基于遗传算法引导的选择性修复与局部搜索用于弹性光网络支持的计算优先网络中的计算卸载

《Optical Switching and Networking》：GA-guided selective repair and local search for computation offloading in EON-supported computing first networks

　　# 摘要- 构建了EON支持的CFN中任务卸载的联合优化模型。- 提出了一种结合遗传算法（GA）与蚁群优化（ACO）的两阶段GSRL算法用于CFN卸载。- 设计了一种自适应关键任务冻结策略以减少冲突。- GSRL在时延和阻塞率方面优于GA、ACO和PSO。---## 引言云计算办公服务、在线视频流、自动驾驶和智能制造等新兴应用的快速发展产生了大量计算密集型和时延敏感型任务。此类任务不仅依赖于充足的计算资源，还需要网络协同配置分布式算力和传输资源以满足服务需求。然而，传统网络主要围绕数据转发功能设计，缺乏对分布式计算资源状态的统一感知或联合调度能力，难以满足计算与网络资源协同优化的需求[1]。为克服这些限制，提出了计算优先网络（CFN）[2]-[5]。通过将网络连通性与分布式计算资源深度集成，CFN实现了计算资源、网络资源与服务需求之间的协同匹配[6]。在CFN场景下，跨域计算协作不仅需要统一调度计算资源，还需要高带宽、低时延且具备灵活资源分配能力的承载网络。弹性光网络（EON）具有高带宽、细粒度频谱分配和大容量数据传输等优势[7]，非常适合跨域计算任务的带宽需求，因此被视为CFN的关键承载技术[8]。然而，在EON支持的CFN中，任务卸载同时受到多种约束的影响。即使计算资源充足，任务也可能因频谱资源不足或时延约束不满足而被阻塞[9]、[10]。已有研究探讨了EON支持的CFN中的协同资源调度。文献[9]针对具有依赖关系的任务，联合优化计算节点选择与频谱资源分配，以降低任务完成时延和非绿色能耗。文献[10]将任务完成时延和电力成本纳入考量，提出了EON支持的CFN中计算卸载的资源调度方法。这些研究表明，联合优化计算与频谱资源可以提升系统性能。然而，大多数现有方法采用整体式启发式搜索策略，未能充分利用候选解中存在的高质量决策组件。在由EON互联的多接入边缘计算（MEC）系统中，任务卸载优化也得到了研究。文献[11]、[12]以最小化任务完成时延为目标，但未考虑能耗或电力成本。文献[13]将遗传算法（GA）与蚁群优化（ACO）相结合，验证了二者在复杂卸载问题中的互补优势。然而，这些工作均未考虑任务请求中服务类型的异构性，且通常对所有任务进行统一搜索，导致大规模场景下搜索空间过大、优化效率降低。针对上述问题，本文聚焦于静态决策时隙下的任务卸载与资源分配，假设单个决策周期内任务集合与网络资源状态均已知且固定，并显式考虑了不同任务的异构服务类型需求。与传统的整体式启发式搜索方法（对所有任务进行统一重构）不同，本文基于基线解采用局部改进策略，在保持现有解整体结构稳定性的同时，将优化努力集中于对解可行性和系统性能有关键影响的任务。同时，对于已满足所有约束且性能表现良好的非关键任务，其高质量决策组件将被冻结，以防止不必要的重复扰动。本文的主要贡献如下。- 针对因计算资源不足或路径频谱资源受限导致的卸载失败问题，提出了一种高效的服务类型感知自适应计算与频谱协同调度方案。该方案保证用户服务质量，并设计用于处理并发多任务卸载，确定一批任务的卸载决策。- 为实现上述方案，提出了一种GA引导的选择性修复与局部搜索（GSRL）算法。该算法首先使用GA生成具有良好全局结构的基线解，然后利用ACO对关键任务进行局部重构。基于每个任务的状态，GSRL自适应地识别被阻塞的任务或局部表现不佳的任务作为优化目标，同时冻结非关键任务的高质量决策组件。这减少了搜索空间，缓解了资源再分配冲突，并提高了效率和解的稳定性。- 采用平均任务完成时延、任务阻塞率和系统总电力成本三项指标对GSRL进行了综合性能评估。仿真结果表明，GSRL能有效降低平均任务完成时延和阻塞率，同时控制系统电力成本，提升整体优化性能。本文其余部分组织如下。第2节回顾相关工作。第3节给出系统模型与问题建模。第4节描述所提算法的设计。第5节展示并分析仿真结果。第6节总结全文。---## 章节摘要### 相关工作近期关于任务卸载与协同资源调度的研究主要聚焦于三个方面：单域资源调度、EON支持的CFN中的联合卸载与资源分配，以及智能优化算法设计。### 系统模型与问题建模本节首先介绍EON支持的CFN系统模型，然后建立任务完成时延与电力成本模型，最后将任务卸载与资源分配问题建模为联合优化问题。### 算法设计本节给出所提GSRL算法的总体设计。基于ACO的选择性修复与局部搜索的伪代码如算法2所示。由于ACO基于信息素和启发式信息增量式地构建解，直接在完整任务集上搜索会扩大搜索空间并扰动已有的可行决策。为此，提出了一种基于GA的基线解生成算法（算法1），对[所有任务进行全局搜索]。### 仿真设置与结果本节首先描述仿真场景与参数设置，然后从平均任务完成时延、阻塞率、电力成本、综合评估函数值和执行时间等方面比较GSRL与基准算法的性能，并讨论GSRL的优势与局限。### 结论本文研究了静态决策时隙下EON使能的CFN场景中并发多任务卸载的计算与频谱资源联合优化问题，并提出了一种GSRL算法来解决该问题。该算法首先使用GA生成高质量的基线解，然后自适应地根据任务的阻塞状态和局部性能确定待搜索的任务集合，随后采用基于ACO的局部搜索过程……---### CRediT作者贡献声明**Ying Wang（王英）：** 撰写——初稿，可视化，验证，方法论，形式化分析，概念化。**Yongfeng Wei（魏永峰）：** 撰写——审阅与编辑。**Bo Tian（田博）：** 撰写——审阅与编辑。**Haoru Wang（王浩茹）：** 可视化，验证。**Caili Gong（龚彩丽）：** 撰写——审阅与编辑。---### 利益冲突声明作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。---### 致谢本工作部分得到以下资助：国家自然科学基金（项目编号62161034）、内蒙古自治区自然科学基金（项目编号2024MS06003）、内蒙古科技计划项目（项目编号2025YFHH0123、2025YFHH0074）。---**Ying Wang（王英）** 目前就读于中国呼和浩特内蒙古大学电子信息工程学院，攻读硕士学位。其研究方向包括弹性光网络、计算优先网络、任务卸载以及计算与频谱资源的联合优化。---Ying Wang | Yongfeng Wei | Bo Tian | Haoru Wang | Caili Gong