高能效的隨機(jī)混雜任務(wù)序列的執(zhí)行調(diào)度優(yōu)化設(shè)計(jì)案例目錄TOC\o"1-3"\h\u228621.1引言 [39]，且不會(huì)影響不等式兩側(cè)關(guān)系。接下來在不等式的兩側(cè)同時(shí)加上懲罰項(xiàng)，構(gòu)建李亞普諾夫漂移-懲罰函數(shù)：?其中V是一個(gè)非負(fù)的控制參數(shù)。V的取值與系統(tǒng)穩(wěn)定性和期望優(yōu)化的目標(biāo)有關(guān)，可以通過控制V來改變優(yōu)化目標(biāo)的權(quán)重。由于等式右側(cè)為左側(cè)的上界，因此可以將其最小化可以實(shí)現(xiàn)優(yōu)化目標(biāo)。原目標(biāo)函數(shù)公式(1.21)便可以轉(zhuǎn)換為以下問題：min為了最小化目標(biāo)，需要對(duì)計(jì)算資源進(jìn)行分配。分別在三種執(zhí)行模式下，獲得最優(yōu)的ft,P當(dāng)任務(wù)在本地計(jì)算時(shí)，將si,m=1，siV=由于一個(gè)時(shí)隙內(nèi)的Qit，Ait為定值，因此公式3.31的大小僅與VEi,m(t)?Qi當(dāng)任務(wù)在遠(yuǎn)端云執(zhí)行時(shí)，將si,m=0，siV=將公式（1.8）（1.9）（1.10）帶入公式（1.32）可以得到關(guān)于Pi,r當(dāng)任務(wù)在Cloudlet執(zhí)行時(shí)，將si,m=0，siV=將公式（1.13）（1.14）（1.15）帶入公式（1.33）可以得到關(guān)于Pi,c綜上，分別求得三種模式下的最優(yōu)工作頻率與傳輸功率。表1.SEQ表3.\*ARABIC1任務(wù)調(diào)度決策步驟Fig1.1Taskschedulingdecisionsteps開始1隊(duì)列初始化2fort=0toT?1do3令w4si,mt=1min5si,rtmin6si,ctmin7比較三種模式下的wt8更新隊(duì)列10t=t+111end1.4仿真實(shí)驗(yàn)1.4.1仿真參數(shù)在仿真實(shí)驗(yàn)中，假設(shè)時(shí)隙數(shù)T=10，時(shí)隙長(zhǎng)度τ=1s。移動(dòng)設(shè)備中共8類任務(wù)，每一類任務(wù)可以在本地執(zhí)行，也可以卸載到遠(yuǎn)端云或Cloudlet上遠(yuǎn)程執(zhí)行，移動(dòng)設(shè)備與兩者之間的信道增益分別為服從參數(shù)λ1=4×10?5和λ2=5×10?5的泊松分布，帶寬則分別為表1.SEQ表3.\*ARABIC2參數(shù)設(shè)置Tab1.2ParameterSetting參數(shù)設(shè)定值A(chǔ)110kbpT10τ1sL9500cycle/?itsP5~20wH4×H5×B125KbpsB145Kbpsf0.7~2GHzκ2.5×σ1.5×1.4.2仿真結(jié)果與分析在仿真中，將時(shí)間加權(quán)值設(shè)定為a=1.5。如圖1.3所示，平均能耗在一開始隨著V值的增加快速下降，且V值增加到一定大小后，平均能耗的下降趨于平緩；而從圖1.4中則可以發(fā)現(xiàn)，平均等待時(shí)間即平均隊(duì)列積壓量先與V值呈線性增長(zhǎng)，同樣達(dá)到一定值后趨于緩慢增長(zhǎng)。這兩幅圖說明了平均能量消耗與平均等待時(shí)間之間存在一個(gè)權(quán)衡,通過選擇合適的V值可以使聯(lián)合目標(biāo)最優(yōu)。圖1.SEQ圖3.\*ARABIC3平均能耗Fig1.3Averageenergyconsumption圖1.SEQ圖3.\*ARABIC4平均隊(duì)列積壓Fig1.4Averagequeuebacklog為了進(jìn)一步了解本章算法的效果，引入以下三種情況作為對(duì)比。Cloudlet執(zhí)行：所有的任務(wù)都卸載到Cloudlet進(jìn)一步處理；本地執(zhí)行：所有的任務(wù)都留在本地執(zhí)行；遠(yuǎn)端云執(zhí)行：所有任務(wù)都直接卸載到遠(yuǎn)端云進(jìn)一步處理。圖1.SEQ圖3.\*ARABIC5不同方案下能耗比較Fig1.5Comparisonofaverageenergyconsumptionunderdifferentschemes圖1.SEQ圖3.\*ARABIC6不同方案下的隊(duì)列積壓比較Fig1.6Comparisonofaveragequeuebacklogunderdifferentschemes圖1.5分別顯示在5種不同的V值：800，2000，3200，4000，5600條件下，四種方案的能耗?？梢钥闯鰞煞N卸載模式的能耗隨著V值增加而降低，表明算法對(duì)移動(dòng)設(shè)備計(jì)算資源的分配成功降低了能量消耗。而本地模式由于CPU頻率限制已經(jīng)達(dá)到可調(diào)節(jié)的極限，能耗幾乎不變。其中，本章所使用的算法在能耗方面擁有最好的效果。圖1.6顯示了四種卸載方案在不同V值下隊(duì)列積壓的變化。隨著V值的增加，除本地模式之外的三種模式的隊(duì)列積壓都隨之增長(zhǎng)，本章算法的隊(duì)列積壓在增長(zhǎng)的同時(shí)保持最小。綜上，可以發(fā)現(xiàn)根據(jù)本章算法進(jìn)行調(diào)度決策可以在在減小移動(dòng)設(shè)備能耗的同時(shí)保持較低的隊(duì)列積壓，即保持較好的時(shí)間性能。圖1.SEQ圖3.\*ARABIC7對(duì)比eTime算法的能耗Fig1.7Comparisonwithetimealgorithm圖1.SEQ圖3.\*ARABIC8對(duì)比eTime算法的隊(duì)列積壓Fig1.8Comparethequeuebacklogofetimealgorithm圖1.7與圖1.8分別將本章算法與文獻(xiàn)REF_Ref70474644\r\h[20]中的eTime