1. 引言
随着个人计算设备（个人电脑和手机）的普及以及包括语音识别和图像文本识别在内
的 互联网业务的日益发展，对于终端设备的服务水平要求也越来越高，这些提供服务的应
用在 运行时往往伴随着大量的计算资源需求和能耗消耗。但由于个人设备的硬件性能有限
，在面 对应用的大量计算资源需求和高能耗的情况下，应用响应延迟较高并且终端设备续
航能力不 足。在应用响应延迟方面，这显然会严重的影响到用户的用户体验；在高能耗方
面，无论是 考虑到环保还是终端设备的续航问题，高能耗带来的问题也是令人烦恼的。
目前，深度神经网络(Deep Neural Network, DNNs)在包括自然语言处理、图像识别等
众多领域提供了一套有效的解决方案，为此 DNNs 在众多互联网业务上有着广泛的应用，
而 作为使用载体的终端设备自然广泛的使用到 DNNs。为了更好地让用户在终端设备上使
用基 于 DNNs 的应用，在研究边缘计算环境中基于启发式算法的深度神经网络卸载策略具
有重要 意义。
对于目前常见的两种 DNNs 的卸载策略：传统的计算任务在终端设备本地执行和计算任
务基于云端的完全卸载策略。计算任务在终端设备本地执行会因为终端设备计算能力不足 而
导致计算速度慢，此外还会造成终端设备的高能耗；计算任务基于云端的完全卸载策略是 将
终端设备上应用产生的全部计算需求传输至云端完成，云服务器具有较强的计算能力，因 此
会大量减少计算所需的时间，同时降低终端设备的能耗。由于数据是通过 WAN 进行传输，
往往这种大量数据的传输会产生由于网络堵塞而造成的数据传输延迟。此外，由于大量使用
服务器设备，云配置成本也相对较高。无论是计算任务在终端设备中本地执行或是在云端完
全卸载都不能完全符合最优的选择，对于传输数据大，计算任务小的任务，显然本地计算要
远优于云端卸载计算，但对于传输数据少，计算任务重的任务，云端计算的优势便会体现出
来。
, x
n
�，飞行速度表 粒子群算法中的粒子
i
在 n 维空间的位置表示为矢量 X
i
��x x
1
2
,�
示为矢量 V
i
��v v
1 2
,�, v
n
�。每个粒子都有一个由目标函数决定的适应值，并且知道
自己 到目前为止发现的群体最优位置和现在的位置 X 。粒子在每一轮迭代中通过个体经
验和群
i
体经验确定运动速度并更新个体位置，最终通过不断的迭代找到一个最优位置即最
优解。但 粒子群算法具有易于陷入局部最优解的缺点，其一旦陷入局部最优将难以跳出，
这将极大地 降低了粒子群算法结果的精确度。
模拟退火算法在寻找最优解时总是能够接受更优的解，但同时具有一定的概率接受较
差 的解，其能够较好的避免求解过程中陷入局部最优解。
从深度神经网络的本质上考虑，本文重点研究一种能够综合深度神经网络的运行时间、设
备 配置成本和设备能耗的卸载策略。相对于传统的卸载方案，该卸载策略方案具备更多应
用场 景，能够对任务响应延迟、设备配置成本和设备能耗多不同方面进行优化。使用基于
模拟退 火的粒子群算法，有效解决传统的粒子群算法在搜寻过程中陷入局部最优解问题，
能够在兼 顾求解效率和求解精度。
- 1
- 2
- 3
- 4
- 5
- 6
前往页