1、电子技术应用 2023年 第49卷 第1期Communication and Network通信与网络基于 5G 架构超密集组网粒子群优化算法改进*彭昇1，赵建保2，魏敏捷3（1.上海电力大学 电子信息工程学院，上海 201306；2.国网信息通信产业集团有限公司，北京 102200；3.上海电力大学 电气工程学院，上海 201306）摘 要：随着移动通信技术的发展，传统智能终端设备无法满足快速增长的海量数据计算要求，移动边缘计算为物联网中移动用户提供了低延迟和灵活的计算方案。综合考虑边缘服务器上有限的计算资源以及网络中用户的动态需求，提出通过二进制粒子群优化算法分配发射功率优化传输能耗。将请
2、求卸载与资源调度作为双重决策问题进行分析，基于粒子群优化算法提出了一种新的多目标优化算法求解该问题。仿真结果表明，二进制粒子群优化算法可以节省传输能耗，且具有良好的收敛性。所提出的新算法在响应率方面优于现有算法，在动态边缘计算网络中可以保持良好的性能。关键词：边缘计算；资源优化；粒子群优化；任务卸载中图分类号：TN929.5；TN301.6 文献标志码：A DOI:10.16157/j.issn.0258-7998.223278中文引用格式：彭昇，赵建保，魏敏捷.基于 5G 架构超密集组网粒子群优化算法改进J.电子技术应用，2023，49(1)：69-74.英文引用格式：Peng Sheng，
3、Zhao Jianbao，Wei Minjie.Improvement of particle swarm algorithm based on ultra-dense networking under 5G architectureJ.Application of Electronic Technique，2023，49(1)：69-74.Improvement of particle swarm algorithm based on ultra-dense networking under 5G architecturePeng Sheng1，Zhao Jianbao2，Wei Minji
4、e3(1.College of Electronic Information Engineering，Shanghai University of Electric Power，Shanghai 201306，China；2.State Grid Information and Telecommunication Group Co.，Ltd.，Beijing 102200，China；3.College of Electrical Engineering，Shanghai University of Electric Power，Shanghai 201306，China)Abstract：W
5、ith the development of mobile communication technology,traditional intelligent terminal devices cannot meet the rapidly growing massive data computing requirements.Mobile edge computing provides low-latency and flexible computing solutions for mobile users in the Internet of Things.Considering the l
6、imited computing resources on the edge server and the dynamic needs of users in the network,this paper proposes to allocate the transmit power to optimize the transmission energy consumption through the binary particle swarm optimization algorithm.Analyzing request offloading and resource scheduling
7、 as a dual decision-making problem,a new multi-objective optimization algorithm based on particle swarm optimization algorithm is proposed to solve the problem.The simulation results show that the binary particle swarm optimization algorithm can save transmission energy and has good convergence.The
8、proposed new algorithm outperforms existing algorithms in terms of response rate and can maintain good performance in dynamic edge computing networks.Key words：edge computing；resource optimization；particle swarm optimization；task offloading0 引言随着移动通信技术的迅速发展，物联网中的终端设备(例如智能手机、智能家居、智能汽车等)都可以通过互联网来进行相互连
9、接1。近年来，移动设备类型及数量呈指数增长，目前移动设备往往为了具备便携性与简易性，而缺乏足够的计算能力及容量来满足应用的服务质 量 要 求。移 动 边 缘 计 算（Mobile Edge Computing，MEC）是物联网边端设备执行计算请求的方法2，移动网络运营商与云服务提供商在边端服务器中部署丰富的计算资源，在边端中对移动终端设备所产生的大量数据进行计算处理。*基金项目：国家自然科学基金（61872230）69Communication and Network通信与网络www.ChinaAET.com边缘计算资源调度的核心观点是通过优化移动边缘计算来提高计算资源与能力从而满足用户的需求
10、。网络运营商开始普遍构建 5G 架构的超密集组网（Ultra-Dense Network，UDN）多基站协同服务场景3。在 UDN中通过部署宏基站（Macro-cell Base Station,MBS）与多个微基站（Small-cell Base Station,SBS）实现极高的频率复用，极大提高了覆盖地区的系统容量与计算能力。粒 子 群 优 化 算 法（Particle Swarm Optimization，PSO）是指粒子在运动中不断更新空间内的个体最优解与全局最优解。Wang 等人4使用基于 PSO 和博弈论的MEC 分配策略来最小化时间延迟;Guo 等人5提出一种基于遗传算法和计算
11、资源分配算法，结果表明该算法最大限度地降低用户设备地能耗;Chen 等人6研究了网络中边缘服务器的数据存放问题，通过基于遗传粒子群优化算法改进降低设备数据的放置成本。本文提出二进制粒子群优化算法（Binary Particle Swarm Optimization,BPSO）,通过对设备发射功率不断优化找到问题的最优解，使每台移动设备达到最小化能耗;然后，建模联合请求卸载和资源调度问题，提出一种新的启发式粒子群优化算法（JROPSO），在保证收敛的同时，提高系统的效用值。1 问题建模1.1 系统模型UDN 网络由一个 MBS 与多个 SBS 构成。假设当前部署的每个 SBS 所覆盖的是 MBS
12、 的局部区域，移动终端设备 U 通过无线链路与 SBS 连接。同时 MBS 通过无线通信链路与多个 SBS 相连接来统计任务信息，计算边端服务器属性状态和资源容量，具体的系统模型如图 1所示。分别用 U=1,2,u 和 N=1,2,n 表示移动终端设备u 和微基站 n 的集合。1.2 通信模式定义从移动设备u发射到SBS n的发射功率pun为P=pun|uU,qQ|。移动设备u到SBS n的上行链路速率vun（t）为：vun(t)=Blog2(1+pun()t gun()tn0+Unupun()t gun()t),u u（1）其中,B表示带宽，n0表示高斯白噪声功率，gun(t)表示信道功率增
13、益7，定义为：gun(t)=g0()xu-xn()t2+()yu-yn()t2+H2,u U,n N,t T（2）其中,g0表示当距离为 1 m 时且发射功率Pun=1 W 时的信道功率增益，H表示基站的高度。1.3 计算卸载模式完成计算任务的总能耗包括上行传输、MEC 服务器上任务性能、返回数据的能耗。在本研究中，从用户角度考虑，忽略与 MEC 服务器上相关的能耗，只考虑上行传输能耗8。这一假设是合理的，因为现有研究已经使用了这一假设912，并允许 MEC 服务器使用电网供电来运行。此外，与原始传输计算任务所需要的功率相比，将结果传输回设备的所需的功率较小1315。1.4 问题制定与分析卸载
14、决策决定了计算任务的具体的卸载位置（MBS或 SBS），本文将计算卸载决策分为两个阶段：（1）设备向基站进行任务卸载请求；（2）在 SBS 或 MBS 中执行任务。定 义Y=yqn|q Q,n N表 示 卸 载 决 策 矩 阵，其中：yqn=1，基站n进行任务卸载请求0，未进行任务卸载请求（3）定义Z=zqn|q Q,n N表示任务请求q的卸载位置矩阵：zqn=1，任务请求q在SBSn执行0，任务请求q在MBS执行（4）在 UDN 网络中，不同移动设备的请求会卸载到微基站或者宏基站中进行处理，通过对相关值的定义来构建系统效用值。基于文献16，定义 q 的系统效益kq。定义系统处理请求 q 的系
15、统代价：cq=E0-EtrE0-Etr+Eprouez/10dz（5）其中,E0表示微基站的初始能量，Etr表示微基站在时间 t时的剩余能量，是使cq处于0,1的自定义值。当微基站的资源容量不够处理计算请求时，移动设备将会发送请求至宏基站，所以卸载到宏基站的额外成本为：图 1系统模型70Communication and Network通信与网络电子技术应用 2023年 第49卷 第1期eq=kq+(1-)Eproq（6）其中,是一个自定义常数，表示系统效益与能耗的相对性。由上述定义，系统总效用值可以定义为：W=nNqQzqn()kq-cq-()1-zqneq（7）2 BPSO 和 JROPS
16、O 算法本节首先描述了发射功率分配问题，证明发射功率与能耗的函数是一个拟凸函数，并提出标准二进制粒子群优化算法(Binary Particle Swarm Optimization,BPSO)。针对资源调度与请求卸载问题，提出一种基于 PSO 的算法联合优化资源分配和请求卸载问题（PSO based Joint Request Offloading,JROPSO）。2.1 BPSO 算法等式（1）、（2）可以具体表示为：pun(t)T=pun()t Iuvun()t=maxPE=nNuUpun()t IuBlog2()1+pun()t gun()tn0+uUnpun()t gun()t（8）约束条件为：0 pun(t)pmax,u U,n N。其中Iu表示终端设备 u 的任务量。假设一个特定的区域，等式（9）表示为pun与E的关系：minE=uUnpunIuBlog2(1+pun)（9）粒子位置 XK=Xm1,Xk2,Xkm,XkM表示所有任务卸载到相应 MEC 服务器。粒子速度 VK=Vk1,Vk2,Vkn,VkM表示任务卸载到其他服务器的时间跨度。其中，k 表示 k 个粒子的群，m
