移动边缘环境中基于遗传算法的移动任务卸载策略

埃及信息学杂志22（2021）257边缘环境萨马河扎卡里亚·扎卡里亚，萨法阿·A.穆罕默德？艾哈迈德侯赛因埃及伊斯梅利亚计算机和信息学院计算机科学系阿提奇莱因福奥文章历史记录：收到2020年2020年8月19日修订2020年9月22日接受2020年10月9日网上发售保留字：移动边缘计算计算卸载遗传算法优化进化优化粒子群优化A B S T R A C T由于移动应用的复杂性增加以及智能移动设备的有限计算资源，可以通过将移动应用的计算任务卸载到存在于无线网络边缘的边缘服务器（诸如微云）来增强移动应用的服务质量要求。但是，边缘服务器上移动任务的不当放置可能会增加等待时间和传输时间。这反过来又会增加响应时间，并最终违反服务质量。本文提出了一种有效的卸载策略在移动边缘环境中使用排队网络和进化算法，即遗传算法（GA）。利用排队网络对移动任务在边缘服务器上的等待时间和服务时间进行建模。遗传算法找到最佳分配的移动任务的边缘服务器上，以最小化任务的响应时间考虑传输时间和负载条件的边缘服务器上的等待时间和服务时间，这是使用排队网络计算。提出的基于遗传算法的卸载算法相比，另一种进化算法，即粒子群优化（PSO）。实验结果表明，基于遗传算法的分载算法性能优于轮询分载算法和基于粒子群算法的分载算法，有效地提高了移动应用的响应时间。©2021 THE COUNTORS.由Elsevier BV代表计算机和人工智能学院发布开罗大学法律系这是一篇CC BY-NC-ND许可证下的开放获取文章（http：//creative-commons.org/licenses/by-nc-nd/4.0/）上提供。1. 介绍如今，在智能移动设备（SMD）（诸如智能移动电话和平板电脑）的技术方面已经有了重大进步这导致了移动应用程序的功能和计算复杂性的增加，例如移动商务、图片搜索、移动学习、手机游戏和医疗保健[1]。使用移动设备进行计算的计算形式称为移动计算（MC）。然而，与传统的处理设备相比，SMD是诸如功率、存储、存储器和处理的资源约束较差的。SMD的有限资源使得移动计算不适合当前需要更好的处理能力以改善响应时间的计算密集型移动应用[2]。移动计算的局限性导致了一个有前途的范例的出现，称为移动云计算（MCC），其中计算intenon-*通讯作者。电子邮件地址：ci.suez.edu.eg（S.A.Zakaryia），Safaa@ ci. suez. edu.eg（S.A.Ahmed），m_khamiss@ci.suez.edu.eg（M.K. Hussein）。开罗大学计算机和信息系负责同行审查。移动应用程序的重要任务被卸载到云端进行处理[3]。移动云计算是一种基础设施，其中移动数据和任务都在位于云基础设施中的强大虚拟化资源上存储和处理，这些资源可以按需访问[4，5]。如图1所示，移动应用程序的计算密集型任务通过4G/5G连接卸载到云端进行存储和处理，并将结果交付给智能移动终端[6]。这个过程称为任务卸载。因此，MCC克服了移动设备的资源受限，并改善了密集型移动应用的响应时间和智能移动设备的功耗。然而，由于互联网的低带宽和高延迟，将任务卸载到云会增加延迟敏感的移动应用程序的响应时间[7]。为了支持延迟敏感的移动应用，移动边缘计算（MEC）已经出现以在移动设备附近的无线网络的边缘处提供计算边缘由几个计算服务器组成，称为cloudlets，它们是可供附近使用无线网络的移动设备使用的可信计算资源[8]。其主要思想是将移动应用程序的计算任务卸载到功能强大的https://doi.org/10.1016/j.eij.2020.09.0031110-8665/©2021 THE COMEORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comS.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257258Fig. 1. 移动云计算基础设施。计算资源位于网络边缘，与移动设备只有一跳的距离[9]。将移动任务卸载到微云旨在通过利用位置邻近性和低延迟来改善响应时间，并通过使用无线通信而不是消耗更多能量的然而，与云相比，云服务器的资源容量是有限的，并且不适当的移动任务卸载和分配决策将导致响应时间随着卸载的移动任务数量的增加而增加[10]。因此，设计一个有效的移动任务卸载策略是一个挑战，它考虑了移动边缘环境中的资源约束，包括：（1）现有的现有的现有的云之间的任务传输时间，等待时间，以及在云服务器上的服务时间.本文的主要贡献如下：边缘环境下的移动任务卸载问题被建模为一个优化问题，其目标是最小化独立移动任务的响应时间公式化模型考虑了边缘服务器之间的传输时间。利用排队网络对边缘服务器上卸载的移动任务的等待时间和服务时间进行了建模。使用建议的卸载和分配算法的基础上的进化算法，即遗传算法（GA）的优化问题得到解决基于遗传算法的卸载算法的目标是最小化响应时间的移动任务的排队网络模型的基础上。通过几个实验场景对提出的基于遗传算法的卸载算法进行了评估，并与另一种基于进化的卸载算法--粒子群优化算法（PSO）和基于贪婪的卸载算法--循环调度算法进行了比较。评估实验表明，所提出的基于遗传算法的卸载算法有效地减少了移动任务的响应时间。本文的其余部分组织如下。第二部分介绍了边缘环境下移动任务卸载的相关工作。第3节提出了一个正式的系统模型的优化问题，而第4节概述了所提出的基于进化的算法来解决分析的优化问题。第五部分对进化卸载算法的实验结果进行了分析和讨论。最后，第六部分对全文进行了总结，并对未来的研究工作进行了展望.2. 背景和相关工作有几项调查定义了移动边缘计算，描述了现有的架构，并讨论了移动边缘计算问题和挑战[11在[17]中，设计一种架构的早期试验，该架构在cloudlet上实例化虚拟机，以通过无线网络卸载附近移动设备的任务。在[18]中，提出了云网络和服务架构的设计，并研究了实验结果表明，在不同的应用场景下，与基于云的方法相比，基于云的方法是有效的。在[19]中，提出了一种用于移动人脸识别应用的名为MOCHA的移动-云-云架构。此外，考虑到负载条件、不同的通信延迟和云节点的计算在[20]中，使用半马尔可夫决策模型在微云上卸载移动应用的准入控制和资源分配。该模型考虑了在云节点资源约束（包括带宽和处理时间）下不同类型移动应用的服务质量（QoS）在[21]中，提出了一种使用充当云的自组织移动设备的提出了一种基于加权偶图和Kuhn Munkras搜索算法的动态卸载的任务和可用的提供者被认为是两个独立的集合，并且调度决策考虑卸载的任务的资源消耗、它们的截止日期以及在能量消耗方面最小化来自客户端完成任务的总成本。在[22]使用蛾焰优化的卸载策略是有利的。提出了旨在最大限度地减少物联网任务的响应时间，考虑到传输时间。进化算法在云计算中的任务和虚拟机调度方面表现出了出色的结果[23，24]。在移动云计算架构上的任务卸载方面，在[25]中，提出了该策略使用四种不同的进化算法，即遗传算法，差分进化，粒子群优化，和混合蛙跳算法。实验结果表明，遗传算法的性能优于其它算法.此外，在[26]中，提出了在移动云计算环境中使用灰狼优化的基于进化的卸载策略。关于在移动边缘架构上使用进化算法进行任务卸载，在[27]中，提出了一种基于蚁群优化的考虑负载均衡和利润最大化的移动任务卸载算法。然而，所提出的算法集中于对云的资源的利用在[28]中，提出了一种混合进化算法来分配边缘架构中的卸载移动任务，旨在最小化任务平均完成时间。卸载算法是基于人工蜂群（ABC）和蚁群优化（ACO）的混合算法。然而，所提出的卸载算法侧重于使用排队网络对边缘服务器进行建模，而没有考虑异构延迟和相应的传输时间。在[29]中，提出了一种基于遗传算法的卸载策略，用于在单个边缘服务器上卸载部分移动任务所提出的卸载策略旨在最小化移动任务的完成时间。然而，这项工作的重点是确定部分卸载的任务，以实现研究的目标，和所提出的策略没有考虑传输成本。在[30]中，提出了一种基于强化学习的进化博弈卸载策略。然而，这些建议的策略没有考虑传输时间。此外，我们提出的策略使用排队网络对边缘服务器上卸载的移动任务的等待时间进行建模。在[31]中，提出了雾节点上物联网设备卸载策略使用两种不同的进化算法，即蚁群算法●●●●S.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257259粒子群优化（Particle Swarm主要目标是在考虑雾节点和物联网设备之间的通信成本的同时，平衡雾节点的负载，并最大限度地减少物联网任务的响应时间。我们的策略是基于排队网络和遗传算法，旨在最大限度地减少完成时间的卸载任务，考虑通信时间，等待时间，服务时间的边缘服务器。表1总结了移动任务卸载的相关研究工作，并在优化技术、环境、优点和缺点方面与所提出的任务卸载进行了比较。3. MEC系统模型和问题表述本节介绍边缘环境中移动任务卸载的正式系统模型以及移动边缘基础设施的相应约束。3.1. MEC架构本文中使用的MEC架构采用云/微云架构，如图2所示。一种移动终端，表1与移动任务卸载相关的工作比较。参考环境卸载策略目标缺点[20个]MEC半马尔可夫决策模型最大限度地利用Cloudlets仅考虑带宽[21日]MCC加权双图模型与Kuhn Munkras搜索资源最大限度地完成考虑到只有一个[22日]MCC蛾焰优化任务最小化响应时间cloudlet仅考虑传输[25日]MCC遗传算法，差分进化，粒子最小化响应时间时间没有云[26]MCC群优化算法和混合蛙跳算法。灰狼优化最小化执行时间没有云[27日]MEC蚁群优化微云的负载平衡只考虑利用[28日]MEC混合人工蜂群和蚁群最小化完成时间Cloudlets资源该战略不考虑[29日]MEC优化遗传算法最小化完成时间通信成本该战略不考虑[30个]MEC强化学习最小化完成时间通信成本该战略不考虑[三十一]MEC蚁群算法和粒子群算法对雾节点进行负载平衡，输电成本该战略不考虑拟议MEC优化遗传算法与排队网络最小化响应时间最小化响应时间边缘服务器上的等待时间战略考虑传输时间和等待时间图二. 移动云计算基础设施。S.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257260¼TSITSITSITSITST¼X Xj×TTSclj1;clj2TSIiBWcl在一些实施例中，云服务器可以使用请求卸载特定移动任务的无线通信通过代理与微云服务器STclj1LCLð5Þ卸载的任务在最近的cloudlet服务器的任务队列中被接受。任务卸载调度器用于对队列中的任务进行调度决策，J最后，主要目标是最小化卸载的移动任务的总时间，并且表示如下：cloudlet或将某些任务卸载到云，并且结果将通过无线连接发送回移动终端。任务卸载调度器的主要目标是找到所述已卸载任务集合在所述avail的队列上的映射N个tsNcl CLdTSiiTSi¼1clj ¼1ð6Þ能够使小云服务器最小化任务完成时间，并考虑小云服务器上的传输时间和负载条件来对小云队列上的任务进行负载平衡。假设在微云节点的队列处存在Nts个卸载的移动任务。每个任务被定义为TSi=TLTSi;DTTSi;RCTSi，其中TLTSi;DTTSi和RCTSi表示任务长度，其中，dcl，j，1是任务卸载和分配决策，其中TSi被卸载到微云节点cl，j，并且dcl，j，0表示任务TSi不被考虑用于卸载到微云服务器cl，j。4. 提出了MEC任务卸载的进化算法截止时间和资源消耗。有Ncl个云节点。每个微云节点cl，j具有被表示为具有最大可用资源容量Rjk的多个虚拟机。3.2. MEC任务卸载模型任务卸载调度器的主要目标是找到卸载的任务集合在可用微云的队列上的映射，以最小化移动设备的能量消耗和任务响应时间，同时考虑任务期限要求和微云服务器的队列上的现有负载。任务总执行时间TTSi计算为传输时间、队列等待时间和服务时间之和，如等式2所示。（一）.本节概述了边缘环境中提出的基于进化的移动卸载算法，即遗传算法（GA）和粒子群优化（PSO），用于在考虑传输成本和云服务器上的负载的同时，找到一组卸载的移动任务在可用的云节点上的放置，4.1. 基于遗传算法的任务卸载遗传算法（GA）是一种基于生物学概念的进化算法，即生成随机解的种群并模拟自然选择的进化[32]。GA被广泛用于解决各种NP完全问题，包括旅行销售人员问题，云计算调度和负载平衡[33]。每个可能的解决方案都被编码为由一组基因组成的染色体每个一组生成的可能的解决方案建立了一个群体，其中TTS ¼T rclj1;c lj2W Tclj Tcljð1Þ这个问题的解决方案是通过一定的选择来选择的TSiTSITSI机制其中T TS是 是任务TS i的总执行时间;cl j2;WT clj 是任务TSi在cloudlet节点cl j和ST clj 是小云节点上任务TS i的服务时间CLJ. 任务TSi的总执行时间TTS应满足以下条件：4.1.1. 染色体编码每个染色体表示用于在cloudlet服务器上调度所有卸载任务的集合的可能解决方案每个染色体是大小为Nts的向量，Nts是卸载任务的数量染色体的每一个元件都是一个基因，编号从1到N，我降低服务质量的条件：TTS pij 6Nclbjpijjc%N cl否则ð11Þ第五章 每个粒子的适应度使用Eq. （7）、和全局最优粒子的集合。对于一定数量的iter-所提出的基于PSO的卸载算法的细节在算法2中给出。该算法首先对a、b、x、变异概率Pμ和迭代次数Niter等参数进行优化。此外，基于粒子群优化的卸载算法模拟了粒子群Pi和相应速度的随机分布，Niter，粒子速度和位置使用方程计算。（9）和（10）。粒子位置的连续值使用Eq. （十一）、 基于PSO的卸载算法更新局部和全局最佳解。然后对粒子群进行变异处理。算法2：提出的基于PSO的移动卸载算法。（¼S.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257264表2评价实验参数名称值带宽U½100-1000]KB任务长度U½100-1000]KB延迟U½0：002-0：02]ms到达率kU½1-40]服务率1/20交叉概率Pc0.8突变概率Pmu0.5人口规模Np100最大迭代次数maxiter50X2C12C22aU[0-1]bU[0-1]4.2.2. 时间复杂度粒子群优化卸载算法的时间复杂度取决于：（1）粒子和速度的初始化操作初始化粒子群的时间复杂度为O<$N ts×N swarm。更新操作的时间复杂度为O<$N iter×N ts×N swarm。因此，所提出的基于PSO的任务卸载算法的总体复杂度为ON iter× N swarm× N ts。5. 实验评价本节介绍了在移动边缘计算环境中对所提出的移动任务卸载策略所提出的算法的目标是最小化卸载的移动任务的响应时间，考虑到trans-mix。见图6。 所提出的卸载算法的单次运行的目标函数。见图7。由于任务数量增加而导致的平均响应时间。见图8。 增加微云数量所导致的平均响应时间。S.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257265C见图9。由于任务数量增加而导致的平均传输时间。见图10。 由增加微云数目而产生的平均传输时间。任务时间和云节点上的负载条件。所提出的卸载策略的参数设置如表2所示。从任务响应时间和功耗两个方面进行了实验分析。所提出的基于GA的卸载算法的结果相比，基于PSO的卸载算法，以及传统的轮循（RR）算法。作为传输的结果的移动终端的功耗使用等式（1）来计算（十二）、Ptranslation/PwifiXXTrTSi12mmTSICLJ其中，Pwifi是每秒无线传输所消耗的功率。作为在本地执行任务而不卸载的结果的移动终端的功率消耗使用下式计算：当量（十三）、图 8显示了使用1000个任务增加cloudlet数量时的平均响应时间。使用遗传算法的卸载策略能够有效地减少响应时间。对于传输时间方面的评估，图9示出了随着使用10个微云的任务数量的增加的平均传输时间。使用RR的卸载策略实现了最高的平均传输时间相比，所提出的进化算法。基于遗传算法的卸载算法有效地减少了传输时间。 图10示出了随着使用1000个任务增加小云的数量的平均传输时间。基于GA的卸载算法能够有效地减少传输时间相比，其他算法对于在由传输引起的功耗方面的评估，图11示出了随着使用10个微云的任务数量的增加的平均功耗，用于使用基于GA的卸载、基于PSO的卸载和RR卸载。LTSiP本地¼ fpcð13Þing algorithms.与现有的进化算法相比，使用RR的卸载策略实现了最基于遗传算法的卸载算法的有效性，其中fc、pc和LTSi分别是移动终端的频率容量、处理能量和任务大小。对于响应时间方面的评估，图6示出了所提出的算法（基于GA的卸载算法和基于PSO的卸载算法）的目标函数的输出。很明显，基于遗传算法的算法比基于粒子群算法的算法收敛更快，并且能够找到更好的解决方案。图图7示出了使用10个微云增加任务数量时的平均响应时间，用于使用基于GA和基于PSO以及RR卸载算法的卸载。与所提出的进化算法相比，使用RR的卸载策略实现了最高的平均响应时间。基于遗传算法的卸载策略有效地减少了响应时间。有效地降低了功耗。此外，图。图12示出了对于基于GA、基于PSO和RR的卸载算法使用1000个任务增加微云的数量时的功耗时间。可以得出结论，使用基于遗传算法的卸载策略有效地降低了功耗。 对于从处理产生的功耗方面的评估，图。图13示出了使用所提出的基于GA的任务卸载与不卸载的移动终端的功耗的比较。提出的基于遗传算法的任务卸载算法有效地节省了移动设备的能量。表3示出了使用t检验的统计分析，其证明了所提出的基于GA的任务卸载算法与基于PSO的任务卸载相比S.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257266≤见图11。 增加任务数量导致的功耗。见图12。 增加微云数量所导致的功耗。图十三. 没有卸载的功耗与基于GA的卸载相比。表3使用t检验进行统计分析。标准算法是说标准偏差自由度t值p值响应时间基于ga0.634640.007296.40.000001基于pso0.647240.008功耗无卸载1.810.166295.670.000004基于ga1.560.171算法的响应时间为1000个任务，使用15个cloud-let。使用显著性水平为0： 05的t检验，零假设被拒绝，所提出的基于遗传算法的任务卸载算法显着提高了响应时间。在功耗方面，使用t检验进行统计分析，以比较没有卸载与卸载使用所提出的基于GA的任务卸载算法的显着性。对于显著性水平60： 05，零假设被拒绝，所提出的基于GA的任务卸载算法显著地改善了移动设备的功耗。6. 结论和今后的工作提出了一种移动边缘环境下一个正式的模型概述，S.A. Zakaryia，S.A. 艾哈迈德和M.K. 侯赛因埃及信息学杂志22（2021）257267考虑到传输时间和云服务器上的负载条件，旨在最小化卸载任务的响应时间。提出了一种基于排队网络和遗传算法的移动任务卸载算法。提出的基于遗传算法的卸载算法进行了比较，基于round robin卸载和另一种进化算法，即粒子群优化（PSO）。实验结果表明，与基于PSO的移动任务卸载算法和轮询算法相比，本文提出的基于遗传算法的移动任务卸载算法是有效的在未来的工作中，一个多目标函数，包括响应时间，能量消耗和成本，移动边缘环境中的移动任务卸载此外，使用不同的进化算法，如灰狼优化，布谷鸟搜索，太阳花优化的工作流的任务卸载将被调查。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] 张毅，张伟，张伟.移动边缘计算：调查。IEEE Internet ThingsJ2018;5（1）：450[2] 法赫法赫湾移动云计算系统的性能和正确性2019年第15届国际无线通信移动计算大会（IWCMC），2019年。pp.1019https://doi.org/10.1109/IWCMC.2019.8766588www.example.com[3] Dinh HT，Lee C，Niyato D，Wang P.移动云计算调查：架构，应用程序和方法 。 Wireless Commun Mobile Comput 2013;13 （ 18 ） ： 1587doi ：https://doi.org/10.1002/wcm.1203网站。[4] Hussein M，Mousa M-H.云架构中面向服务的应用程序的服务质量管理。Int J P2PNetworkTrendsTechnol2016;6（6）：12-9.网址：http://www.ijpttjournal.org/archives/ijptt-v30p401。[5] Ahmed E，Gani A，Sookhak M，Hamid SHA，Xia F.移动云计算中的应用优化。JNetwComputAppl2015;52（C）：52-68.doi：doi.org/10.1016/j.jnca.2015.02.003.[6] Shiraz M，Gani A，Khokhar RH，Buyya R.面向移动云计算的智能移动设备分布 式 IEEE Commun Surveys Tutor 2013;15 （ 3 ） ： 1294-313. doi ：https://doi.org/10.1109/SURV.2012.111412.00045。[7] 任杰，张毅，张凯，沈旭.利用移动众包实现普及云服务：挑战与解决方案。IEEECommunMag2015;53（3）：98-105.doi：https://doi.org/10.1109/MCOM.2015.7060488网站。[8] 吴晓松，王晓松.移动计算中基于虚拟机的小云案例。IEEE Pervasive Comput2009;8（4）：14-23. doi：https://doi.org/10.1109/MPRV.2009.82网站。[9] 郝P，白Y，张X，张Y. Edgecloud：一种边缘托管的个人服务，用于移动云存储服务中的低带宽文档同步。在：第二届ACM/IEEE边缘计算研讨会论文集，SEC '17。ACM ： 纽 约 ， 纽 约 ， 美 国 ; 2017 年 。 pp. 七 点 一 到 七 点 十 四 。https://doi.org/10.1145/3132211.3134447www.example.com[10] Jararweh Y，Tawalbeh L，Ababneh F，Dosari F.使用云基础架构的资源高效移动计算。2013年IEEE第9届移动自组织和传感器网络国际会议。第373- 377页。doi：https：//doi. org/10.1109/MSN.2013.75。[11] Ghobaei-Arani M，Souri A，Rahmanian AA.雾计算中的资源管理J.网格计算2020;18（1）：1-42. doi：https://doi.org/10.1007/s10723-019-09491-1网站。[12] Yousefpour A，Fung C，Nguyen T，Kadiyala K，Jalali F，Niakanlahiji A，KongJ，Jue JP.关于雾计算和相关边缘计算范式所需了解的一切：完整调查。J. Syst. Arch.2019;98：289-330. doi：doi.org/10.1016/j.sysarc.2019.02.009.网 址 ：www.sciencedirect.com/science/article/pii/S1383762118306349。[13] 王S，张X，张Y，王L，杨J，王W.移动边缘网络综述：计算、缓存和通信的融合。IEEEAccess 2017;5：6757-79.[14] Roman R，Lopez J，Mambo M.移动边缘计算，fog等人：对安全威胁和挑战的调查和分析。未来通用计算机2018;78：680-98.doi：https://doi.org/10.1016/j.future.2016.11.009网站。[15] Ahmed A，Ahmed E.移动边缘计算综述。2016年第十届智能系统与控制国际会议（ISCO）。pp. 1-8..[16] 放大图片作者：Shakarami A，Shahidinejad A，Ghobaei-Arani M.移动边缘计算 中 的 计 算 卸 载 方 法 综 述 软 件 ： 实 践 与 经 验 50 （ 9 ） ; 2020 ： 1719-1759 。https://doi.org/10.1002/spe.2839www.example.com[17] 吴晓松，王晓松.移动计算中基于虚拟机的小云案例。IEEE普适计算2009;8（4）：14-23. doi：https://doi.org/10.1109/MPRV.2009.82网站。[18] [10]杨晓，李晓，王晓. Cloudlets对交互式移动云应用程序的影响。2012年IEEE第16 届 国 际 企 业 分 布 式 对 象 计 算 会 议 。 第 123-132 页 。 doi ：https://doi.org/10.1109/EDOC.2012.23。[19] [10]杨文辉，王文辉，王文辉. Cloud-vision：使用移动云加速架构的实时人脸识别。2012 IEEE Symposium on Computers and Communications（ISCC） .pp. 000059-000066. https://doi.org/10.1109/ISCC.2012的网站。6249269..[20] 黄东东，Niyato D，王P.基于Cloudlet的移动云计算热点的最优准入控制策略。2012 年 IEEE 无 线 通 信 和 网 络 会 议 （ WCNC ） ; 2012 年 。 pp. 3145-3149.https://doi.org/10.1109/WCNC.2012.6214347www.example.com[21] 王涛，魏旭，梁涛，范军。移动云计算中基于加权双图的动态任务调度。SustainComput：InfSyst2018;19：214-22.土井：https://doi.org/10.1016/j.suscom.2018.05.004 网 站 。网 址 ：www.sciencedirect.com/science/article/pii/S2210537917304560。[22] [10]吴文辉，李文辉，李文辉.一种基于蛾焰优化算法的雾计算信息物理系统任务调 度 方 法 。 紧 急 事 务 部 。 你 好 2020;31 （ 2 ） ： .doi ：https://doi.org/10.1002/ett.3770e3770。[23] [10]杨文军，李文军.在云环境中使用自然启发的元启发式算法的多目标虚拟Int JCommun Syst 32 （ 14 ） ; 2019 ： e4068 ， e4068 IJCS-19-0062.R1 。https://doi.org/10.1002/dac.4068www.example.com[24] Hussein MK，Mousa MH，Alqarni MA.云环境中的容器即服务（caas）的放置架 构 J Cloud Comput 2019;8 （ 1 ） ： 7. doi ： https://doi.org/10.1186/s13677-019-0131-1网站。[25] Mehta S， Kaur P. Efficient computation offloading in mobile cloud computingwith nature-inspired algorithms. Int J Comput Intell Appl 18 （ 04 ） ; 2019 ：1950023。https://doi.org/10.1142/S1469026819500238www.example.com[26] Kaur P，Mehta S.使用灰狼优化算法的高效计算卸载AIP Conf Proc 2019;2061（1）. doi：https://doi.org/10.1063/1.5086633。020011。[27] Wei X，Fan J，Lu Z，Ding K.具有负载均衡的移动云计算应用调度。13.第十三章https://doi.org/10.1155/2013/409539www.example.com[28] 孙达拉拉杰五世移动云计算中基于队列的蚂蚁算法优化任务分配无线个人通信2019;104（1）：173-97. doi：https://doi.org/10.1007/s11277-018-6014-9网站。[29] 李志，朱清.移动边缘计算中基于遗传算法的卸载和资源分配优化。资料11（2）。https://doi.org/10的网站。3390/info11020083..[30] 崔勇，张丹，张涛，陈玲，朴明，朱宏。基于进化博弈策略的物联网设备移动边缘计算 卸 载 新 方 法 。 AEUIntJElectronCommun2020;118 ： .doi ：https://doi.org/10.1016/j网站。2020.153134。网址：http://www.sciencedirect.com/science/article/pii/S1434841119331000153134.[31] HusseinMK，Mousa MH. 基于蚁群优化的雾计算物联网应用的高效任务卸载。IEEE Access 2020;8：37191-201.[32] 荷兰JH。自然与人工系统的适应性：应用到生物学，控制和人工智能Cambridge，MA，USA：MIT Press;1992.[33] Zhou Z，Li F，Zhu H，Xie H，Abawajy JH，Chowdhury MU.一种基于贪婪策略的 改 进 遗 传 算 法 在 云 环 境 下 的 任 务 调 度 优 化