基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法
【專利摘要】本發(fā)明公開了一種基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，通過收集移動(dòng)終端、移動(dòng)網(wǎng)絡(luò)以及云端服務(wù)器的實(shí)時(shí)信息，而后根據(jù)這些實(shí)時(shí)信息建立針對(duì)計(jì)算卸載的移動(dòng)模型，再根據(jù)這些實(shí)時(shí)信息且采用基于遺傳算法的多目標(biāo)算法進(jìn)行組合優(yōu)化，得到基于遺傳算法的計(jì)算卸載策略，最后根據(jù)移動(dòng)模型和基于遺傳算法的計(jì)算卸載策略執(zhí)行當(dāng)前移動(dòng)服務(wù)組合；從而克服了現(xiàn)有技術(shù)中的方法僅僅針對(duì)單一服務(wù)進(jìn)行計(jì)算卸載導(dǎo)致無法直接應(yīng)用于服務(wù)組合中的問題，也克服了現(xiàn)有技術(shù)中的方法在規(guī)劃計(jì)算卸載方案時(shí)沒有考慮用戶的移動(dòng)特性導(dǎo)致服務(wù)組合實(shí)際性能變化的問題，進(jìn)而提高服務(wù)組合執(zhí)行效率并且還降低移動(dòng)終端的能耗。
【專利說明】基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及通信【技術(shù)領(lǐng)域】，尤其涉及一種基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載 方法。

【背景技術(shù)】
[0002] 近年來隨著以智能手機(jī)和平板電腦為主的移動(dòng)終端的發(fā)展，移動(dòng)終端被賦予越來 越多的功能，但是在移動(dòng)終端上的CPU、內(nèi)存、帶寬和電池容量等資源限制了移動(dòng)終端的能 力。隨著云計(jì)算技術(shù)，虛擬化技術(shù)和WI-FI技術(shù)的發(fā)展，使得利用WI-FI和3G/4G網(wǎng)絡(luò)將移 動(dòng)終端上的部分任務(wù)卸載到云端服務(wù)器中執(zhí)行成為了可能。移動(dòng)云計(jì)算中的計(jì)算卸載就是 將移動(dòng)終端中的一些容易分割，計(jì)算密集型的程序通過WI-FI或者3G網(wǎng)絡(luò)等卸載到附近可 用的服務(wù)器中去執(zhí)行，來到達(dá)提升程序性能和減少移動(dòng)終端能耗的一種技術(shù)。
[0003] 現(xiàn)有技術(shù)中的計(jì)算卸載算法主要有兩個(gè)缺點(diǎn)：（1)目前大多數(shù)方法都僅針對(duì)單一 服務(wù)任務(wù)進(jìn)行計(jì)算卸載，而沒有考慮對(duì)多個(gè)服務(wù)根據(jù)業(yè)務(wù)流程形成的移動(dòng)服務(wù)組合進(jìn)行卸 載。由于服務(wù)組合中存在著不同服務(wù)之間的邏輯及數(shù)據(jù)依賴，因此針對(duì)單一服務(wù)計(jì)算卸載 的方法無法直接應(yīng)用于服務(wù)組合；(2)在規(guī)劃計(jì)算卸載方案時(shí)沒有考慮用戶的移動(dòng)特性， 由于在服務(wù)的執(zhí)行過程中用戶的地理位置會(huì)隨時(shí)間變化，導(dǎo)致移動(dòng)信號(hào)也會(huì)產(chǎn)生變化，從 而影響到數(shù)據(jù)傳輸開銷和本地執(zhí)行開銷之間的比較結(jié)果，最終導(dǎo)致服務(wù)組合實(shí)際性能的變 化。


【發(fā)明內(nèi)容】

[0004] 針對(duì)上述存在的問題，本發(fā)明提供一種基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方 法，以克服現(xiàn)有技術(shù)中的方法僅僅針對(duì)單一服務(wù)進(jìn)行計(jì)算卸載導(dǎo)致無法直接應(yīng)用于服務(wù)組 合中的問題，也克服現(xiàn)有技術(shù)中的方法在規(guī)劃計(jì)算卸載方案時(shí)沒有考慮用戶的移動(dòng)特性導(dǎo) 致服務(wù)組合實(shí)際性能變化的問題，從而提高服務(wù)組合執(zhí)行效率和降低移動(dòng)終端的能耗。
[0005] 為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：
[0006] -種基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其中，包括：
[0007] 收集移動(dòng)終端、移動(dòng)網(wǎng)絡(luò)以及云端服務(wù)器的實(shí)時(shí)信息；
[0008] 根據(jù)所述實(shí)時(shí)信息建立針對(duì)計(jì)算卸載的移動(dòng)模型；
[0009] 根據(jù)所述實(shí)時(shí)信息采用基于遺傳算法的多目標(biāo)算法進(jìn)行組合優(yōu)化，得到基于遺傳 算法的計(jì)算卸載策略；
[0010] 根據(jù)所述移動(dòng)模型和所述基于遺傳算法的計(jì)算卸載策略執(zhí)行當(dāng)前移動(dòng)服務(wù)組合。
[0011] 上述的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其中，建立針對(duì)計(jì)算卸載的 移動(dòng)模型的方法包括：
[0012] 建模為一個(gè)二元組作為，mt = (D。，Trips)，其中：
[0013] (1)D。是用戶的初始位置；
[0014] (2)Trips是用戶的位移集合，一個(gè)用戶的移動(dòng)軌跡是由多個(gè)位移組成的。每一段 位移表示如下：
[0015] TriPi = {D^T^VJ
[0016] 其中i表示該段位移的序號(hào)，Di是給段位移的目的地，Ti表示在目的地停留的時(shí) 間，\表示該段位移的平均速度。
[0017] 上述的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其中，采用基于遺傳算法的 多目標(biāo)算法進(jìn)行組合優(yōu)化的方法包括：
[0018] 1)初始化階段，生成種群及染色體，確定終止條件；
[0019] 2)交叉階段：選擇染色體進(jìn)行交叉；
[0020] 3)變異階段：選擇染色體進(jìn)行變異；
[0021] 4)重復(fù)2)-3)步驟，直到終止條件達(dá)成。
[0022] 上述的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其中，所述終止條件為：初始 化階段中設(shè)定的最大循環(huán)次數(shù)。
[0023] 上述技術(shù)方案具有如下優(yōu)點(diǎn)或者有益效果：
[0024] 本發(fā)明提供的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，通過收集移動(dòng)終端、 移動(dòng)網(wǎng)絡(luò)以及云端服務(wù)器的實(shí)時(shí)信息，而后根據(jù)這些實(shí)時(shí)信息建立針對(duì)計(jì)算卸載的移動(dòng)模 型，再根據(jù)這些實(shí)時(shí)信息且采用基于遺傳算法的多目標(biāo)算法進(jìn)行組合優(yōu)化，得到基于遺傳 算法的計(jì)算卸載策略，最后根據(jù)移動(dòng)模型和基于遺傳算法的計(jì)算卸載策略執(zhí)行當(dāng)前移動(dòng)服 務(wù)組合；從而克服了現(xiàn)有技術(shù)中的方法僅僅針對(duì)單一服務(wù)進(jìn)行計(jì)算卸載導(dǎo)致無法直接應(yīng)用 于服務(wù)組合中的問題，也克服了現(xiàn)有技術(shù)中的方法在規(guī)劃計(jì)算卸載方案時(shí)沒有考慮用戶的 移動(dòng)特性導(dǎo)致服務(wù)組合實(shí)際性能變化的問題，進(jìn)而提高服務(wù)組合執(zhí)行效率并且還降低移動(dòng) 終端的能耗。

【專利附圖】

【附圖說明】
[0025] 通過閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明及其特征、夕卜 形和優(yōu)點(diǎn)將會(huì)變得更加明顯。在全部附圖中相同的標(biāo)記指示相同的部分。并未刻意按照比 例繪制附圖，重點(diǎn)在于示出本發(fā)明的主旨。
[0026] 圖1是本發(fā)明實(shí)施例1提供的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法的流程 示意圖；
[0027] 圖2是本發(fā)明實(shí)施例1提供的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法的針對(duì) 計(jì)算卸載的移動(dòng)模型的示意圖；
[0028] 圖3是傳統(tǒng)的遺傳算法的交叉操作的示意圖；
[0029] 圖4是本發(fā)明實(shí)施例1中提供的遺傳算法的交叉操作的示意圖。

【具體實(shí)施方式】
[0030] 下面結(jié)合附圖和具體的實(shí)施例對(duì)本發(fā)明作進(jìn)一步的說明，但是不作為本發(fā)明的限 定。
[0031] 實(shí)施例1 :
[0032] 圖1是本發(fā)明實(shí)施例1提供的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法的流程 示意圖；圖2是本發(fā)明實(shí)施例1提供的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法的針對(duì) 計(jì)算卸載的移動(dòng)模型的示意圖；圖3是傳統(tǒng)的遺傳算法的交叉操作的示意圖；圖4是本發(fā) 明實(shí)施例1中提供的遺傳算法的交叉操作的示意圖；如圖所示，本發(fā)明實(shí)施例1提供的基于 遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法包括：收集移動(dòng)終端、移動(dòng)網(wǎng)絡(luò)以及云端服務(wù)器的 實(shí)時(shí)信息；根據(jù)實(shí)時(shí)信息建立針對(duì)計(jì)算卸載的移動(dòng)模型；根據(jù)實(shí)時(shí)信息采用基于遺傳算法 的多目標(biāo)算法進(jìn)行組合優(yōu)化，得到基于遺傳算法的計(jì)算卸載策略；根據(jù)移動(dòng)模型和基于遺 傳算法的計(jì)算卸載策略執(zhí)行當(dāng)前移動(dòng)服務(wù)組合。
[0033] 在本發(fā)明實(shí)施例1提供的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法中，建立針 對(duì)計(jì)算卸載的移動(dòng)模型的方法包括：
[0034] 建模為一個(gè)二元組作為，mt = (D。，Trips)，其中：
[0035] (1) D。是用戶的初始位置；
[0036] (2)Trips是用戶的位移集合，一個(gè)用戶的移動(dòng)軌跡是由多個(gè)位移組成的。每一段 位移表示如下：
[0037]

【權(quán)利要求】
1. 一種基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其特征在于，包括： 收集移動(dòng)終端、移動(dòng)網(wǎng)絡(luò)以及云端服務(wù)器的實(shí)時(shí)信息； 根據(jù)所述實(shí)時(shí)信息建立針對(duì)計(jì)算卸載的移動(dòng)模型； 根據(jù)所述實(shí)時(shí)信息采用基于遺傳算法的多目標(biāo)算法進(jìn)行組合優(yōu)化，得到基于遺傳算法 的計(jì)算卸載策略； 根據(jù)所述移動(dòng)模型和所述基于遺傳算法的計(jì)算卸載策略執(zhí)行當(dāng)前移動(dòng)服務(wù)組合。
2. 如權(quán)利要求1所述的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其特征在于，建 立針對(duì)計(jì)算卸載的移動(dòng)模型的方法包括： 建模為一個(gè)二元組作為，mt = (D。，Trips),其中： (1) DQ是用戶的初始位置； (2) Trips是用戶的位移集合，一個(gè)用戶的移動(dòng)軌跡是由多個(gè)位移組成的。每一段位移 表示如下： TriPi = {Di, Ti, Vj 其中i表示該段位移的序號(hào)，Di是給段位移的目的地，?\表示在目的地停留的時(shí)間，\ 表示該段位移的平均速度。
3. 如權(quán)利要求1所述的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其特征在于，采 用基于遺傳算法的多目標(biāo)算法進(jìn)行組合優(yōu)化的方法包括： 1) 初始化階段，生成種群及染色體，確定終止條件； 2) 交叉階段：選擇染色體進(jìn)行交叉； 3) 變異階段：選擇染色體進(jìn)行變異； 4) 重復(fù)2)-3)步驟，直到終止條件達(dá)成。
4. 如權(quán)利要求3所述的基于遺傳算法的移動(dòng)服務(wù)組合計(jì)算卸載方法，其特征在于，所 述終止條件為：初始化階段中設(shè)定的最大循環(huán)次數(shù)。
【文檔編號(hào)】G06F9/50GK104158855SQ201410354658
【公開日】2014年11月19日 申請(qǐng)日期:2014年7月24日 優(yōu)先權(quán)日:2014年7月24日
【發(fā)明者】鄧水光, 黃龍濤, 李瑩, 吳健, 尹建偉, 吳朝暉 申請(qǐng)人:浙江大學(xué)