[发明专利]一种基于分解的多目标优化的计算迁移方法

权利要求书

1.一种基于分解的多目标优化的计算迁移方法，其特征在于：包括如下步骤：

步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型；

步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化；

步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移；

所述步骤S10具体为：

创建终端用户满意度模型：

其中，表示终端用户的满意度；S_max表示最大的用户满意度；T_u表示用户期望完成的时间；T_DDL表示服务请求的截止时间；t_i,j(τ_p,q)表示第i个边缘服务器中第j个虚拟机的平均响应时间；τ_p,q表示终端用户p的第q个服务请求在边缘服务器的完成时间；M表示虚拟机的总数量；u_i,j表示第i个边缘服务器中第j个虚拟机的任务处理速率；λ_i,j表示第i个边缘服务器中第j个虚拟机的任务到达速率；U表示终端用户的总数量；V_p表示服务请求的总数量；w_p,q表示τ_p,q的指令数；B是一个布尔函数，B＝0表示终端用户p的第q个服务请求没有迁移到第i个边缘服务器的第j个虚拟机中，B＝1表示终端用户p的第q个服务请求迁移到第i个边缘服务器的第j个虚拟机中；i、j、M、p、q、U、V_p均为正整数；

边缘云服务提供商的总收益的计算公式如下：

其中R表示边缘云服务提供商的总收益；R(τ_p,q,t_i,j(τ_p,q))表示边缘服务器处理终端用户p的第q个服务请求的收费；p_m表示每条服务请求的价格；

边缘云服务提供商的成本的计算公式如下：

其中C表示边缘云服务提供商的成本；c_m表示每条服务请求的成本；

将终端用户的满意度以及边缘云服务提供商的收益的两个目标定义为：

s.t.o_p,q∈{0,1,...,N+1}；

其中o_p,q表示终端用户p的第q个服务请求所分配的迁移策略；

所述步骤S20具体包括：

步骤S21、基于所述目标模型，在可行域Ω内随机产生一个规模为Q_p的种群G₀：

其中表示种群G₀中第Q_p个的个体；Q_p为正整数；

步骤S22、创建Q_p个权重向量σ^j：

其中j为正整数，且j＝1，2，...，Q_p；k为正整数；

步骤S23、计算各所述权重向量σ^j两两之间的欧氏距离d_i,j，基于所述欧氏距离d_i,j生成距离矩阵d；

基于所述距离矩阵d选取Q_nei个最近个体Xⁱ(i＝1,2,...,Q_p)，组成邻居集合：

对于每个最近个体，令则权重向量σ^j最近的Q_nei个权重向量为:

步骤S24、计算各个体Xⁱ(i＝1,2,...,Q_p)的目标函数值：

f₁(Xⁱ),f₂(Xⁱ),...,f_k(Xⁱ),；

设所述目标函数值的理想点为：

其中i为正整数；

步骤S25、设外部种群O^*＝Φ，种群迭代次数为t，t为正整数，对各个体进行迭代进化：

随机从所述邻居集合C_i中选取两个个体生成新个体将所述新个体添加到种群G_t中，即

更新理想点y^*：若则

更新各个体的邻居集合C_i：

令σ^i,l表示个体Xⁱ的邻居集合C_i中各元素的权重向量，l＝1,2,...,Q_p，

若g^te(Xⁱ|σ^i,l,y^*)≤g^te(X^i,l|σ^i,l,y^*)，则X^i,l＝Xⁱ；

其中X^i,l表示邻居集合C_i中的各元素；表示切比雪夫值；F(Xⁱ)表示Xi个体对应的适应度函数值；

更新外部种群O^*：

判断外部种群O^*中是否存在被新个体支配的解，若存在，则剔除外部种群O^*中被新个体支配的解；若不存在，则将新个体加入外部种群O^*中；

步骤S26、对种群G₀进行选择、交叉以及变异生成新种群，判断种群迭代次数t是否小于预设的最大迭代次数，若是，则进入步骤S24；若否，则进入步骤S30；

所述步骤S30具体为：

设终端用户的满意度的实用价值为：

边缘云服务提供商的收益的实用价值为：

种群G₀中各个体的实用价值为：

实用价值最大的个体为：

其中S^min表示终端用户满意度的最小值；S^max表示终端用户满意度的最大值；S(Xⁱ)表示个体Xⁱ的终端用户满意度；R^min表示边缘云服务提供商收益的最小值；R^max表示边缘云服务提供商收益的最大值；R(Xⁱ)表示个体Xⁱ的边缘云服务提供商收益；w₁表示终端用户满意度的权值，w₂表示边缘云服务提供商收益的权值，w₁+w₂＝1。