無人機協(xié)助邊緣計算的能量收集MEC系統(tǒng)資源分配策略

陶麗佳，趙宜升，徐新雅

（1.福州大學(xué)物理與信息工程學(xué)院，福建 福州 350116 2.福州大學(xué)福建省媒體信息智能處理與無線傳輸重點實驗室，福建 福州 350116）

射頻（Radio Frequency，RF）能量收集是一種可從環(huán)境RF信號收集能量的技術(shù)，能為用戶設(shè)備持續(xù)地提供能量［1］。然而，由于存在信號的衰減，用戶在短時間內(nèi)收集的能量較少。如何充分利用收集到的有限能量，是保證系統(tǒng)性能的關(guān)鍵。移動邊緣計算［2］（Mobile Edge Computing，MEC）可以將用戶的計算任務(wù)卸載給計算能力更強的邊緣服務(wù)器，能夠顯著減少用戶的能量消耗。另外，通過設(shè)計資源分配優(yōu)化策略，可以高效使用收集的能量。因此，研究結(jié)合MEC的能量收集系統(tǒng)的資源分配問題，對提升系統(tǒng)性能具有重要意義。

能量收集MEC系統(tǒng)的資源分配問題已經(jīng)引起了極大的研究興趣。文獻(xiàn)［3］利用基站（Base Station，BS）作為RF源，為具有RF能量收集功能的單用戶提供能量，該BS也可為此用戶提供MEC服務(wù)，用戶使用收集到的能量進(jìn)行本地計算或?qū)⑷蝿?wù)卸載至BS，在用戶能量收集和時延的約束下，以最大化用戶給定任務(wù)計算成功的概率為目標(biāo)。文獻(xiàn)［4］在支持非正交多址的MEC無線供電系統(tǒng)中，建立非線性能量收集模型為用戶提供能量，分別在部分和二進(jìn)制卸載模式下，聯(lián)合優(yōu)化能量收集時間、計算頻率、用戶卸載次數(shù)和用戶傳輸功率，使用戶計算速率最大化。文獻(xiàn)［5］將兩個用戶的無線MEC系統(tǒng)節(jié)能卸載和資源分配問題結(jié)合，基于時分多址機制下的收集?卸載協(xié)議，首先考慮保證用戶的公平性提出了能源效率最大化，然后針對“雙重遠(yuǎn)近”問題，提出了用戶協(xié)作方案，離MEC服務(wù)器近的用戶可以利用其收集到的能量，將遠(yuǎn)距離用戶的任務(wù)轉(zhuǎn)發(fā)到此邊緣服務(wù)器，實現(xiàn)能量效率最大化問題。文獻(xiàn)［6］研究了具有射頻能量收集的多用戶MEC系統(tǒng)中的能量管理問題，在帶有電池隊列穩(wěn)定性和服務(wù)質(zhì)量的約束下，將能量消耗最小化問題轉(zhuǎn)化為隨機優(yōu)化規(guī)劃問題，提出了一種基于李雅普諾夫的集中式能量管理算法。文獻(xiàn)［7］研究了由一個接入點、多個移動設(shè)備和一個惡意竊聽者組成的具有物理層安全的MEC系統(tǒng)，在保證計算任務(wù)成功完成和滿足安全卸載約束的前提下，建立了關(guān)于本地計算和卸載計算的能耗模型，提出了能量消耗最小化的資源分配策略。文獻(xiàn)［8］提出一種無人機（Unmanned Aerial Vehicle，UAV）支持的MEC系統(tǒng)資源分配框架，利用UAV為用戶提供MEC服務(wù)；通過聯(lián)合優(yōu)化卸載時間、計算頻率、用戶發(fā)射功率和UAV軌跡，實現(xiàn)計算效率最大化。文獻(xiàn)［9］研究了一種由多UAV輔助的多接入MEC模型，通過允許用戶將任務(wù)卸載至UAV的多個MEC服務(wù)器上進(jìn)行并行計算，從而使用戶和UAV的能量消耗最小化。文獻(xiàn)［10］中UAV為多個小區(qū)的邊緣用戶提供服務(wù)，考慮了UAV作為移動BS和地面BS之間存在的干擾，利用軌跡優(yōu)化使UAV遠(yuǎn)離地面BS服務(wù)的用戶，以減少干擾的影響；聯(lián)合優(yōu)化了UAV卸載時長和UAV軌跡，以最大化邊緣用戶吞吐量為目標(biāo)。然而，現(xiàn)有研究假設(shè)邊緣服務(wù)器有足夠的計算資源，沒有考慮到用戶請求的計算任務(wù)超出邊緣服務(wù)器計算能力的情況。當(dāng)用戶的計算任務(wù)超出邊緣服務(wù)器計算能力上限時，如何為用戶繼續(xù)提供邊緣計算服務(wù)，是亟待解決的問題。文獻(xiàn)［11］考慮在無人機上搭載邊緣服務(wù)器，為地面用戶提供邊緣計算服務(wù)，考慮到用戶的服務(wù)需求，通過聯(lián)合優(yōu)化UAV軌跡、用戶發(fā)射功率和計算資源分配，實現(xiàn)UAV能量效率的最大化。受文獻(xiàn)［11］的啟發(fā)，如果引入一個搭載邊緣服務(wù)器的UAV，當(dāng)用戶請求的計算任務(wù)超出地面BS邊緣服務(wù)器的計算能力時，將額外的計算任務(wù)轉(zhuǎn)移給UAV邊緣服務(wù)器，就可以保證為用戶持續(xù)提供邊緣計算服務(wù)。

本文針對用戶請求的計算任務(wù)超出地面BS邊緣服務(wù)器計算能力的問題，提出一種UAV協(xié)助邊緣計算的最小化系統(tǒng)能量消耗的資源分配策略。通過部署一個攜帶MEC服務(wù)器的UAV，在用戶的任務(wù)請求超出地面BS的計算能力時，為用戶提供額外的計算資源，保證用戶能在一定的時延要求下完成計算任務(wù)。用戶將任務(wù)卸載至BS和UAV邊緣服務(wù)器的同時，可從環(huán)境射頻源中收集能量。綜合考慮用戶卸載計算任務(wù)和邊緣服務(wù)器處理計算任務(wù)，將系統(tǒng)資源分配問題建模成一個最優(yōu)化問題，以最小化系統(tǒng)能量消耗為目標(biāo)，同時滿足用戶能量因果性、BS和UAV邊緣服務(wù)器的計算資源以及用戶發(fā)射功率的約束條件。該最優(yōu)化問題是非線性規(guī)劃問題，采用聯(lián)合遺傳算法和非線性規(guī)劃（Genetic Algorithm and Nonlinear Programming，GANLP）方法獲得最優(yōu)解。最后，通過仿真對提出的資源分配策略進(jìn)行性能評估。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

具有RF能量收集功能的MEC系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。該MEC系統(tǒng)中，包括I個用戶和一個地面BS1，BS1上部署了 MEC服務(wù)器。由于地面BS1的MEC服務(wù)器計算能力有限，為確保用戶能在一定的時延要求下完成計算任務(wù)，在BS1附近部署一個攜帶MEC服務(wù)器的UAV協(xié)助計算。UAV的高度固定為H。用戶 i（i＝1，2，…，I） 可從環(huán)境 RF源收集能量。用戶 i的坐標(biāo)為 （xi，yi，0），BS1的坐標(biāo)為 （xb，yb，Hb），UAV 的坐標(biāo)為 （xq，yq，H）。第l（l＝1，2，…，L） 個 RF 源坐標(biāo)為 （xl，yl，Hl）。因此，用戶i和BS1之間的距離為

圖1 UAV協(xié)助邊緣計算的網(wǎng)絡(luò)結(jié)構(gòu)圖

用戶i和RF源l之間的距離為

用戶i和UAV之間的距離為

用戶計算任務(wù)卸載時序圖如圖2所示。用戶將任務(wù)卸載至MEC服務(wù)器和MEC服務(wù)器計算用戶任務(wù)都需消耗一定的時間，因此每個用戶的計算任務(wù)會持續(xù)一段時間。假設(shè)BS1的MEC服務(wù)器能同時處理的最大用戶數(shù)為n，每個任務(wù)只能在一個MEC服務(wù)器計算。當(dāng)BS1的MEC服務(wù)器同時計算n個用戶的卸載任務(wù)時，下一個用戶將其計算任務(wù)卸載至協(xié)助計算的UAV處理。假設(shè)不同用戶的任務(wù)產(chǎn)生間隔服從參數(shù)為λ的泊松分布，用戶i的計算任務(wù)采用 Ui＝（Di，Ci，T） 表示，其中，Di為用戶 i計算任務(wù)的數(shù)據(jù)大小，Ci為用戶i計算任務(wù)需要的計算資源，T為用戶i計算任務(wù)的時延約束。

圖2 不同用戶的任務(wù)卸載和計算過程

1.2 用戶能量收集模型

本節(jié)分析用戶的能量收集模型。每個用戶都配備能量收集電路，用戶卸載計算任務(wù)的同時可從RF源收集能量。用戶i附近的環(huán)境RF源包括電視塔和BS2。當(dāng)用戶i能量收集的時間為τ時，用戶i收集到的能量為［12］

2 問題建模與求解

2.1 問題建模

針對上述系統(tǒng)模型，提出一種最小化系統(tǒng)能量消耗的資源分配策略。假設(shè)每個用戶只有一個計算任務(wù)，但用戶中央處理器主頻較小，對于平均計算密度高的任務(wù)，本地計算時間長，易超出計算任務(wù)時延約束，因此本文將不考慮用戶的本地計算。用戶將計算任務(wù)卸載給計算能力更強的MEC服務(wù)器。通常，計算結(jié)果的數(shù)據(jù)量比開始上傳時小很多，所以任務(wù)的計算結(jié)果返回時間遠(yuǎn)小于卸載時間和計算時間。因此，本文僅考慮用戶任務(wù)卸載和MEC服務(wù)器處理用戶任務(wù)階段。

定義卸載調(diào)度ai＝｛0，1｝表示用戶i的卸載決策，ai＝1表示用戶i將計算任務(wù)卸載給BS1的MEC服務(wù)器，ai＝0表示用戶i將計算任務(wù)卸載給UAV。此外，假設(shè)信道總帶寬為B，分為I個子信道，定義σi為第i個子信道占用總信道的比例系數(shù)。MEC服務(wù)器與用戶之間的信道以視距為主，無小尺度衰落［13］。

當(dāng)ai＝1，用戶i將計算任務(wù)卸載給BS1時，用戶i與BS1鏈路的信道增益gib為

其中，β0是參考距離為1 m時的信道功率增益。用戶i卸載計算任務(wù)至BS1的傳輸速率為

其中，pib為用戶i將計算任務(wù)卸載給BS1的發(fā)射功率，N0為高斯白噪聲功率。數(shù)據(jù)量大小為Di的任務(wù)卸載至BS1的傳輸時延為

同時，用戶i將計算任務(wù)卸載至BS1的能量消耗為

假設(shè)fib為BS1分配給計算任務(wù)Ui的計算資源，即BS1的MEC服務(wù)器處理用戶i任務(wù)的計算能力，則BS1處理用戶i任務(wù)的計算時延為

同時，BS1計算消耗的能量為［14-15］

其中，Υ是一個和用戶CPU類型相關(guān)的電容系數(shù)，Υ≥0。

當(dāng)ai＝0，用戶i將計算任務(wù)卸載給UAV時，用戶i與UAV鏈路的信道增益giu為

用戶i卸載計算任務(wù)至UAV的傳輸速率為

其中，piu為用戶i將任務(wù)卸載給UAV的發(fā)射功率。數(shù)據(jù)量大小為Di的任務(wù)卸載至UAV的傳輸時延為

同時，用戶i將任務(wù)卸載至UAV的能量消耗為

定義fiu為UAV分配給計算任務(wù)Ui的計算資源，則UAV處理用戶i任務(wù)的計算時延為

同時，UAV計算任務(wù)消耗能量為

本文資源分配策略的目標(biāo)是最小化系統(tǒng)能量消耗，同時滿足一些約束條件。該優(yōu)化問題可以建模為

2.2 遺傳算法和非線性規(guī)劃優(yōu)化

式（17）目標(biāo)函數(shù)是自變量的非線性函數(shù)，約束條件也是關(guān)于自變量的非線性，因此式（17）為非線性規(guī)劃問題，可通過結(jié)合傳統(tǒng)GA和非線性規(guī)劃求得全局最優(yōu)解。GA是一種模擬生物界遺傳和進(jìn)化的人工智能優(yōu)化算法［16］，對當(dāng)前種群進(jìn)行一系列遺傳操作，包括選擇、交叉和變異，可使得當(dāng)前種群演化成更適合環(huán)境的下一代種群，最終種群將進(jìn)化到包含近似最優(yōu)解的狀態(tài)。GA雖然具有良好的全局搜索能力，但局部搜索能力相對較弱，容易收斂至局部最優(yōu)解，一般得到的是優(yōu)化問題的次優(yōu)解。非線性規(guī)劃的局部搜索能力強，收斂速度相對較快，但是全局搜索能力不理想。因此，可通過GANLP對建立的優(yōu)化問題進(jìn)行求解。求解問題（17）的算法流程如圖3所示。

圖3 GANLP方法流程圖

首先，采用隨機方式初始化種群，本文將采用二進(jìn)制編碼將變量參數(shù)編碼為染色體。假設(shè)種群規(guī)模大小為M，將I個用戶的發(fā)射功率、分配到的計算資源和子載波分配比例系數(shù)定義為個體的染色體，則個體m（m＝1，2，…，M）的染色體向量可以表示為

然后，根據(jù)生成的適應(yīng)度函數(shù)計算適應(yīng)值。為保證遺傳操作生成的染色體是有效的，通過懲罰函數(shù)法將式（17）中有不等式約束的非線性問題轉(zhuǎn)化成無約束問題［17］，因此適應(yīng)度函數(shù)由目標(biāo)函數(shù)和懲罰函數(shù)構(gòu)成，表達(dá)式為

其中，fobj（fib，fiu，pib，piu，σi） 為目標(biāo)函數(shù)；ξ是懲罰因子；fpen（fib，fiu，pib，piu，σi） 為懲罰函數(shù)，其包含了以下9個式子

其中，max（·，·）得到兩個數(shù)值之間較大數(shù)的值。

接著，基于適應(yīng)度值選取重組個體，采用輪盤選擇法進(jìn)行選擇。個體被選取的概率與適應(yīng)度值有關(guān)，適應(yīng)度值越高的被選取概率越大。再采用單點交叉法對重組個體進(jìn)行交叉操作，使得兩個配對的染色體在其交叉點處相互交換其部分染色體。然后采用非均勻變異法對交叉后得到的新個體進(jìn)行變異操作，改變新個體的某個或某些位值。再判斷當(dāng)前進(jìn)化次數(shù)是否為N的倍數(shù)，如果是則采用非線性規(guī)劃進(jìn)行局部尋優(yōu)；否則判斷是否滿足終止條件，若滿足則可得到全局最優(yōu)解。

為得到全局最優(yōu)解，本文將GA和非線性規(guī)劃結(jié)合。在采用GA進(jìn)行全局搜索的同時，判斷GA當(dāng)前的迭代次數(shù)是否為N的倍數(shù)，如果滿足條件，則將此時的種群作為初始值，采用非線性規(guī)劃的外罰函數(shù)法進(jìn)行局部搜索尋優(yōu)，以得到全局最優(yōu)解。具體實現(xiàn)流程如下。

步驟1：將有約束極值轉(zhuǎn)化為無約束極值的輔助函數(shù)，數(shù)學(xué)模型如下：

其中，fobj（fib，fiu，pib，piu，σi） 為目標(biāo)函數(shù)，Mk是懲罰因子。fpen（fib，fiu，pib，piu，σi） 是懲罰函數(shù)，懲罰函數(shù)對應(yīng)了9個約束條件，表達(dá)式與式（20）中的約束條件相同。

步驟2：當(dāng)?shù)螖?shù)為N的倍數(shù)時，將此時的種群個體作為迭代的初始值 X（0），X 包含 fib、fiu、pib、piu和σi5個自變量，放大系數(shù)q＞1，允許誤差ε＞0，置k＝1。

（1）計算最速下降方向，即搜索方向，沿著負(fù)梯度方向進(jìn)行搜索

（2） 從 X（k-1）出發(fā)，沿 d（k-1）的方向?qū)ΨN群初始值進(jìn)行搜索，應(yīng)先求出步長sk-1，步長sk-1滿足

（3） 由 X（k）＝X（k-1）+sk-1d（k-1）可得到極值點X（k）。

步驟 4：檢驗迭代準(zhǔn)則，若 Mkfpen（X（k））＜ε則停止迭代，得到的X（k）為最優(yōu)解，把尋找到的局部最優(yōu)值作為新個體染色體繼續(xù)進(jìn)化。否則，Mk+1＝qMk，k＝k+1，繼續(xù)迭代。

為了更加清晰地說明基于GANLP方法的最小化系統(tǒng)能量消耗資源分配策略，其具體步驟如算法1所示。

算法1 基于GANLP方法的最小化系統(tǒng)能量消耗資源分配策略

①初始化種群：隨機生成M個個體的初始種群，允許誤差ε。

②評價種群：基于式（19）計算當(dāng)前種群的適應(yīng)度值。

③進(jìn)行遺傳操作：首先，采用輪盤選擇法進(jìn)行選擇操作；然后，采用單點交叉法對重組個體進(jìn)行交叉操作；最后，采用非均勻變異法對交叉后得到的新個體進(jìn)行變異操作。

④判斷迭代次數(shù)：判斷當(dāng)前迭代次數(shù)是否為N的倍數(shù)，如果是則進(jìn)入步驟⑤進(jìn)行非線性規(guī)劃尋優(yōu)，否則返回步驟②。

⑤重復(fù)計算：將當(dāng)前迭代次數(shù)的種群個體作為迭代的初始值X（0），利用最速下降法重復(fù)計算。

⑥ 基于式（22）計算最速下降方向dk-1。

⑦ 基于式（23）計算步長sk-1。

⑧ 基于 X（k）＝X（k-1）+sk-1d（k-1）得到極值點 X（k）。

⑨ 檢驗迭代準(zhǔn)則：若 Mkfpen（X（k））＜ε則進(jìn)入步驟⑩；若Mk+1＝qMk，k＝k+1則返回步驟⑤。

⑩檢驗終止條件：若當(dāng)前進(jìn)化代數(shù)達(dá)到最大進(jìn)化代數(shù)，則算法停止，輸出最佳適應(yīng)度值；否則，返回步驟②。

3 仿真結(jié)果與分析

在仿真中，將提出的方法與以下4種方法進(jìn)行性能對比。第一種方法為基于GANLP的功率分配策略（Power Allocation Strategy Based on Genetic Algorithm and Nonlinear Programming，P?GANLP），在此方法中，僅有用戶的發(fā)射功率采用GANLP方法進(jìn)行優(yōu)化，其他自變量為固定值（即 fiu＝108cycles/s，σi＝0.3，fib＝109cycles/s）。第二種方法為基于GANLP的計算資源分配策略（Computing Resource Allocation Strategy Based on Genetic Algorithm and Nonlinear Programming，R?GANLP），在此方法中，僅有用戶的計算資源采用GANLP方法進(jìn)行優(yōu)化，其他自變量為固定值（即 σi＝0.3，pib＝0.1 W，piu＝0.05 W）。第三種方法為基于GANLP的子載波分配策略（Sub?carrier Allocation Strategy Based on Genetic Algorithm and Nonlinear Programming，C?GANLP），在此方法中，僅有用戶的子載波分配比例系數(shù)采用GANLP進(jìn)行優(yōu)化，其他自變量為固定值（即 pib＝0.1 W，piu＝0.05 W，fib＝109cycles/s，fiu＝108cycles/s）。第四種方法為所有自變量（即 fib，fiu，pib，piu，σi） 采用 GA進(jìn)行優(yōu)化，簡稱為GA。

圖4給出了GANLP方法中種群數(shù)量和迭代次數(shù)對系統(tǒng)能量消耗的影響。從圖4中可以看出，在相同的迭代次數(shù)下，隨著種群數(shù)量從20逐漸遞增到80時，系統(tǒng)能量消耗逐漸減小。這是因為種群數(shù)量越多，全局搜索性能更佳，結(jié)果更接近最優(yōu)值。同理，在相同的種群數(shù)量下，隨著迭代次數(shù)從200逐漸遞增到1 000時，系統(tǒng)能量消耗也逐漸降低，最終趨于穩(wěn)定狀態(tài)，但系統(tǒng)能量消耗的大小有一定程度的波動。例如，當(dāng)種群規(guī)模為20時，迭代次數(shù)為200的系統(tǒng)能量消耗比迭代次數(shù)為400的更小。這是因為遺傳操作中的變異、交叉過程會使得最佳適應(yīng)度值具有一定的隨機性，但種群最終都會朝著更適合生存的方向進(jìn)化。當(dāng)種群數(shù)量為60，迭代次數(shù)為1 000左右時，系統(tǒng)能量消耗達(dá)到最小。因此，在接下來的仿真中，將種群數(shù)量和迭代次數(shù)分別設(shè)置為60和1 000。

圖4 GANLP中種群數(shù)量和迭代次數(shù)對系統(tǒng)能量消耗的影響

圖5對比了不同用戶數(shù)量在不同能量收集效率下的能量收集情況。從圖5中可以看出，相同的用戶數(shù)量下，隨著能量收集效率從0.5增加到0.7，用戶收集的總能量也隨之增加。這是因為能量收集效率越高，將RF信號轉(zhuǎn)換為直流電壓獲得的電能越多。此外，在相同的能量收集效率下，隨著用戶數(shù)量從20增加到30，所有用戶收集的總能量也逐漸增多。當(dāng)η為0.7，用戶數(shù)量為30時，用戶收集的總能量僅為14 J。這是因為RF源和用戶之間的距離較遠(yuǎn)，電磁波在傳播過程中存在損耗，導(dǎo)致用戶的接收功率較小，因此用戶收集的總能量較小。

圖5 不同用戶數(shù)量時，不同能量收集效率下的能量收集情況

圖6對比了傳統(tǒng)GA和本文提出的方法GANLP的收斂性。從圖6中可以看出，在相同的迭代次數(shù)下，GANLP系統(tǒng)能量消耗更小。這是因為傳統(tǒng)GA容易出現(xiàn)早熟現(xiàn)象，陷入局部最優(yōu)解，而非線性規(guī)劃具有很強的局部搜索能力，搜索得到的結(jié)果更接近最優(yōu)值。此外，還可以看出，GANLP經(jīng)過600次迭代后，逐漸收斂至最優(yōu)解，而傳統(tǒng)的GA經(jīng)過900次迭代后，才得到了局部最優(yōu)解。因此，GANLP的收斂速度和尋優(yōu)結(jié)果都優(yōu)于GA。

圖6 兩種算法收斂性對比

圖7對比不同方法下用戶數(shù)量和系統(tǒng)能量消耗的關(guān)系。從圖7中可以看出，當(dāng)用戶數(shù)量從36逐漸增加到52時，5種方法得到的系統(tǒng)能量消耗值都有所增加。一方面是因為各個用戶卸載計算任務(wù)至MEC服務(wù)器時消耗一些能量，用戶數(shù)量越多，系統(tǒng)消耗的能量就會隨之增多；另一方面是因為MEC服務(wù)器處理用戶計算任務(wù)也會消耗一些能量，用戶數(shù)量越多，計算任務(wù)越多，系統(tǒng)能量消耗也會隨之增多。此外，GANLP系統(tǒng)能量消耗始終低于 P?GANLP、R?GANLP、C?GANLP 和 GA。這是因為，相對于固定發(fā)射功率、計算資源或子載波分配比例系數(shù)，GANLP同時對發(fā)射功率、計算資源和子載波分配比例系數(shù)進(jìn)行搜索，具有更好的優(yōu)化能力。同時，相對于傳統(tǒng)GA，GANLP具有更強的局部搜索能力，搜索所得到的結(jié)果將會更接近最優(yōu)解。

圖7 用戶數(shù)量和系統(tǒng)能量消耗的關(guān)系

4 結(jié)束語

本文針對現(xiàn)有研究沒有考慮地面BS邊緣服務(wù)器計算資源有限的問題，研究了UAV協(xié)助邊緣計算的資源分配策略。通過部署攜帶MEC服務(wù)器的UAV，持續(xù)為用戶提供邊緣計算服務(wù)。超出地面BS邊緣計算服務(wù)器處理能力閾值的用戶，可卸載計算任務(wù)至UAV進(jìn)行計算，以保證所有用戶能在時延要求下完成任務(wù)。聯(lián)合考慮用戶和MEC服務(wù)器的能量消耗，將資源分配問題建模為非線性規(guī)劃問題，在滿足能量因果性、計算資源和發(fā)射功率的約束條件下，最小化系統(tǒng)能量消耗。通過引入GA結(jié)合非線性規(guī)劃的方法獲得最優(yōu)解。仿真結(jié)果顯示，GANLP全局搜索能力優(yōu)于 GA算法。此外，相對于 P?GANLP、R?GANLP 和 C?GANLP，GANLP 具有更低的能量消耗。由于假設(shè)每個用戶僅有一個計算任務(wù)且用戶本身未參與計算，未來將針對用戶具有多種計算任務(wù)，同時考慮用戶本地和MEC服務(wù)器聯(lián)合計算，對資源分配問題進(jìn)行進(jìn)一步研究。