摘要
随着SG时代的到来，全面数字化而引发的数据海啸迅速吞噬着全球的计算，通信和存储资源，移动通信网络面临着移动智能设备持续的大幅增加而引发的网络拥塞，负载过大，带宽不足等严峻挑战。此外，物联网技术的蓬勃发展使得具有复杂要求的新一代应用程序成为常态，而资源受限的移动终端设备在面对时延敏感型和计算密集型的新兴应用程序时存在能力不匹配的问题。因此，为了支持信息与通信技术(InformationandCommunicationsTechnology,ICT)和互联网爆炸式发展，移动边缘计算(MobileEdgeComputing,MEC)通过将流量，计算和网络功能推向网络边缘，为用户提供低时延和高带宽的数据连接和IT服务。本文研究了移动边缘计算中的资源分配和计算卸载优化的相关问题，主要贡献如下: 第一，针对多个用户存在的粗粒度任务卸载场景，联合优化用户发射功率、边缘服务器计算资源、卸载决策来最大化MEC系统中所有用户的卸载收益总和。为了在可行时间内获得该优化问题的解，本文将其分解为两个子问题，一是具有固定卸载决策的资源分配方案求解，该问题可以使用凸优化和拟凸优化技术进行解决。二是资源分配方案己定时，求解最优值函数的卸载决策问题，本文设计了基于基尼系数的自适应优化算法(GiniCoefficientAdaptiveGeneticAlgorithm，GCAGA)来解决该问题。该算法将基尼系数和自适应遗传算法相结合，利用先验知识降低优化问题的搜索空间，同时使用自适应算子加快搜索速度。仿真实验表明，此算法相较于传统的遗传算法可以有效地加快收敛速度，并在云端资源受限，用户对时延更为敏感时，能显著提高用户卸载收益总和。 第二，充分考虑单用户应用程序内部的拓扑结构，进一步研究了其中的非线性依赖型任务，即细粒度任务，并提出了基于全拓扑排序的边缘卸载决策算法(EdgeComputingOffloadingwithAllTopoSorting，ECOATS)以优化资源分配方案和卸载决策，使得单用户在固定时延约束下，任务执行能耗最小化。该算法可分为两个阶段:第一阶段通过全拓扑排序算法将非线性依赖型任务转化为一组线性依赖型任务。第二阶段则针对产生的每一个线性依赖型任务，以本地计算频率、发射功率、计算卸载决策为优化变量来最小化用户能耗。鉴于这是一个MINLP问题，故将其分为整数规划和非整数规划分别进行求解。非整数规划部分可以转化为凸问题，进而利用构造拉格朗日乘子法求解。整数规划部分为NP-hard问题，可使用一次性卸载原则和线性搜索算法，从而在线性时间复杂度内得到最优卸载决策。仿真结果表明该算法能有效的节省能耗，且时间复杂度较低。
NETL