《Sustainable Computing: Informatics and Systems》：ENERGY-EFFICIENT TASK OFFLOADING APPROACH INCORPORATING MODIFIED GREY WOLF OPTIMIZATION WITH THE SEAGULL ALGORITHM TOWARDS 5G-IOT MEC
编辑推荐：
移动边缘计算（MEC）在5G技术中至关重要，可高效为工业物联网（IIoT）提供任务卸载，但受限于边缘服务器资源，优化能耗与处理延迟仍是挑战。本文提出改进的灰色狼-海鸥混合算法（IGWO-SOA），通过动态分配任务实现能耗降低与延迟减少，实验证明其优于传统方法。
作者：Voore Subba Rao | G. Ravindra Babu
印度勒克瑙的A.P.J. Abdul Kalam大学
摘要
移动边缘计算（MEC）在5G技术中发挥着关键作用，它能够直接将云服务和IT服务提供给移动用户。在工业物联网（IIoT）环境中，智能技术持续收集并管理分布在不同地理位置的万物互联（IoE）节点。这些系统对于资源管理、优化能源消耗、推进电子健康服务以及实现智能交通网络至关重要。随着对IoE设备任务卸载需求的增加，MEC的重要性也日益凸显。然而，由于其资源有限，尤其是在能源使用和处理延迟方面提高任务卸载效率仍然是一个紧迫的挑战。本研究介绍了一种名为“改进型灰狼优化与海鸥算法（IGWO-SOA）”的策略，该策略旨在在考虑能源限制的同时，智能且高效地减少移动设备上的任务执行时间。所提出的基于IIoT的IGWO-SOA技术能够将资源受限设备上的任务卸载到边缘处理器上，从而实现最小的延迟和更高的能源效率。为了评估其性能，该模型与多种任务卸载方法进行了比较。实验结果表明，IGWO-SOA在能源消耗、成本、任务卸载效用、计算延迟、吞吐量和数据包传输效率等多个关键指标上均优于现有系统。
引言
“移动边缘计算”（MEC）是指一类通过边缘计算机将云计算资源更接近移动设备（MDs）的技术[1]。作为一种有前景的计算范式，MEC通过在移动设备附近的基站部署边缘处理器，实现了高性能处理和低延迟[2]。这种方法显著降低了数据传输所需的功率，并最小化了移动设备的能源消耗。相比之下，传统的云计算架构无法实现这些优势。因此，MEC推动了众多创新应用的发展，如增强现实（AR）、自然语言处理和实时视频分析[3]。移动企业兼容性框架（MEC）促进了需要在移动设备上运行复杂应用的高效性。
为了支持这些功能，边缘服务器被战略性地部署在移动设备附近，通常位于蜂窝基站处，使移动设备能够将这些计算任务卸载到这些服务器上[4]。移动设备的能源消耗受其传输功率和卸载任务数量等因素的影响。数据传输后，设备会继续运行一段时间，这段时间也消耗能源[5]。鉴于这些问题，研究人员专注于将任务卸载到MCC/MEC系统中。本研究探讨了在具有动态资源分配能力的边缘或远程云网络中实现节能任务的策略、算法和方法。预计5G网络的部署将大幅扩展当前的物联网（IoT），提升蜂窝网络性能、增强物联网安全性，并将互联网连接扩展到网络边缘[6]。
二进制卸载允许任务在本地或多个小云（cloudlets）上执行，卸载可分为静态和动态两种类型。MEC通过利用边缘服务器同时为多个移动设备分配虚拟处理能力和带宽来有效优化任务卸载[7]。这是通过生成多个虚拟机（VMs）并使用频分多址（FDMA）技术实现的。近年来，出现了多种技术来改进外围网络中的卸载过程。这些策略旨在通过优化任务传输机制和在MEC系统中的高效能源分配来提升服务质量。
提高终端用户的体验质量（QoE）涉及将计算任务从中央服务器重新定位到附近的边缘服务器。这种优化是通过有效管理MEC的计算和带宽资源来实现的，从而减少计算时间和本地能源消耗。研究人员越来越多地转向元启发式方法，因为这些方法能够在较低的计算复杂度下提供接近最优的解决方案[8]。
本研究的其余部分结构如下：第2节回顾相关研究，第3节介绍系统模型和问题描述，第4节通过仿真评估所提出算法的有效性。最后，第6节总结研究并讨论未来研究方向。
相关研究
相关工作
Mirjalili及其同事提出了一种名为“鲸鱼优化算法（WOA）”的新元启发式方法[9]，该方法受到座头鲸觅食技术的启发。该算法在确保最大吞吐量、平衡能源和频谱效率以及优化无线网络中的移动边缘计算（MEC）卸载方面发挥着重要作用。仿真结果表明，WOA收敛速度快，性能与现有算法相当。然而，如果延迟处理不当……
提出的模型
本研究考虑了一个包含NN个MEC服务器和MM个智能设备的工业物联网（IIoT）环境。MEC服务器处理智能设备分配的计算任务，每个设备提交一个不可分割的任务。MEC系统的结构如图1所示。
因此，每个任务有N+1种执行可能性：在源设备上本地执行或卸载到其他设备。
实验结果
本节包含专注于参数比较和分析的实验。实验通过仿真进行，其中本地组件和基于MEC的组件都能够管理任务。此外，假设每个任务在到达后立即执行，从而避免可能导致任务完成延迟的等待时间。使用实际数据测量了诸如能源消耗率、延迟、吞吐量和数据包传输率等各种特性。
IGWO-SOA中的能源消耗与效率
所提出的改进型灰狼优化与海鸥算法（IGWO-SOA）通过低延迟的数据传输、更高的吞吐量和更高的数据包传输率来提高能源效率。此外，优化能源消耗还可以在工业应用中节省成本。有效的优化过程进一步增强了覆盖范围，确保了最佳的能源利用和成本降低。在本研究中，通过数值方法评估了所提出方法的有效性。
结论
本研究提出了一种改进型灰狼优化与海鸥算法（IGWO-SOA）用于任务卸载，旨在优化5G-IoT移动边缘计算中的能源消耗和成本。灰狼优化算法和海鸥优化算法协同工作，以平衡边缘服务器的负载，同时考虑IIoT应用中的网络延迟和服务速率。MATLAB仿真证实，所提出的方法提高了卸载效率。经过五十次迭代后……
CRediT作者贡献声明
G Ravindra Babu： 数据整理。Voore Subba Rao： 概念构思。
