基于車聯(lián)網(wǎng)的邊緣計(jì)算低能耗任務(wù)卸載方法

摘要：隨著智能交通和綠色出行領(lǐng)域的蓬勃發(fā)展，針對(duì)車輛網(wǎng)絡(luò)低時(shí)延業(yè)務(wù)需求和能源節(jié)約的雙重挑戰(zhàn)，提出了一種基于車聯(lián)網(wǎng)通信的邊緣計(jì)算低能耗卸載方法。在多車單小區(qū)場(chǎng)景的公共路段中，探討了行駛中車輛的任務(wù)卸載需求，并對(duì)計(jì)算資源的分配問(wèn)題進(jìn)行了系統(tǒng)研究。為充分利用計(jì)算資源，不僅考慮了車輛自身的計(jì)算能力，還提出了將任務(wù)卸載至同向行駛或路邊停放的車輛服務(wù)器，以及路邊單元的邊緣服務(wù)器的新思路，實(shí)現(xiàn)了計(jì)算資源的有效整合與高效共享，顯著提升了車輛網(wǎng)絡(luò)的處理能力。采用了改進(jìn)的粒子群優(yōu)化算法，對(duì)卸載功率和任務(wù)分配比例進(jìn)行優(yōu)化。通過(guò)大量仿真實(shí)驗(yàn)驗(yàn)證，該方法顯著降低了車輛處理任務(wù)的能耗，同時(shí)提升了車輛網(wǎng)絡(luò)的服務(wù)質(zhì)量和能源使用效率。有助于推動(dòng)綠色交通和可持續(xù)發(fā)展，為未來(lái)智能交通系統(tǒng)的能源優(yōu)化和效率提升奠定了堅(jiān)實(shí)的基礎(chǔ)。

關(guān)鍵詞：車聯(lián)網(wǎng)；邊緣計(jì)算；改進(jìn)粒子群算法；低能耗

中圖分類號(hào)：TN92""" 文獻(xiàn)標(biāo)志碼：A""" 文章編號(hào)：1002-4026（2025）01-0096-09

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)志碼（OSID）：

DOI：10.3976/j.issn.1002-4026.20240064【交通運(yùn)輸】

收稿日期：2024-04-24

基金項(xiàng)目：山東省自然科學(xué)基金面上項(xiàng)目（ZR2021MF103）

作者簡(jiǎn)介：李立娟（1996—），女，碩士研究生，研究方向?yàn)檐嚶?lián)網(wǎng)邊緣計(jì)算任務(wù)卸載。E-mail： 18805692268@163.com

*通信作者，李研強(qiáng)（1977—），男，研究員，研究方向?yàn)樽詣?dòng)駕駛、5G。E-mail： liyq@sdas.org， Tel：15254187758

Low-energy task-offloading method based on edge computing

in internet of vehicles

LI Lijuan1，LI Yanqiang1*，TONG Xing2，WANG Yong1，ZHONG Zhibang1

（1. Institute of Automation， Qilu University of Technology （Shandong Academy of Sciences）， Jinan 250014， China；

2. Shandong High-speed Information Group Co.， Ltd.， Jinan 250002， China）

Abstract∶With the extensive development of intelligent transportation and eco-friendly travel， a low-energy task-offloading method based on edge computing in the internet of vehicles （IoV） is proposed to address the dual challenges of low-latency service demands and energy conservation in the IoV. In the context of multivehicle single-cell scenarios on public roads， this study explores the task-offloading requirements of vehicles in motion and systematically investigates the allocation of computational resources. To fully utilize computing resources， this study not only considers the computing power of vehicles but also introduces a new approach for offloading tasks to vehicle servers traveling in the same direction or parked along the roadside as well as to edge servers in roadside units. This enables the effective integration and efficient sharing of computing resources， thereby remarkably enhancing the processing capabilities of the IoV. Furthermore， this study employs an improved particle swarm optimization algorithm to optimize offloading power and task allocation ratios. Extensive simulation tests revealed that the proposed method significantly reduced the energy consumption of vehicle tasks and improved the service quality and energy efficiency of the IoV.It helps to promote green transportation and sustainable development， and lays a solid foundation for energy optimization and efficiency improvement of future intelligent transportation systems.

Key words∶internet of vehicles; edge computing; enhanced particle swarm algorithm; low energy

移動(dòng)邊緣計(jì)算作為一種應(yīng)對(duì)車輛高質(zhì)量服務(wù)訴求的關(guān)鍵新興框架，為解決車聯(lián)網(wǎng)系統(tǒng)的性能瓶頸和能效問(wèn)題帶來(lái)了革新性的解決路徑［1］。在全球能源安全議題日益凸顯的背景下，節(jié)能減排已經(jīng)成為國(guó)際社會(huì)普遍追求的核心目標(biāo)之一，而在車聯(lián)網(wǎng)這一特定應(yīng)用場(chǎng)景中，能源消耗的有效管理顯得尤為重要［2］。通過(guò)實(shí)施低能耗的任務(wù)卸載策略，能夠在有限能量約束下增加任務(wù)處理容量，同時(shí)縮減運(yùn)營(yíng)成本，順應(yīng)了低碳環(huán)保的發(fā)展趨勢(shì)。

現(xiàn)有文獻(xiàn)對(duì)任務(wù)卸載的研究大多側(cè)重于時(shí)延與能耗之間的權(quán)衡，或是僅僅關(guān)注整體任務(wù)執(zhí)行過(guò)程中的能耗最小化，卻相對(duì)忽視了從個(gè)體車輛層面出發(fā)，針對(duì)性地尋求實(shí)現(xiàn)單體車輛最低能耗的研究空白［3］。與此同時(shí)，對(duì)于車聯(lián)網(wǎng)任務(wù)卸載及其資源分配機(jī)制的探索，雖已有不少工作集中在行駛中車輛或路側(cè)停車車輛的計(jì)算資源利用上，但尚缺乏一種兼顧兩者（綜合優(yōu)化任務(wù)卸載與資源管理）的統(tǒng)一解決方案［4］。

Huang等［5］聚焦于雙層車聯(lián)網(wǎng)邊緣計(jì)算架構(gòu)，通過(guò)實(shí)施兩階段任務(wù)分配策略，增強(qiáng)了固定與移動(dòng)車輛在云環(huán)境下的協(xié)同作業(yè)能力，旨在提升任務(wù)執(zhí)行的效率。Bute等［6］在綜合考量能源消耗、通信與計(jì)算資源約束的前提下，針對(duì)車輛上的高負(fù)載計(jì)算任務(wù)，設(shè)計(jì)了一種實(shí)時(shí)適應(yīng)性任務(wù)劃分與卸載方案，旨在滿足車聯(lián)網(wǎng)環(huán)境的實(shí)時(shí)性要求。另外，文獻(xiàn)［7］介紹了一種新穎的啟發(fā)式動(dòng)態(tài)規(guī)劃方法，該方法融合了自適應(yīng)優(yōu)先級(jí)設(shè)定、任務(wù)動(dòng)態(tài)分解卸載邏輯與車載服務(wù)器資源智能配置等多個(gè)維度，通過(guò)在邊緣計(jì)算平臺(tái)上實(shí)施車輛目標(biāo)識(shí)別應(yīng)用案例，并對(duì)諸如計(jì)算延遲、能耗和檢測(cè)精確度等關(guān)鍵指標(biāo)進(jìn)行實(shí)測(cè)分析，有力證明了該策略的有效性。

因此，本文致力于開(kāi)發(fā)一種基于蜂窩車聯(lián)網(wǎng)技術(shù)的邊緣計(jì)算驅(qū)動(dòng)的智能互聯(lián)任務(wù)卸載機(jī)制，其目標(biāo)在于科學(xué)合理地調(diào)配計(jì)算資源，以期最大限度地降低能耗，進(jìn)而推動(dòng)綠色交通體系的建設(shè)。采用了經(jīng)過(guò)改良

的粒子群優(yōu)化算法對(duì)提出的策略進(jìn)行了大規(guī)模仿真驗(yàn)證，實(shí)證研究表明，該方法在節(jié)能降耗方面表現(xiàn)出顯著的優(yōu)勢(shì)，

有力地證實(shí)了其在促進(jìn)車聯(lián)網(wǎng)可持續(xù)發(fā)展方面的理論價(jià)值與實(shí)踐意義。

1" 系統(tǒng)模型

選取城郊公路路段中某個(gè)路邊單元（roadside units， RSU）覆蓋區(qū)域，如圖1所示。在這一區(qū)域內(nèi)，移動(dòng)邊緣計(jì)算（mobile edge computing ， MEC）設(shè)施附屬在RSU上，為有服務(wù)需求的車輛用戶提供通信和計(jì)算資源支持。當(dāng)該區(qū)域內(nèi)車輛在行駛過(guò)程中產(chǎn)生任務(wù)服務(wù)需求時(shí)，除了依靠車輛本地計(jì)算資源外，還可以將計(jì)算任務(wù)發(fā)送至周圍同向行駛的車輛服務(wù)器、路邊停泊的車輛服務(wù)器以及路邊單元的邊緣服務(wù)器中進(jìn)行處理。

在任務(wù)車輛i的行駛過(guò)程中，生成的任務(wù)用（S，K）表示，其中S為任務(wù)大小（MB），K為任務(wù)計(jì)算密度（cycles/bit）。首先，將車輛i產(chǎn)生的需要處理的任務(wù)進(jìn)行分塊，劃分成若干個(gè)互不相干的獨(dú)立小塊，為子任務(wù)塊。然后，根據(jù)車輛產(chǎn)生任務(wù)時(shí)的初始位置、車輛的行駛速度、車輛自身服務(wù)器計(jì)算能力以及邊緣服務(wù)器和其他車輛服務(wù)器的計(jì)算能力，決定每個(gè)子任務(wù)塊的卸載方案。αn為多個(gè)子任務(wù)以車輛與車輛（vehicle-to-vehicle， V2V）通信方式卸載給與任務(wù)車輛i同向行駛的第n個(gè)車輛服務(wù)器的任務(wù)占總?cè)蝿?wù)量的比例，因此，∑Nn=1αnS為以V2V通信方式卸載給N個(gè)同向行駛車輛的總?cè)蝿?wù)量；δm為多個(gè)子任務(wù)以V2V通信方式卸載給路邊停止的第m個(gè)車輛服務(wù)器的任務(wù)占總?cè)蝿?wù)量的比例，因此，∑Mm=1δmS為以V2V通信方式卸載給M個(gè)路邊停止車輛的總?cè)蝿?wù)量；β為部分子任務(wù)以車輛與基礎(chǔ)設(shè)施（vehicles-to-infrastructure， V2I）通信方式卸載給邊緣服務(wù)器的任務(wù)占總?cè)蝿?wù)量的比例，βS為部分子任務(wù)通過(guò)V2I通信方式卸載的總?cè)蝿?wù)量，因此1－∑Nn=1αn－∑Mm=1δmS為本地處理任務(wù)量。

1.1" 通信模型

V2V和V2I兩種通信模式所用頻譜資源為不同頻段，互不干擾。

（1）V2I傳輸速率

基于香農(nóng)-哈特利理論，可以得到車輛i將部分子任務(wù)發(fā)送給邊緣服務(wù)器的上行傳輸速率RV2I：

RV2I=BV2Ilog21+pV2IdV2I－γh2N0BV2I，（1）

式中，dV2I為邊緣服務(wù)器與車輛i的距離；BV2I為邊緣服務(wù)器分配帶寬；pV2I為發(fā)送給邊緣服務(wù)器的卸載功率；h表示信道增益，即準(zhǔn)靜態(tài)平坦瑞利信道系數(shù)；γ為路徑損耗指數(shù)，為常數(shù)，通常取值范圍為2.5～4.0；N0為邊緣服務(wù)器接收端噪聲功率譜密度。

（2）V2V移動(dòng)車輛通信距離和傳輸速率

首先，對(duì)于車輛i與其他同向行駛車輛n之間的距離dn即為系統(tǒng)模型圖1中的dV2V（M），設(shè)車輛i與同向行駛車輛n均為勻速行駛且速度同為v，所以dn為常數(shù)且為定值。

其次，根據(jù)香農(nóng)-哈特利理論，可以得到車輛i將多個(gè)子任務(wù)發(fā)送給行駛中的車輛服務(wù)器的上行傳輸速率RV2V（M）：

RV2V（M）=Bnlog21+pndn-γh2N0Bn， n=1，2，…，N，（2）

式中，Bn為車輛n服務(wù)器分配帶寬；pn為卸載功率；h表示信道增益，即準(zhǔn)靜態(tài)平坦瑞利信道系數(shù)；γ為路徑損耗指數(shù)，為常數(shù)，通常取值范圍為2.5～4.0；N0為車輛服務(wù)器接收端噪聲功率譜密度。

（3）V2V停泊車輛通信傳輸速率

基于香農(nóng)-哈特利理論，可以得到車輛i將多個(gè)子任務(wù)發(fā)送給停止的車輛服務(wù)器的上行傳輸速率RV2V（p）：

RV2V（p）=Bmlog21+pmdV2V（p）－γh2N0Bm，m=1，2，…，M，（3）

式中，dV2V（p）為車輛i與路邊停泊車輛之間的距離；Bm為車輛m服務(wù)器分配帶寬；pm為卸載功率；h表示信道增益，即準(zhǔn)靜態(tài)平坦瑞利信道系數(shù)；γ為路徑損耗指數(shù)，為常數(shù)，通常取值范圍在2.5到4.0之間；N0為車輛服務(wù)器接收端噪聲功率譜密度。

1.2" 傳輸能耗模型

車輛i將部分子任務(wù)卸載到了邊緣服務(wù)器、N個(gè)行駛車輛服務(wù)器以及M個(gè)靜止車輛服務(wù)器，接下來(lái)將分別計(jì)算其相應(yīng)傳輸能耗。

首先，由下式可得任務(wù)車輛i將部分子任務(wù)卸載到邊緣服務(wù)器產(chǎn)生的傳輸能耗：

EV2I=pV2ItV2I，（4）

式中，tV2I為子任務(wù)卸載到邊緣服務(wù)器的傳輸時(shí)延。tV2I可由下式表示：

∫tV2I0RV2I（p，ξ）dξ=βS。（5）

其次，由下式可得任務(wù)車輛i將多個(gè)子任務(wù)卸載到同向行駛的N個(gè)車輛服務(wù)器產(chǎn)生的總傳輸能耗EV2V（p）：

EV2V（M）=∑Nn=1pntn，（6）

式中，tn為子任務(wù)卸載到第n個(gè)車輛服務(wù)器的傳輸時(shí)延。tn可由下式表示：

∫tn0RV2V（pn，ξ）dξ=αnS，n=1，2，…，N。（7）

最后，由下式可得車輛i將多個(gè)子任務(wù)卸載到路邊靜止的M個(gè)車輛服務(wù)器產(chǎn)生的總傳輸能耗EV2V（p）：

EV2V（p）=∑Mm=1pmtm，（8）

式中，tm為子任務(wù)卸載到第m個(gè)靜止車輛服務(wù)器的傳輸時(shí)延。tm可由下式表示：

∫tm0RV2Vpm，ξdξ=δmS，m=1，2，…，M。（9）

1.3" 計(jì)算能耗模型

在任務(wù)處理的整個(gè)過(guò)程中，除了卸載給其他服務(wù)器，部分子任務(wù)由車輛i本地計(jì)算。按下式計(jì)算本地計(jì)算的能耗E0：

E0=ηfi21－∑Nn=1αn－∑Mm=1δm－βKS，（10）

其中，η為能量系數(shù)，其大小取決于服務(wù)器的芯片結(jié)構(gòu)，可取10－26 J/Hz2；fi為本地服務(wù)器的轉(zhuǎn)速，表示服務(wù)器的計(jì)算能力；K為任務(wù)計(jì)算密度。

2" 問(wèn)題建模

本文介紹了一種針對(duì)多車單小區(qū)場(chǎng)景的基于車聯(lián)網(wǎng)（C-V2X）的邊緣計(jì)算低能耗卸載方法，旨在降低車輛自身任務(wù)處理的能耗開(kāi)銷并合理分配計(jì)算資源。接下來(lái)，將詳細(xì)討論車輛總能耗的目標(biāo)函數(shù)以及相應(yīng)的約束條件。由下式可得車輛i卸載以及處理任務(wù)消耗的總能量E0：

E0=ηfi21－∑Nn=1αn－∑Mm=1δm－βKS。（11）

通過(guò)求解下式所示的目標(biāo)函數(shù)得到能耗最低時(shí)的最優(yōu)卸載功率和最優(yōu)卸載比例，目標(biāo)函數(shù)及約束條件如下：

P：min ES=pV2ItV2I+∑Nn=1pntn+∑Mm=1pmtm+ηf21－∑Nn=1αn－∑Mm=1δm－βKS

s.t C1：∑Nn=1ωn+∑Mm=1ωm+ωV2I+ω0=ω

C2：∑Nn=1Bn+∑Mm=1Bm+BV2I≤Bmax""""""" C3：t=maxt1，t2，t3，t0

C4：t1=maxtn+tnc

C5：t2=tV2I+tc""""""" C6：t3=maxtm+tmc

C7：p1+p2+…+pn+p′1+p′2+…+pm+pV2I≤p""""""" C8：n=1，2，…，N""""""" C9：m=1，2，…，M，（12）

其中，ωn為卸載到行駛車輛服務(wù)器子任務(wù)的轉(zhuǎn)速；ωm為卸載到靜止車輛服務(wù)器子任務(wù)的轉(zhuǎn)速；ωV2I為卸載到邊緣服務(wù)器的子任務(wù)的轉(zhuǎn)速;ω0為由本車計(jì)算的任務(wù)轉(zhuǎn)速；ω為本車i任務(wù)的總轉(zhuǎn)速；Bn為第n個(gè)行駛車輛分配到的帶寬；Bm為第m個(gè)靜止車輛分配到的帶寬；BV2I為邊緣服務(wù)器分配的帶寬；Bmax為總的帶寬；t為總的任務(wù)卸載和處理完成的時(shí)間；t1為子任務(wù)由行駛車輛服務(wù)器處理的總時(shí)間；tnc為第n個(gè)行駛車輛對(duì)子任務(wù)的計(jì)算時(shí)間；tc為邊緣服務(wù)器對(duì)子任務(wù)的計(jì)算時(shí)間；t2為子任務(wù)由邊緣服務(wù)器處理的總時(shí)間；t3為子任務(wù)由靜止車輛服務(wù)器處理的總時(shí)間；tmc為第m個(gè)靜止車輛對(duì)子任務(wù)的計(jì)算時(shí)間；t0為子任務(wù)由本車服務(wù)器計(jì)算的時(shí)間；p1、p2…pn為子任務(wù)卸載到行駛車輛的傳輸功率；p1、p2…pm為子任務(wù)卸載到靜止車輛的傳輸功率；pV2I為子任務(wù)卸載到邊緣服務(wù)器的傳輸功率；p為總的傳輸功率。

上述約束條件，C1表示所有子任務(wù)的轉(zhuǎn)速之和等于本車總?cè)蝿?wù)的總轉(zhuǎn)速；C2表示所有服務(wù)器分配的帶寬之和不超過(guò)總的帶寬即最大帶寬；C3表示整個(gè)過(guò)程的時(shí)間為子任務(wù)卸載到邊緣服務(wù)器的處理總時(shí)間、子任務(wù)卸載到行駛車輛服務(wù)器的處理總時(shí)間、子任務(wù)卸載到靜止車輛服務(wù)器的處理總時(shí)間以及本地計(jì)算時(shí)間這四個(gè)時(shí)間中取一個(gè)時(shí)間最久的最大值；C4表示子任務(wù)卸載到行駛車輛服務(wù)器的處理總時(shí)間取N個(gè)行駛車輛中傳輸與計(jì)算時(shí)間之和最大的值；C5表示子任務(wù)卸載到邊緣服務(wù)器的處理總時(shí)間為傳輸與計(jì)算時(shí)間之和；C6表示子任務(wù)卸載到靜止車輛服務(wù)器的處理總時(shí)間取M個(gè)靜止車輛中傳輸與計(jì)算時(shí)間之和最大的值；C7表示所有的傳輸功率之和不超過(guò)總的傳輸功率；C8表示除本車以外的其他行駛車輛服務(wù)器n一共有N輛；C9表示路邊靜止車輛服務(wù)器m一共有M輛。

3" 基于改進(jìn)粒子群算法的任務(wù)卸載及資源分配策略

3.1" 經(jīng)典的粒子群算法

粒子群優(yōu)化（PSO）是一種仿生算法，被廣泛應(yīng)用于搜索解空間中的最優(yōu)解［8］。相較于其他優(yōu)化算法，PSO的獨(dú)特之處在于僅需目標(biāo)函數(shù)，而不依賴于目標(biāo)的梯度或微分形式［9］。PSO靈感來(lái)源于社會(huì)生物學(xué)的觀點(diǎn)，認(rèn)為魚(yú)群或鳥(niǎo)群成員在群體中的移動(dòng)可以通過(guò)其他成員的經(jīng)驗(yàn)繼續(xù)學(xué)習(xí)。盡管PSO通過(guò)模擬群體運(yùn)動(dòng)，但也可以將每個(gè)個(gè)體視為在高維解空間中協(xié)作，助力尋找最優(yōu)解，而群體找到的最優(yōu)解即為該空間的全局最優(yōu)解［10］。

粒子群優(yōu)化算法通過(guò)迭代不斷改進(jìn)，尋找在定質(zhì)量抑制下的候選解決方案。該算法維護(hù)一組候選解，這些候選解被稱為粒子。在搜索空間中根據(jù)粒子位置和速度的簡(jiǎn)單數(shù)學(xué)公式進(jìn)行移動(dòng)，以解決問(wèn)題。每個(gè)粒子的運(yùn)動(dòng)受到其局部已知最佳解的影響，同時(shí)被引導(dǎo)至搜索空間中的已知最佳位置，這些位置將隨著其他粒子找到更好的位置而更新。粒子群優(yōu)化算法以迭代的方式逐步逼近最優(yōu)解，整個(gè)過(guò)程涉及群體最佳方向的解決方案。經(jīng)典的粒子群算法流程如下圖2所示。

在粒子群算法的初始階段，系統(tǒng)會(huì)隨機(jī)生成一群隨機(jī)粒子，它們的速度vt=0i和位置xt=0i都是通過(guò)隨機(jī)生成的，每個(gè)粒子i都會(huì)記錄自身的最佳位置bi，并通過(guò)信息共享機(jī)制獲取所有粒子在歷史上達(dá)到的全局最優(yōu)位置g。一旦得到個(gè)體最優(yōu)位置bi和全局最優(yōu)位置g，粒子將根據(jù)以下公式不斷更新迭代自己的速度：

vt+1i=ωvti+c1r1bi－xti+c2r2g－xti，（13）

其中ω∈0，1且c1，c2∈R+，分別表示粒子的慣性權(quán)重和學(xué)習(xí)因子（加速度系數(shù)）；r1，r2∈0，1是每次迭代中隨機(jī)選擇的數(shù)字；ωvti表示粒子的動(dòng)量因子，用于防止粒子在運(yùn)動(dòng)的過(guò)程中方向發(fā)生異常地改變；c1r1bi－xti表示認(rèn)知因子，通過(guò)對(duì)局部最佳解決方案相關(guān)的性能進(jìn)行定量評(píng)估，促使粒子更加智能地利用其過(guò)去的優(yōu)越經(jīng)驗(yàn)；c2r2g－xti所代表的社會(huì)因素，對(duì)整個(gè)群體所取得的全局最佳解決方案的性能進(jìn)行了量化，成為了粒子群算法中至關(guān)重要的影響因素。粒子將根據(jù)以下公式不斷更新迭代自己的位置：

xt+1i=xti+vt+1i。（14）

3.2" 改進(jìn)的粒子群算法（EPSO算法）

通過(guò)觀察上式（13），可以得知對(duì)于粒子群優(yōu)化（PSO）算法的性能，慣性權(quán)重ω有著顯著的貢獻(xiàn)。研究表明，當(dāng)慣性權(quán)重ω值較大時(shí)，算法具有較強(qiáng)的全局搜索能力，有利于跳出局部最優(yōu)解從而實(shí)現(xiàn)全局最優(yōu)解，而當(dāng)慣性權(quán)重ω值較小時(shí)，算法具有強(qiáng)大的局部搜索能力，有助于加速結(jié)果輸出即達(dá)到全局收斂。鑒于粒子群算法在小范圍的搜索方面存在一定不足，其優(yōu)化精度相對(duì)較低，容易過(guò)早陷入局部最優(yōu)解的問(wèn)題，學(xué)術(shù)界一直以來(lái)都在努力改進(jìn)粒子群算法。研究人員致力于提升粒子群算法在小范圍和全范圍內(nèi)的搜索性能，同時(shí)著重于提高收斂速度，以防止算法陷入局部最優(yōu)和過(guò)早收斂的困境，從而全面提升整體性能。

然而，采用線性減少ω的調(diào)整策略可能帶來(lái)結(jié)果的不穩(wěn)定性，使得算法更容易受困于局部最優(yōu)解。即便算法成功跳出局部最優(yōu)解，其收斂速度也可能相當(dāng)緩慢。這一問(wèn)題的根源在于線性ω調(diào)整策略采用了統(tǒng)一的權(quán)重變化率，導(dǎo)致粒子在整個(gè)搜索過(guò)程中缺乏明顯的差異。為了提高算法的穩(wěn)定性和全局搜索性能，有必要采用更為精細(xì)和差異化的ω調(diào)整策略。

因此，本研究將粒子群算法與模擬退火算法相結(jié)合。在這種融合中，借鑒了模擬退火算法中新解被接受的概率的概念，并提出了一種新的慣性因子遞減策略ωT，具體表達(dá)如下：

ωT=ωmin+e－ΔEk·teωmax－ωmin，（15）

式中，te為模擬退火算法中的溫度;ωmax、ωmin分別表示慣性權(quán)重的最大值和最小值;ΔE=Eb－Ea表示系統(tǒng)從a狀態(tài)變?yōu)閎狀態(tài)時(shí)，相應(yīng)的能量從Ea變化到Eb;k表示波爾茲曼常數(shù)。

改進(jìn)的算法流程設(shè)計(jì)：

（1）初始化。根據(jù)本章低能耗任務(wù)卸載問(wèn)題隨機(jī)產(chǎn)生粒子種群以及初始溫度。

（2）根據(jù)目標(biāo)函數(shù)計(jì)算隨機(jī)產(chǎn)生粒子的適應(yīng)度值以及個(gè)體最佳值和全局最佳值。

（3）根據(jù)以下改進(jìn)公式（16）更新粒子速度，并由公式（14）更新粒子位置：

vt+1i=ωmin+e－ΔEk·teωmax－ωminvti+c1r1bi－xti+c2r2g－xti。（16）

（4）判斷是否滿足迭代終止條件，即是否達(dá)到迭代最大次數(shù)。若迭代次數(shù)未達(dá)到最大值，則返回步驟（2）繼續(xù)循環(huán)。若迭代次數(shù)達(dá)到最大值，則跳出循環(huán)，輸出全局最優(yōu)解以及相關(guān)參數(shù)。

基于改進(jìn)粒子群的低能耗任務(wù)卸載策略算法如下：

輸入：帶寬約束B(niǎo)max；傳輸功率約束P；服務(wù)器計(jì)算能力約束ω；任務(wù)屬性S，K；迭代次數(shù)u；模擬退火初始溫度t0

輸出：任務(wù)卸載方案，包括傳輸功率pn、pm、pV2I;任務(wù)分割比例αn、δm、β;任務(wù)處理總能耗Es

1： for 迭代 u do

2：初始化粒子種群以及任務(wù)卸載方案pn、pm、pV2I和αn、δm、β，并計(jì)算此時(shí)目標(biāo)函數(shù)值

3：計(jì)算適應(yīng)度值

4：u=u+1

5：根據(jù)公式（16）更新粒子速度，根據(jù)公式（14）更新粒子位置

6： end for

7：輸出全局最優(yōu)適應(yīng)度值以及最優(yōu)卸載策略

4" 仿真實(shí)驗(yàn)及結(jié)果分析

仿真實(shí)驗(yàn)參數(shù)設(shè)定遵循了邊緣計(jì)算領(lǐng)域相關(guān)規(guī)范，以確保實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和可靠性。在所設(shè)計(jì)的仿真場(chǎng)景中，包含了1個(gè)本地車輛服務(wù)器、1個(gè)路邊單元、以及5輛周圍行駛的車輛服務(wù)器，同時(shí)還考慮了2～5輛路邊停泊的車輛服務(wù)器［11］。為了進(jìn)一步提高仿真結(jié)果的可信度，進(jìn)行了多次仿真實(shí)驗(yàn)，以減少隨機(jī)誤差對(duì)結(jié)果的影響。具體的實(shí)驗(yàn)參數(shù)設(shè)置詳見(jiàn)表1［12-13］。

根據(jù)圖3所示，隨著迭代次數(shù)的增加，粒子的適應(yīng)度值逐漸降低并最終趨于穩(wěn)定的趨勢(shì)。在圖中，所呈現(xiàn)的不同顏色的線條代表著處理不同大小任務(wù)數(shù)據(jù)的變化情況。隨著任務(wù)數(shù)據(jù)量的增加，適應(yīng)度值也相應(yīng)增大，但最終每條線均會(huì)趨于穩(wěn)定。這一現(xiàn)象的原因在于隨著任務(wù)數(shù)量的增加，改進(jìn)的粒子群算法的負(fù)載也隨之增加，進(jìn)而導(dǎo)致任務(wù)處理能耗的上升。例如，在圖中，針對(duì)處理任務(wù)量為2 Mbit的情況，改進(jìn)的粒子群算法在經(jīng)過(guò)15次迭代后達(dá)到了收斂狀態(tài)。在此時(shí)，算法所得到的適應(yīng)度值，即任務(wù)處理能耗，約為0.004 7 J。相對(duì)應(yīng)地，在處理任務(wù)量為4 Mbit的情況下，算法在經(jīng)過(guò)16次迭代后同樣達(dá)到了收斂狀態(tài)，此時(shí)的適應(yīng)度值即任務(wù)處理能耗約為0.014 8 J。

在圖4中，進(jìn)行了一項(xiàng)對(duì)比分析，旨在驗(yàn)證提出的改進(jìn)粒子群算法在能耗優(yōu)化方面的有效性。將改進(jìn)粒子群（EPSO）優(yōu)化算法與傳統(tǒng)粒子群優(yōu)化（PSO）算法、本地執(zhí)行（LOCAL）算法以及移動(dòng)邊緣服務(wù)器執(zhí)行（MEC）算法進(jìn)行了分析。從圖4的結(jié)果可以觀察到，隨著任務(wù)量的增加，4種處理策略所產(chǎn)生的能耗呈現(xiàn)出增加的趨勢(shì)。舉例來(lái)說(shuō)，在處理任務(wù)量為5 Mbit時(shí)，本地處理所需能耗為0.5 J，移動(dòng)邊緣服務(wù)器處理能耗為0.035 J，傳統(tǒng)粒子群算法處理能耗為0.029 J，而改進(jìn)粒子群算法處理能耗僅為0.023 J。這些數(shù)據(jù)結(jié)果進(jìn)一步驗(yàn)證了改進(jìn)粒子群算法在能耗優(yōu)化方面的有效性和性能優(yōu)勢(shì)。

圖5呈現(xiàn)了在不同服務(wù)車輛數(shù)目下，任務(wù)車輛處理任務(wù)所消耗的最小能耗。觀察結(jié)果顯示，每條折線都呈現(xiàn)出上升的趨勢(shì)，這是由于隨著任務(wù)量的增加，處理任務(wù)所需的計(jì)算資源和通信資源也隨之增加，從而導(dǎo)致了任務(wù)處理總能耗的增加。舉例來(lái)說(shuō)，在處理任務(wù)量為4 Mbit時(shí)，將任務(wù)僅卸載給4輛行駛車輛的任務(wù)處理總能耗為0.018 J，將任務(wù)卸載給4輛行駛車輛以及1輛停泊車輛的任務(wù)處理總能耗為0.016 J，將任務(wù)卸載給4輛行駛車輛以及4輛停泊車輛的任務(wù)處理總能耗為0.012 J。這些結(jié)果明確表明，在車輛數(shù)量較多的情況下，將任務(wù)同時(shí)卸載給行駛中的車輛和路邊停泊的車輛，能夠有效降低任務(wù)處理總能耗。

5" 結(jié)論

提出了一種基于車聯(lián)網(wǎng)通信的邊緣計(jì)算低能耗卸載方法，旨在降低車輛自身任務(wù)處理的能耗開(kāi)銷，并合理分配計(jì)算資源。選擇了多車單小區(qū)場(chǎng)景的公共路段作為研究場(chǎng)景，任務(wù)車輛在行駛過(guò)程中產(chǎn)生任務(wù)卸載需求。除了利用車輛自身的計(jì)算資源外，這些任務(wù)還會(huì)被發(fā)送至周圍有空閑計(jì)算資源的同向行駛的車輛服務(wù)器、路邊停止的車輛服務(wù)器以及路邊單元的邊緣服務(wù)器中進(jìn)行處理。運(yùn)用了改進(jìn)的粒子群優(yōu)化算法，以得出最優(yōu)的卸載功率和最優(yōu)的任務(wù)分配比例，從而降低本車卸載和處理任務(wù)消耗的能耗。通過(guò)這種方式，實(shí)現(xiàn)了資源的合理分配和能源的有效節(jié)約。

參考文獻(xiàn)：

［1］GU L J， CUI M M， XU L K， et al. Collaborative offloading method for digital twin empowered cloud edge computing on internet of vehicles［J］. Tsinghua Science and Technology， 2023， 28（3）： 433-451. DOI： 10.26599/TST.2022.9010006.

［2］TANG H J， WU H M， QU G J， et al. Double deep Q-network based dynamic framing offloading in vehicular edge computing［J］. IEEE Transactions on Network Science and Engineering， 2023， 10（3）： 1297-1310. DOI： 10.1109/TNSE.2022.3172794.

［3］YANG T T， GAO S， LI J B， et al. Multi-armed bandits learning for task offloading in maritime edge intelligence networks［J］. IEEE Transactions on Vehicular Technology， 2022， 71（4）： 4212-4224. DOI： 10.1109/TVT.2022.3141740.

［4］WU L， ZHANG Z， LI Q， et al. A mobile edge computing-based applications execution framework for Internet of Vehicles［J］. Frontiers of Computer Science， 2022（5）： 131-141.

［5］HUANG X M， YU R， YE D D， et al. Efficient workload allocation and user-centric utility maximization for task scheduling in collaborative vehicular edge computing［J］. IEEE Transactions on Vehicular Technology， 2021， 70（4）： 3773-3787. DOI： 10.1109/TVT.2021.3064426.

［6］BUTE M S， FAN P Z， ZHANG L， et al. An efficient distributed task offloading scheme for vehicular edge computing networks［J］. IEEE Transactions on Vehicular Technology， 2021， 70（12）： 13149-13161. DOI： 10.1109/TVT.2021.3117847.

［7］KU Y J， BAIDYA S， DEY S. Adaptive computation partitioning and offloading in real-time sustainable vehicular edge computing［J］. IEEE Transactions on Vehicular Technology， 2021， 70（12）： 13221-13237. DOI： 10.1109/TVT.2021.3119585.

［8］ZHENG Q S， GU Y J， LIU Y H， et al. Chaotic particle swarm algorithm-based optimal scheduling of integrated energy systems［J］. Electric Power Systems Research， 2023， 216： 108979. DOI： 10.1016/j.epsr.2022.108979.

［9］HUANG Y， BAI Y J. Intelligent sports prediction analysis system based on edge computing of particle swarm optimization algorithm［J］. IEEE Consumer Electronics Magazine， 2023， 12（2）： 73-82. DOI： 10.1109/MCE.2021.3139837.

［10］孫一凡， 張紀(jì)會(huì). 基于模擬退火機(jī)制的自適應(yīng)粘性粒子群算法［J］. 控制與決策， 2023， 38（10）： 2764-2772. DOI： 10.13195/j.kzyjc.2022.0291.

［11］YOU Q， TANG B. Efficient task offloading using particle swarm optimization algorithm in edge computing for industrial Internet of Things［J］. Journal of Cloud Computing， 2021， 10（1）： 41. DOI： 10.1186/s13677-021-00256-4.

［12］LI W J， DENG W， SHE R， et al. Edge computing offloading strategy based on particle swarm algorithm for power Internet of Things［C］//2021 IEEE 2nd International Conference on Big Data， Artificial Intelligence and Internet of Things Engineering （ICBAIE）. Nanchang： IEEE， 2021： 145-150. DOI： 10.1109/ICBAIE52039.2021.9389919.

［13］ALQARNI M A， MOUSA M H， HUSSEIN M K. Task offloading using GPU-based particle swarm optimization for high-performance vehicular edge computing［J］. Journal of King Saud University-Computer and Information Sciences， 2022， 34（10）： 10356-10364. DOI： 10.1016/j.jksuci.2022.10.026.