本發(fā)明涉及能量管理和資源優(yōu)化，尤其涉及一種綠色邊緣計算任務卸載和資源優(yōu)化方法。

背景技術：

1、隨著信息技術的飛速發(fā)展，現(xiàn)代智慧港口的運作日益依賴大規(guī)模數(shù)據(jù)的實時處理與分析。物聯(lián)網(wǎng)(iot)、邊緣計算(edge?computing)和云計算(cloud?computing)等技術的逐步成熟，為智慧港口的自動化管理和優(yōu)化提供了強有力的支撐。在智慧港口場景中，船只靠泊、貨物裝卸、設備維護等環(huán)節(jié)均需借助智能設備來進行實時監(jiān)控和調度。這些任務往往對處理時延和能量消耗有著嚴格的要求，因此如何在保證任務高效完成的前提下，優(yōu)化資源分配、減少計算能耗成為亟待解決的難題。傳統(tǒng)的計算任務通常通過云端集中處理，雖然具備較強的計算能力，但由于數(shù)據(jù)傳輸?shù)臅r延較高，難以滿足港口中部分任務對低時延的需求。同時，邊緣計算為解決時延問題提供了一種新思路，它允許將部分計算任務卸載至靠近數(shù)據(jù)源的邊緣設備進行處理，從而減輕網(wǎng)絡壓力。然而，現(xiàn)有的邊緣計算方案在面對不同任務時，缺乏對時延敏感度和能量消耗的分類與區(qū)分，難以實現(xiàn)最優(yōu)的任務卸載策略。

2、目前針對智慧港口中任務卸載問題的研究，雖然在一定程度上能夠優(yōu)化任務的分配，但普遍存在以下不足之處：首先，在任務分類和處理上，現(xiàn)有方法缺乏對任務類型的精細劃分，尤其是未能充分考慮到任務的時延需求和能量消耗需求的差異；其次，現(xiàn)有的任務卸載策略大多采用靜態(tài)或預先設定的規(guī)則，未能根據(jù)實際運行狀態(tài)動態(tài)調整資源的分配和卸載方式，導致系統(tǒng)能效和響應時間難以達到最優(yōu)；最后，在資源優(yōu)化方面，未能結合全局優(yōu)化算法進行動態(tài)任務分配，使得任務在多個節(jié)點間的卸載策略不夠智能和靈活。

技術實現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本技術的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。因此，本發(fā)明提供了一種綠色邊緣計算任務卸載和資源優(yōu)化方法，用來解決背景技術中提出的問題。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：一種綠色邊緣計算任務卸載和資源優(yōu)化方法，包括：

4、獲取智慧港口在處理中的任務類型，考慮時延需求和能量需求對所述任務類型進行分類；

5、建立網(wǎng)絡優(yōu)化資源模型，對分類后的任務類型進行處理，并以最小化能量消耗和時延滿足度作為任務卸載目標；

6、基于灰狼算法進行任務卸載目標進行全局優(yōu)化，得到最優(yōu)網(wǎng)絡資源分配解。

7、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：考慮時延需求和能量需求對所述任務類型進行分類，包括：

8、時延敏感任務、能耗敏感任務以及混合任務，且分別對所述時延敏感任務、能耗敏感任務以及混合任務設置對應的時延閾值。

9、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：對分類后的任務類型進行處理，包括：

10、對于每個任務根據(jù)任務的時延需求和節(jié)點的剩余能量進行卸載決策。

11、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：所述卸載決策，包括：

12、設定當前任務的時延需求和能量需求；

13、若所述時延需求小于等于時延敏感任務的時延閾值且剩余能量大于能量門限值，則在智慧港口的本地設備上進行處理；

14、若所述時延需求大于時延敏感任務的時延閾值且小于等于混合任務的時延閾值，則將任務卸載至關聯(lián)基站上進行處理；

15、若所述時延需求大于混合任務的時延閾值且當前基站的實際負載大于基站的負載閾值，則將任務轉發(fā)至關聯(lián)基站的鄰近基站上進行處理；

16、若所述時延需求大于能耗敏感任務的時延閾值或當前任務復雜度超過本地設備和基站的計算范圍，則將任務卸載至云端進行處理。

17、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：以最小化能量消耗和時延滿足度作為任務卸載目標，包括：

18、任務卸載目標公式為：

19、

20、其中，w1和w2分別代表能量消耗和時延滿足度的動態(tài)權重，表示當前節(jié)點的能量消耗情況，ec為任務從開始到完成所需的節(jié)點總能量消耗，emax表示節(jié)點的最大能量；表示為任務的延時滿足度，latency當前任務的實際處理時延，trequired為當前任務的時延需求。

21、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：還包括：

22、

23、其中，eavailable為節(jié)點的剩余能量。

24、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：基于灰狼算法進行任務卸載目標進行全局優(yōu)化，包括：

25、設定灰狼種群的大小n和最大迭代次數(shù)m，每只灰狼個體的初始位置為隨機生成的任務卸載方案集合，表示任務是否在本地處理、基站處理或云端處理；

26、計算每只灰狼個體的適應度值；

27、在每次迭代中，種群中的個體根據(jù)適應度值進行排序，并選出最優(yōu)的三個個體，分別標記為α、β、δ，分別代表最優(yōu)、次優(yōu)和第三優(yōu)的任務卸載方案，其他灰狼個體則根據(jù)α、β、δ的位置進行更新；

28、當?shù)螖?shù)到達到最大迭代次數(shù)m時停止迭代，或當連續(xù)兩次迭代的最優(yōu)個體適應度值變化率小于適應度值的變化容限時停止迭代。

29、作為本發(fā)明所述的綠色邊緣計算任務卸載和資源優(yōu)化方法的一種優(yōu)選方案，其中：還包括：

30、每只灰狼個體的下一次位置通過以下公式進行更新：

31、

32、其中，表示為α、β、δ個體的當前任務卸載方案，表示當前個體的位置，即當前灰狼個體在第t次迭代中的當前位置；代表當前領導者的位置，取值為α、β、δ中的任一一個；為當前灰狼個體移動的方向和距離，為灰狼個體靠近領導者的強度，

33、與現(xiàn)有技術相比，發(fā)明有益效果為：

34、1、在現(xiàn)有技術中，對于智慧港口內多樣化任務的處理，常常缺乏精細化的任務分類和動態(tài)決策機制，尤其在面對時延敏感任務與能耗敏感任務時，無法根據(jù)實際任務需求進行靈活調整，導致資源利用效率低下或任務延遲；本發(fā)明通過對任務進行精細化分類，將任務劃分為時延敏感任務、能耗敏感任務和混合任務，分別設置了對應的時延閾值和能量需求，相較于現(xiàn)有的靜態(tài)任務分配方案，能夠根據(jù)任務的不同特性進行動態(tài)分類處理，從而實現(xiàn)精細化管理，不僅提高了系統(tǒng)響應速度，還確保了能量密集型任務的低能耗執(zhí)行，有效避免了現(xiàn)有技術中由于任務特性處理不足所帶來的資源浪費和任務時效性的降低；

35、2、現(xiàn)有技術中任務卸載多采用預設規(guī)則或靜態(tài)策略，缺乏根據(jù)實際環(huán)境進行動態(tài)調整的機制，導致系統(tǒng)無法靈活應對港口內復雜且變化的任務負載，本發(fā)明通過計算每個任務的時延權重和能耗權重，結合當前節(jié)點的能量狀態(tài)和網(wǎng)絡負載，實現(xiàn)了實時的任務卸載決策，通過動態(tài)調整機制能夠有效解決現(xiàn)有技術中因固定策略導致的系統(tǒng)能效低下問題，確保在復雜的港口環(huán)境下，任務卸載可以靈活地在本地處理、基站處理和云端處理之間進行優(yōu)化分配，從而大幅減少能量消耗并滿足時延要求；

36、3、現(xiàn)有技術在資源優(yōu)化和任務卸載的全局協(xié)調方面表現(xiàn)不足，通常僅能實現(xiàn)局部的優(yōu)化，而無法從系統(tǒng)全局的角度考慮不同節(jié)點的資源利用和任務處理負載；本發(fā)明通過引入灰狼算法，在任務卸載過程中進行全局優(yōu)化，將系統(tǒng)資源合理分配給不同類型的任務，從而平衡時延與能耗之間的矛盾；本發(fā)明不僅提高了任務卸載的精確度，還能夠在全局范圍內減少資源浪費，提高系統(tǒng)的處理效率和穩(wěn)定性；此外，還使得系統(tǒng)能夠隨著任務負載變化而自適應調整，確保在不同場景下均能實現(xiàn)最優(yōu)的資源利用和任務響應能力。