移動邊緣計算中基于粒子群優(yōu)化的計算卸載策略

羅 斌 ，于 波

（1. 中國科學院大學，北京100049； 2. 中國科學院沈陽計算技術研究所，沈陽110168）

0 引言

5G 具有近鄰性、低延遲、高帶寬等特性，作為關鍵技術的移動邊緣計算（Mobile Edge Computing，MEC）也逐漸成熟。MEC將無線網(wǎng)絡和互聯(lián)網(wǎng)技術融合在一起，工業(yè)作為5G的一個應用方向，可以將MEC 應用于現(xiàn)場設備實時控制、遠程維護及操控、工業(yè)圖像處理等方面［1］。任務計算量的提升導致本地設備自身無法處理相應的計算任務，而云計算的提出則很好地解決了算力不足的問題；但是云計算也帶來了數(shù)據(jù)傳輸成本、云存儲花費、互聯(lián)網(wǎng)訪問管理和安全性等一系列問題［2］。MEC 將端云架構轉(zhuǎn)變?yōu)槎诉呍萍軜?，在一定程度上降低了時延，并通過合理的計算卸載策略提高了計算任務的吞吐量，能更好地滿足用戶體驗質(zhì)量需求，使經(jīng)濟利益最大化。計算卸載作為MEC 的研究方向之一，自2014 年提出以來，工業(yè)界與學術界已經(jīng)對其進行了大量的研究。目前的卸載策略控制方式主要是集中式控制與分布式協(xié)作控制，在建模場景方面主要包括單用戶單MEC、多用戶單MEC 和多用戶多MEC，優(yōu)化目標主要包括能耗約束條件下最小化時延、時延約束下最小化能耗以及平衡能耗與時延的卸載策略。目前研究的問題大部分是對于通用場景下的問題建模，針對工業(yè)場景下計算卸載策略的研究比較少?？紤]工業(yè)生產(chǎn)線中實際的卸載條件，工業(yè)場景相較于通用場景下的計算卸載策略存在以下不同：1）工業(yè)場景下接入MEC 服務器的設備數(shù)目多，需要考慮一種總體最優(yōu)的策略；2）工業(yè)場景下對于時延特性的要求會更加嚴格，主要關注如何最小化時延；3）工業(yè)場景下MEC 服務器會處理大量特定（圖像識別、設備控制等）的任務，需要選擇合適的計算模型以及通信方式。

本文主要考慮了工業(yè)生產(chǎn)線中的計算卸載策略，在多用戶多MEC 場景下，研究在能耗約束條件下時延最小化的問題，通過集中控制卸載高計算量的任務到MEC 服務器。工業(yè)生產(chǎn)線中可以降低傳輸能耗與計算能耗，選擇合適的通信方式以及數(shù)據(jù)壓縮來降低傳輸能耗［3］；通過提高MEC 服務器的處理性能來降低計算能耗。當前卸載策略應用場景是通過虛擬現(xiàn)實（Virtual Reality，VR）眼鏡來實時識別和控制工業(yè)生產(chǎn)線中的設備，對于時延要求較高，因此選擇最小化時延的卸載策略。具體的工作如下：

1）為工業(yè)場景構造時延模型與能耗模型，在MEC 系統(tǒng)中將計算卸載問題轉(zhuǎn)化為時延最小化時延模型，其中能耗模型作為約束條件；

2）提出通過智能優(yōu)化算法中的粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法來解決最小化問題，對于離散粒子群算法進行了一定修改來適應問題；

3）通過仿真實驗表明完全本地卸載策略與MEC 基準卸載策略都存在各自的優(yōu)缺點，而本文提出的基于PSO 算法的計算卸載策略PSAO 能夠在能耗與時延上達到相對平衡，基于人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）的卸載方案前期優(yōu)化效果與PSAO 相差不大，但當設備數(shù)過多或者任務量過大時，魚群卸載策略遠不如PSAO卸載策略。

1 相關工作

歐洲電信標準協(xié)會（European Telecommunications Standards Institute，ETSI）提出了移動邊緣計算（MEC）的概念，該概念將邊緣計算集成到移動網(wǎng)絡架構中［4］。2016年在原有的網(wǎng)絡基礎上接入了Wi-Fi，將MEC 的中文解釋修改為“多接入邊緣計算”。計算卸載是MEC中重要的研究方向，主要包含卸載決策和資源分配，本文主要關注計算卸載決策，也就是研究用戶中要不要卸載、卸載什么和卸載到哪里的問題［5］。文獻［6］中提出了動態(tài)卸載方案，將卸載任務看作是兩級隨機優(yōu)化問題，通過任務排隊模型，由移動設備來決定任務在本地執(zhí)行還是在MEC 服務器上執(zhí)行，采用馬爾可夫決策過程來處理該問題，提出一種有效的一位搜索算法來解決功率受限的時延問題。文獻［7］中以時延為優(yōu)化目標，在文獻［6］的基礎上提出了自帶能量收集的MEC系統(tǒng)，選擇在線計算卸載策略，卸載過程中考慮了數(shù)據(jù)在信道中傳遞與CPU 上計算的各個因素，使用Lyapunov 優(yōu)化來得到最優(yōu)解。文獻［6-7］雖然對于單個任務卸載到MEC 問題給出了解決方案，但是在工業(yè)生產(chǎn)線中往往有成百上千個移動設備和傳感器需卸載任務，此時需要分布式的策略來進行卸載。文獻［8］中從另一方面來考慮卸載任務，主要是針對一系列具有順序關系的任務，通過拓撲圖的優(yōu)化方式來卸載，使用負載平衡試探法將任務卸載到MEC中，最大限度提高移動設備與云之間的并行性。其他研究中也提出了通過匈牙利算法來解決一些非順序的任務，一般是需要本地設備進行初步處理，MEC 完成后續(xù)高計算量的任務［9］，在移動設備與云之間的并行方面也提供了新的思路。文獻［10-11］中將多用戶多MEC 場景建模為時延約束條件下的能量優(yōu)化問題，通過AFSA來求解決策向量。文獻［12］中基于云計算提出了一種快速混合多站點計算卸載解決方案，可根據(jù)移動應用程序的大小實現(xiàn)最佳和接近最優(yōu)的卸載分區(qū)，當規(guī)模擴大時提出使用粒子群優(yōu)化（PSO）的優(yōu)化版本來獲得非常合適的卸載優(yōu)化解決方案。文獻［13］中結合人工智能技術，基于長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡預測計算任務，提出基于任務預測的移動設備計算卸載策略。目前各個技術趨向于相互融合來達到更優(yōu)的結果，通過神經(jīng)網(wǎng)絡或者機器學習來輔助優(yōu)化邊緣計算卸載模型。文獻［14］中對近幾年關于計算卸載策略的研究做了匯總，主要根據(jù)計算卸載的卸載類型、優(yōu)化目標提出解決方案、場景、評估方式進行分類總結。MEC未來可能的應用方向主要集中在動態(tài)內(nèi)容優(yōu)化、物聯(lián)網(wǎng)、移動大數(shù)據(jù)分析和智能交通［15］。

結合以上的研究不難發(fā)現(xiàn)，雖然上述研究提出的系統(tǒng)或者算法在能耗和時延優(yōu)化方面都有著較優(yōu)的性能，但是都很難符合工業(yè)生產(chǎn)線場景下的計算卸載低時延目標，其中文獻［12］中提出的快速混合多站點計算卸載能夠適應工業(yè)場景，但是由于云計算帶來的成本問題以及傳輸時延增高等一系列問題，需要提出一種符合多用戶多MEC場景下，在能耗約束的條件下時延最小化的完全卸載策略。

2 系統(tǒng)模型

MEC 系統(tǒng)的部署場景如圖1 所示，MEC 服務器主要面向時延敏感型和計算量巨大的任務，核心任務包含工業(yè)設備的控制與工業(yè)設備的識別。本地設備（移動設備、傳感器等）主要執(zhí)行數(shù)據(jù)收集或者是前期數(shù)據(jù)處理，在脫離MEC 服務器的情況下只能進行簡單任務的處理，需要將計算任務傳輸?shù)綄腗EC 服務器進行計算。MEC 服務器部署的位置比較靈活，本文選擇將MEC 計算服務器部署于微蜂窩基站上，在微蜂窩基站上實現(xiàn)具體的計算功能，本地設備通過無線的方式與服務器之間進行交互。針對工業(yè)生產(chǎn)線中的計算卸載問題：首先，在工業(yè)生產(chǎn)線中將會接入各種類型的移動設備（全景攝像頭、智能手機、AR 眼鏡等），移動設備也具有一定的計算能力，即“多用戶”；其次，在工業(yè)生產(chǎn)線中往往需要多個MEC 服務器來處理任務，即“多MEC”。PSAO 卸載策略應用于AR眼鏡與工業(yè)設備的實時交互，需要保證低延遲。

圖1 多設備多MEC系統(tǒng)模型Fig. 1 Model of multi-device multi-MEC system

假定在當前網(wǎng)絡中包括K個移動設備，N個MEC 服務器。每一個移動設備產(chǎn)生任務后指定一個服務器（或本地）來執(zhí)行，最后找到所有任務最優(yōu)的執(zhí)行位置，即計算卸載向量V，卸載結果會有N+ 1 種可能性，任務可能會在本地執(zhí)行或者將任務裝載到N個MEC 服務器中的其中一個，并由裝載服務器執(zhí)行。

2.1 時延模型

根據(jù)任務在不同設備上運行，時延模型也會存在差別：如果當前任務在本地設備執(zhí)行并且每個任務都沒有排隊延遲，此時只需要考慮本地計算時延；若將任務卸載到MEC 服務器執(zhí)行，完成當前任務所需要的時延主要包括傳輸時延、MEC計算時延、反饋時延，其中反饋時延遠遠小于傳輸時延，因此在本文中將忽略反饋時延。表1 詳細介紹了系統(tǒng)建模中使用的符號含義和在仿真實驗中的取值，其中：下標i表示當前當前移動設備編號，j表示當前MEC 服務器編號，u 表示移動設備標識，s表示服務器標識。

表1 系統(tǒng)建模中使用的符號含義Tab. 1 Meaning of symbols used in system modeling

1）本地計算時延。

式（1）表示本地計算時延與本地CPU 周期頻率的倒數(shù)成正比，Bi*fi表示當前任務計算量。

2）MEC傳輸時延。

在考慮計算MEC 計算時延之前，需要去定義通道傳輸速率，根據(jù)香農(nóng)定義可知：

已知當前任務在通道中的傳輸速率為式（2），當前任務計算量為Bi*fi，則傳輸時延為：

3）MEC計算時延。

式（4）表示MEC計算時延與MEC服務器周期頻率的倒數(shù)成正比。

2.2 能耗模型

1）計算能耗。

CPU 的算力與芯片架構有著密切的關系，每一代CPU 架構都有固定的能耗比，在同架構前提下，功耗與電壓和頻率都成正比［16］，設備之間的能耗也會受到計算任務量的影響：

其中：電容Ci取決于有效開關電容；L表示電壓。

2）傳輸能耗。

傳輸能耗針對的是卸載到MEC 服務器上的任務，在時延模型中已經(jīng)計算出傳輸時延，則傳輸能耗為：

2.3 計算模型

2.1 節(jié)和2.2 節(jié)對工業(yè)生產(chǎn)線問題抽象建模：首先當前MEC 的垂直應用場景主要是針對計算密集型和延遲敏感型計算任務，其中包含工業(yè)中的增強現(xiàn)實圖像識別；其次需要確保每一項本地設備的平均能耗都小于最大能耗，因此實際建模為在能耗約束條件下的最小化時延問題。

完成一個卸載任務的總時延為傳輸時延與服務器計算時延的和：

本地執(zhí)行一個任務的總時延為：

由式（7）與式（8），可以得到針對某一個計算任務，在本地設備計算與MEC 服務器計算時會有不同的時延求解公式，可以將當前問題聯(lián)合表達為：

其中：式（9）表示找到使得滿足時延最小的卸載決策向量，vi表示任務i具體分配到的服務器編號；式（10）表示能耗約束，每個任務所耗費的平均能耗小于最大能耗；式（11）表示本地設備的CPU 周期頻率小于最大CPU 周期頻率；式（12）表示MEC 服務器的CPU 周期頻率小于最大CPU 周期頻率。P1 更加關注在整個卸載過程中的時延問題。

再考慮這樣一種情況：其中一個MEC 服務器性能更優(yōu)，按照式（9）的建模方式，因為沒有考慮到排隊時延，導致大多數(shù)任務會卸載到性能更優(yōu)的MEC服務器，性能優(yōu)秀的MEC服務器的平均功耗會高于最大能耗，如果能將當前任務卸載到其他MEC 服務器則可以緩解負載壓力。因此選擇將P1 問題轉(zhuǎn)化為增加懲罰函數(shù)的P2問題：當設備平均能耗大于最大能耗時，通過增加懲罰函數(shù)的形式，來使得任務卸載到當前MEC服務器的系統(tǒng)總成本增高。

其中：

其中：V表示需要求解的卸載向量；g表示懲罰系數(shù)，隨著計算消耗的能耗越多，則懲罰項越大，如果不超過最大能耗則不懲罰，增加懲罰函數(shù)的意義在于平衡能耗與時延。P2 更加關注在整個卸載過程中的時延與能耗的平衡。

3 基于PSO算法的優(yōu)化

PSO 算法受鳥類捕食行為的啟發(fā)并對這種行為進行模仿，將優(yōu)化問題的搜索空間類比為鳥類的飛行空間，將每一只鳥抽象為一個粒子，粒子無質(zhì)量無體積，用以表征問題的一個可行解，優(yōu)化問題所要搜索到的最優(yōu)解等同于鳥類尋找的食物源［17］。

3.1 粒子編碼

假設粒子群規(guī)模為U，K 表示當前本地任務數(shù)量，N 表示MEC 服務器的數(shù)量，所有任務的集合可以表示為M={m1，m2，…，mk}。首先對任務進行定量描述，假設編號為i的移動設備產(chǎn)生 mi(Bi，fi，Emax)個任務待計算。其中：Bi表示輸入數(shù)據(jù)量，fi表示計算密度，Emax表示任務的能耗約束。所有MEC 服務器周期頻率集合S = {s1，s2，…，sn}，包含了當前系統(tǒng)中所有服務器的CPU 周期頻率。信道增益矩陣H =用來計算任務傳輸?shù)組EC 服務器的最大傳輸速率，Hi，i的信道增益為0，Hi，j（1 ≤i ≤K，1 ≤j ≤N，i ≠j）表示移動設備i 產(chǎn)生的任務傳輸?shù)骄幪杍 服務器所需要的信道增益。

粒子個體采用整數(shù)編碼，每一個粒子的元素可以取1到N之間的任意整數(shù)，粒子編碼的維度與任務集合的個數(shù)相同。假定當前任務集合包含 5 個任務 M={m1，m2，m3，m4，m5}，粒子編碼為[0，1，2，5，1，2]表示所有任務的執(zhí)行位置，其中第一個元素0 表示m1任務直接在本地進行計算，第二個元素1表示m2任務將要裝載到編號為1 的MEC 服務器執(zhí)行，以此類推。

粒子表示當前所有任務將要卸載到的具體某個MEC 服務器。每一個粒子的卸載決策向量V ={v1，v2，…，vk}表示所有任務最優(yōu)的執(zhí)行位置，其中vi在0到N中隨機取值：vi= 0表示當前任務直接在本地執(zhí)行；vi= j(1 ≤j ≤N)表示當前任務裝載到第j個MEC服務器，并由第j個服務器執(zhí)行。

粒子的速度表示當前任務分配到其他MEC 服務器的趨勢快慢，記作Xi={x1，x2，…，xk}，粒子速度隨機初始化為整數(shù)值并在更新過程中進行取整，粒子速度的編碼維度與任務集合的數(shù)目相同。假定當前任務集合包含5 個任務M ={m1，m2，m3，m4，m5}，粒子速度為[0，3，1，4，1，2]，其中第一個元素0表示m1任務依舊由原來的MEC 服務器處理，第二個元素3 表示m2任務由原來下移3 位的MEC 服務器處理，以此類推。

每一個粒子在所有迭代過程中的最優(yōu)位置記作Pbest={ p1，p2，…，pn}，表示當前粒子找到的使得系統(tǒng)總代價最小的任務分配方式；記錄所有粒子中出現(xiàn)的最優(yōu)位置，記作Gbest={g1，g2，…，gn} ，表示所有粒子中系統(tǒng)代價最小的分配方式。

3.2 適應度函數(shù)

粒子的適應度表示所有任務分配到不同MEC 服務器的系統(tǒng)總代價，計算公式為：

3.3 計算卸載流程

粒子群速度更新的決定因素主要包含三部分：第一部分主要是自身原來的速度，也可以稱作“慣性影響”；第二部分主要是自身記憶的最優(yōu)位置，也可以稱作“認知影響”；第三部分主要是全部粒子記憶的最優(yōu)位置，也可以稱作“社會影響”。最后用粒子群算法解決計算卸載問題。

算法1 基于PSO算法的卸載流程。

輸入：

1）本地任務集合M = {m1，m2，…，mk}，MEC 服務器集合S ={s1，s2，…，sn}，信道增益矩陣H。

2）算法控制參數(shù)：粒子群規(guī)模N = 25，迭代代數(shù)maxGen = 100，速度邊界 vmax為 MEC 服務器個數(shù)的 2 倍，位置邊界 pmax為 MEC 服務器的個數(shù)，學習因子 c1= 1.5，c2= 1.5 慣性因子Wp= 0.4，懲罰因子g = 1 × 10-2.5。

輸出：

最 優(yōu) 分 配 向 量 Vi={v1，v2，…，vn} 與 最 小 延 遲Fitness(V)。

初始化：

1）初始化每一個粒子的隨機位置Vi與速度Xi，其中i 表示第i個粒子。

2）初始化適應度值：通過本機任務集合M、MEC服務期集合S 和信道增益矩陣H 計算時延與能耗，按式（16）來計算每一個粒子的適應度。

3）初始化粒子最優(yōu)分配與全局最優(yōu)分配：將粒子當前位置設置為個體最優(yōu)任務分配方案Pbest，并將適應度值最小的粒子的位置設置為群體最優(yōu)分配方案Gbest。

迭代計算：

4）令迭代次數(shù)t = 0

5）while t ≤ maxGen

a）更新速度。粒子中的每一個維度獨立去更新速度X[i]，如果速度大于vmax，則令X[i]= vmax。粒子速度的更新公式為：

其中：c1和 c2為學習因子；Wp為慣性權重：rand（）為 0～1的隨機數(shù)。

b）更新位置。粒子中的每一個維度獨立去更新位置V[i]，如果 V[i]位置大于 pmax，則令 V[i]= pmax。粒子位置的更新公式為：

c）更新粒子最優(yōu)分配與全局最優(yōu)分配。通過本機任務集合M、MEC 服務期集合S 和信道增益矩陣H 計算時延與能耗，按式（16）來計算每一個粒子的適應度。如果更新后的適應值小于當前適應值，則更新粒子最優(yōu)分配方案Pbest、群體最優(yōu)分配方案Gbest和系統(tǒng)總代價Fitness(V)。

d）t = t + 1

6）End

輸出結果：

7）得到最佳分配向量V[i]= Gbest和最小延遲Fitness(V)。

8）如果最優(yōu)解不滿足，則轉(zhuǎn)到步驟1）；否則輸出最優(yōu)分配向量Vi={v1，v2，…，vn}與最小延遲Fitness(V)。

最后通過集中控制的方式，vi(i = 1，2，…，K) = 0 將該任務放入本地設備中執(zhí)行，vi=j(j= 1，2，…，n)將該任務放入對應編號j的MEC服務器中執(zhí)行。

4 仿真與結果分析

4.1 仿真環(huán)境以及參數(shù)設置

通過Java 語言實現(xiàn)了PSO 算法，從而具體地評估所提出的計算卸載策略的性能。在工業(yè)生產(chǎn)線場景中，設備的個數(shù)K=［50，100，150，200，250］，MEC 服務器的個數(shù)為10，分別有K個移動設備向10個服務器發(fā)起卸載請求。仿真用到的主要參數(shù)取值與符號含義［10］如表2所示。

4.2 結果分析

根據(jù)表2 的參數(shù)取值進行仿真實驗，本文選擇四種卸載策略進行對比：本地卸載策略、MEC 基準卸載策略、基于人工魚群算法（AFSA）的卸載策略和PSAO；同時也通過PSO 算法優(yōu)化基準卸載策略在卸載過程中的平均總時延。在實際生產(chǎn)環(huán)境中本地設備只能進行簡單任務的處理，仿真實驗中假設本地設備也能夠處理高計算量的任務，假設每一項任務到達即執(zhí)行，不會存在任務排隊導致的時延增加。

表2 主要參數(shù)取值與符號含義Tab. 2 Main parameter values and symbol meanings

圖2 為不同能耗約束下不同卸載策略的系統(tǒng)總代價對比，設置設備數(shù)K= 50，MEC 服務器的個數(shù)N= 10，每一項任務數(shù)據(jù)量大小Bi= 3 Mb?？梢杂^察到，隨著能耗約束的增大，四種卸載策略系統(tǒng)總代價降低。當能耗（單位：J）約束為0時，本地卸載策略的系統(tǒng)總代價遠遠高于其他三種卸載策略，這是由于本地設備處理任務將會產(chǎn)生較高的能耗；能耗約束為750 J 時，本地卸載策略代價開始低于MEC 基準卸載策略，這是由于能耗約束的增大，模型對能耗約束的敏感度降低，因此需要選擇合適的能耗約束。PSAO 卸載策略在不同的能耗約束下都優(yōu)于其他MEC 基準卸載策略和本地卸載策略，當能耗約束大于750 J 時，基于AFSA 的卸載策略與PSAO 卸載策略優(yōu)化效果相差不大。

圖2 能耗vs. 系統(tǒng)總代價Fig. 2 Energy consumption vs. total system cost

圖3 對PSAO 卸載策略的收斂性進行評估，設置設備數(shù)K= 50，MEC 服務器的個數(shù)N=10，每一項任務數(shù)據(jù)量大小Bi=3 Mb，通過改變迭代次數(shù)來觀察所有任務的平均總時延。

圖3 收斂性分析Fig.3 Convergence analysis

由圖3可以觀察到，算法在前25次迭代過程中收斂較快，迭代50 次后系統(tǒng)總代價保持不變，找到全局最優(yōu)解。PSAO具有很強的全局優(yōu)化能力，在算法的前期不斷尋找全局的最優(yōu)解，且在后期具有良好的全局搜索能力。PSO 算法優(yōu)化后平均總時延從原來的303.33 ms 降低至241.824 ms，并在后期迭代過程中保持不變，相比原來系統(tǒng)的總時延降低了20%。

圖4 為不同設備個數(shù)的情況下，不同卸載策略的系統(tǒng)總代價對比。MEC 服務器的個數(shù)N= 10，每一項任務數(shù)據(jù)量大小Bi= 3 Mb。可以觀察到在設備數(shù)分別為50，100，150，200，250 時，平均總時延是處于增長的趨勢，這是由于隨著設備數(shù)的增加，所需要的處理時間與傳輸時間也隨之增加；但是，隨著任務數(shù)目的增加，PSAO卸載策略總時延增長幅度遠遠小于MEC 基準卸載策略與本地卸載策略?；贏FSA 的卸載策略在設備數(shù)小于200 時，優(yōu)化程度與PSAO 卸載策略相差不大；但當設備數(shù)目大于200 時，系統(tǒng)總代價開始急速上升，遠遠高于PSAO卸載策略。

圖4 設備數(shù)vs. 系統(tǒng)總代價Fig. 4 Number of devices vs. total system cost

圖5 為不同任務量的情況下，不同卸載策略的平均總時延對比。設置任務數(shù)K= 50，MEC 服務器的個數(shù)N= 10，可以觀察到：在任務量分別為3、10、15、25、40 Mb 時，隨著任務量的增加，平均總時延也逐漸增加。本地卸載策略比其他策略增長速度更快，表明隨著任務量的增加會導致更多的時間與能量消耗。其中，基于AFSA 的卸載策略在任務量小于15 Mb 時，與PSAO 卸載策略優(yōu)化效果相差不大；但是在任務量大于15 Mb 時，容易收斂于局部最優(yōu)，并且在后期搜索過程中盲目性比較大，卸載效果不理想。PSAO卸載策略增幅程度遠遠小于MEC 基準卸載策略與本地卸載策略，并且在任務量過大時可以取得最佳效果。

圖5 任務量vs. 系統(tǒng)總代價Fig. 5 Task size vs. total system cost

5 結語

本文將工業(yè)生產(chǎn)線中的計算卸載問題建模為多用戶多MEC 時延優(yōu)化問題，為了消除本地設備使用能耗來換取時延的問題，通過懲罰函數(shù)平衡時延與能耗，并提出基于PSO算法優(yōu)化的卸載策略PSAO?；诜治鼋Y果可知，本地卸載策略與MEC 基準卸載策略都有一定的局限性，本文選擇PSAO 卸載策略讓本地設備和MEC 服務器協(xié)作計算，使原本系統(tǒng)總代價降低了20%，并且隨著設備數(shù)目和任務量的增加，它的增幅程度遠小于本地卸載策略和MEC 基準卸載策略，滿足延遲敏感型應用的服務質(zhì)量要求；基于AFSA 的卸載策略雖然能夠起到一定的優(yōu)化作用，但在設備數(shù)增加和任務量增大的情況下，無法找到任務最佳分配方案。工業(yè)系統(tǒng)對于可靠性要求非常高，PSAO 卸載策略屬于啟發(fā)式卸載策略，大部分啟發(fā)式算法能夠生成高質(zhì)量的近似最優(yōu)解，由于啟發(fā)式方法的結果是隨機產(chǎn)生的近似解，因此缺少可靠性［18］。未來將會考慮粒子群與其他優(yōu)化算法相結合，提高尋找到最優(yōu)解的魯棒性，從而在降低時延的前提下，提高整個卸載策略的可靠性。