基于多目标进化优化的工业物联网依赖任务协同卸载算法研究

本文针对工业物联网(IIoT)中依赖感知任务的协同计算卸载难题，提出一种融合动态调度与重传机制的改进多目标进化算法(MOEA/D-MTDS)。研究通过建立包含丢包重传的DAG(有向无环图)任务模型，设计响应率驱动的联合调度卸载算法(RRSO)，实现应用平均完成时间(ACT)与设备平均能耗(AEC)的双目标优化。实验表明该算法在收敛性和解集多样性上显著优于基线方法，为MEC(移动边缘计算)支持的复杂工业场景提供可靠低延迟解决方案。

　　

在工业4.0浪潮下，工业物联网(IIoT)设备产生的海量数据对实时处理提出严苛要求。然而，传统云计算模式因传输延迟高、设备资源受限等问题，难以满足智能工厂中视频质检、设备监控等场景的毫秒级响应需求。更棘手的是，这些工业应用往往由多个存在复杂依赖关系的任务组成，用有向无环图(DAG)建模时，任务执行顺序和卸载策略的微小差异可能导致整体完成时间的显著波动。天津工业大学计算机科学与技术学院Zheng-Yi Chai教授团队在《Future Generation Computer Systems》发表的研究，通过改进多目标进化算法，为这一难题提供创新解决方案。

研究采用MOEA/D框架结合动态调度策略，关键技术包括：1)构建含重传机制的DAG任务模型模拟工业环境丢包；2)设计基于响应率(RRSO)的联合调度算法动态优化任务序列；3)开发延迟驱动的执行位置初始化方法；4)提出重决策(Re-decision)和重调度(Re-scheduling)两种异常处理机制。实验使用5个AP(接入点)和40个IIoT设备构成的仿真环境，对比NSGA-II等基准算法。

【系统模型】建立包含J个边缘服务器(ES)和u个无线AP的MEC架构，每个APSC_i覆盖8个工业设备，通过10个独立信道减少干扰。

【算法设计】MOEA/D-MTDS算法中，通过分解权重向量δⁱ的T近邻选择策略平衡收敛与多样性，结合RRSO算法实现任务序列的动态调整。

【性能验证】在相同计算卸载场景下，该算法使系统延迟降低23.6%，能耗减少18.4%，且Pareto解集分布更均匀。

【重传优化】两种重传优化方案使任务失败率下降37.2%，其中Re-scheduling策略通过动态调整后续任务位置，较传统重传减少9ms额外延迟。

该研究创新性地将进化计算与动态调度相结合，突破传统研究中理想传输假设的局限性。通过DAG建模准确捕捉工业任务间的数据依赖与控制依赖，提出的重传优化机制为不稳定网络环境提供容错保障。值得注意的是，算法在40设备规模下仍保持O(nlogn)时间复杂度，具备工程落地潜力。这些成果为智能工厂、远程运维等IIoT典型场景提供重要技术支撑，其多目标优化框架也可拓展至其他资源受限的边缘计算场景。