一项元启发式研究：基于自适应粒子群优化的车辆雾计算部分多任务卸载策略

《Computer Communications》：A metaheuristic study: A partial multitask offloading strategy for vehicular fog computing based on adaptive particle swarm optimization

针对5G车联网低延迟需求，本研究提出基于自适应粒子群优化算法的元启发式延迟感知优化策略。通过建立单RSU密集城市交通场景模型，采用非线性规划方法解决NP难问题中的任务卸载调度，结合车辆与雾节点动态协作机制，显著降低任务处理总延迟和平均延迟。仿真结果显示，总延迟较经典PSO算法降低11.6%，较其他方案至少降低38%，有效平衡云端与雾节点负载，提升车服务质量和用户满意度，为城市智能交通中的车-雾-云协同提供新方案。

　　

张福奇|姜慧琳|刘福|侯涛|刘玉佳

吉林大学通信工程学院，中国吉林省长春市130012

摘要

为了满足5G车辆服务中对低感知延迟的需求，提出了一种基于自适应粒子群优化（PSO）算法的元启发式延迟感知优化策略。首先，对单路边单元密集型短距离城市交通场景进行了建模。其次，为了解决所描述的非确定性多项式时间复杂度问题，采用了一种非线性规划方法来调度在一跳通信范围内的空闲车辆雾节点。最后，应用自适应PSO策略通过平衡云节点和车辆雾节点的负载及感知延迟水平来优化任务处理的总体延迟和平均延迟。在数值模拟实验中，与最著名的生物启发式方法之一——经典PSO算法相比，所提出策略的总处理延迟降低了多达11.6%；与其他在该场景下被证明有效的测试方案相比，总处理延迟至少降低了38.0%。实验结果表明，所提出的方法可以平衡云节点和车辆雾节点的负载，提高车辆服务质量和用户满意度，为城市智能交通中的车辆-雾-云场景提供了合适的解决方案。

引言

5G蜂窝车辆网络可以为车辆提供紧急警告、速度引导、路线导航和旅行娱乐等服务，以确保驾驶的安全性和效率。这为自动驾驶铺平了道路[1]。随着车辆服务类别和用户数量的增加，需要传输和计算的数据量也在迅速增加。面对这一挑战，传统的云计算方法已无法满足服务的延迟要求。因此，蜂窝车辆网络允许车载单元（OBU）等节点执行数据服务计算。然而，OBU自身的计算能力有限，边缘服务器必须处理部分任务量[2]。车辆边缘计算（VEC）可以有效缓解由大量网络数据请求引起的网络拥堵，是实现低延迟任务计算的关键技术之一[3]。作为VEC的重要扩展，车辆雾计算（VFC）可以将计算密集型任务部分卸载到车辆雾节点上，以获得更好的通信效果和更高的计算效率。

近年来，VEC和VFC环境中的任务卸载已成为一个热门研究课题，吸引了业界和学界的广泛关注。任务卸载（也称为计算卸载[4]、数据卸载[5]或计算迁移[6]）是边缘计算领域的主要研究课题之一，也是减轻用户感知延迟的关键。任务卸载是指将对延迟敏感的服务或计算密集型服务从终端节点卸载到具有更丰富计算资源的云服务器、边缘服务器或车辆雾节点上进行处理[7]。在面向VEC的任务卸载研究的早期阶段，任等人[8]解决了多用户移动边缘计算（MEC）卸载系统中最小化延迟资源分配的问题。他们推导出了最优数据划分策略的封闭表达式，并通过提出部分卸载方案来优化通信和计算资源的分配。这为VEC和VFC环境中的任务卸载提供了灵感。后来，张等人[9]综合考虑了车辆移动性、任务卸载决策、计算资源分配和可靠结果反馈，以优化与计算和通信服务相关的系统效用。此外，他们提出了一种基于排序的匹配算法（RBMA）。作者利用了车辆之间以及车辆与路边单元（RSU）之间的有效协作。他们以混合整数非线性规划的形式解决了VEC任务卸载问题。

由于车辆雾网络应用中响应延迟的重要性[10]，本研究重点研究了延迟感知优化问题。通过改进经典的粒子群优化（PSO）算法，本文提出了一种适用于密集城市道路场景的延迟感知模型和启发式技术。本研究提出的自适应PSO策略用于在VFC的最大可容忍延迟阈值下调度计算任务，以最小化平均和处理延迟。此外，当车载服务的任务数据量超过OBU的计算能力时，将其卸载到RSU进行计算；否则，通过VFC将其卸载到附近的车辆雾节点进行计算。本研究的主要贡献如下：

1.

本研究对大规模网络中遇到的移动感知任务调度问题进行了建模。对具有单个RSU和短距离城市交通流的密集城市道路场景进行了数值模拟。考虑了基于任务的车辆和车辆雾节点的移动性。此外，在双向交通道路条件下，整合了智能车辆和道路测试设施的通信功能。此外，所提出的方法提供了通过协作加载信息交互和执行任务卸载的能力。

2.

本研究采用非线性规划方法来降低涉及非确定性多项式时间（NP）难题的部分多任务卸载中的计算任务延迟。考虑了距离车辆业务最近的车辆雾节点。从而显著提高了车辆服务延迟，并最大化了云服务器的利用率。对于同一雾簇内的不同车辆雾节点，调度了任务计算决策变量。在资源约束下保证了高质量的服务（QoS）水平。

3.

本研究提出了一种先进的元启发式方法，即自适应粒子群策略。该策略可以在几秒钟内提供接近最优的解决方案。通过自适应动态负载均衡调度器减少了云服务器上的负载。通过延迟感知优化降低了计算任务的总延迟和平均延迟。通过满足最大可容忍延迟阈值，实现了高用户满意度。

4.

将所提出的策略与完整的RSU卸载方案、随机部分卸载方案[11]、RBMA[12]和经典PSO算法[13]进行了详细比较。数值结果表明了所提出策略的优势和有效性。

本文的其余部分组织如下：第2节介绍相关工作。第3节描述系统模型。第4节讨论基于自适应粒子群优化的VFC任务分配策略。第5节分析和验证模拟结果。第6节总结本文。

相关工作

相关工作

在VFC领域，随着应用需求的多样性和复杂性的增加，任务卸载和资源分配问题逐渐表现出高动态性、多重约束和多目标优化的特点。传统的确定性优化方法在处理此类复杂场景时往往存在计算开销过大、收敛速度慢以及容易陷入局部最优解等局限性。因此，元启发式

网络模型

本研究选择的环境是一个人口密集的城市道路和具有单小区毫米波通信的车辆网络。它包括多辆汽车在道路上双向直线行驶。车辆和基站都配备了毫米波定向天线[30]。VFC的结构如图1所示。考虑一个位于道路旁边的RSU，该RSU配备了VEC服务器。RSU和服务器通过有线光缆连接

基于自适应PSO的延迟感知优化策略

本节提出了一种基于自适应雾计算的新型部分多任务卸载策略。优化了上一节定义的三种模型（即本地计算、RSU计算和车辆雾节点计算）下的任务分配比率。使用基于自适应雾计算的任务处理总延迟来获得接近最优的部分多任务卸载策略。首先，确定每种模型对之间的任务分配比率。然后，

系统配置

本研究使用MATLAB R2022a平台来模拟和测试所提出的策略。模拟环境包括一个Intel(R) Core(TM) i7-12700H CPU @2.30 GHz、16.0 GB内存以及基于×64处理器的64位操作系统。模拟场景涉及真实城市中的道路交通。根据人口密集城市道路的平均行驶速度，模拟了多辆汽车在道路上双向直线行驶的情况。在网络结构中，OBU

结论

本文研究了一种适用于城市密集车辆场景的VFC多任务部分卸载策略。依靠延迟感知优化方法，设计了一种基于自适应PSO算法的车辆-雾-云卸载策略。通过通信多车辆协作方法优化了任务的总延迟和平均处理延迟。具体来说，增加了种群的适应度值、最小适应度值和平均适应度值

CRediT作者贡献声明

张福奇：撰写——原始草案、软件、方法论、调查、形式分析。姜慧琳：监督、概念化。刘福：撰写——审阅与编辑、资源。侯涛：可视化、调查、资金获取。刘玉佳：验证、资金获取。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：刘福报告称获得了吉林省科技发展计划-重大项目研发计划（编号20250203113SF）的财务支持。

致谢

中国吉林省科技发展计划（YDZJ202301ZYTS402）。