基础对任务内部模块的依赖关系进行建模,综合考虑系统时延和能耗的影响,以最小化系统成本为优化目标得到最优的卸载策略.为了解决这一优化问题,提出了一种基于亚群、高斯变异和反向学习的二进制灰狼优化算法(binary grey wolf optimization algorithm based on subpopulation,Gaussian mutation,and reverse learning,BGWOSGR).仿真结果表明,所提出算法计算出的系统成本比其他4种对比方法分别降低了约19%、27%、16%、13%,并且收敛速度更快.
