随着移动设备计算能力的增强和无线通信技术的进步，移动设备如智能手机、计算机和智能机器人等越来越多地被用作计算系统的贡献实体。在移动网格系统中，移动节点之间可以通过无线连接共享闲置的计算资源，实现并行处理。本文探讨了在这样的移动网格系统中，如何通过移动节点实现计算任务的任意分割，并分配给多个移动资源提供者（RPs）以进行并行处理，并在此过程中突出了计算负载调度问题。
计算网格（Computational grids）和集群（clusters）通常被用来解决计算密集型问题。这些系统广泛应用于科学研究和工业领域，比如在高能物理、生物信息学和气象模拟等领域。它们通过集中大量计算资源来解决单个计算机难以完成的大规模计算任务。然而，随着技术的发展，移动设备的处理能力和存储容量不断提升，使得它们有能力成为网格系统中的贡献实体。这意味着在某些情况下，移动设备可以像云资源一样提供计算能力。
在移动网格系统中，资源消费者（RC）需要将计算负载分配给多个移动资源提供者（RPs）以实现并行处理。这个过程中，负载调度问题非常关键。本文提出了一种基于优化目标（即最小化任务的总完成时间）的买家-卖家模型，在该模型中，任务发起者可以支付一定的利润来激励资源提供者共享计算资源。
Stackelberg定价博弈（Stackelberg Pricing Game, SPG）被用来获取每个资源提供者（SP）的最优价格和共享资源量。Stackelberg博弈是博弈论中的一个概念，它描述的是一个领导者（Leader）先提出一个策略，然后追随者（Follower）根据这个策略来决定自己的最佳响应。在本文的背景下，资源提供者可以被视为追随者，而资源消费者则是领导者，它提出一个价格策略，影响资源提供者分享资源的决策。
通过系统模拟评估了所提出的基于Stackelberg定价博弈的负载调度算法的性能。模拟结果表明，该算法能显著提高移动网格系统中的时间效益。这表明，在移动网格环境下，通过优化价格机制来激励资源提供者参与计算任务的执行是可行的，并且能够有效地提高整个系统的计算效率。
在讨论相关知识点时，我们还涉及到以下几个方面：
1. 可分负载调度（Divisible Load Scheduling）：在计算任务可以被任意分割成多个子任务的情况下，可分负载调度算法负责合理分配这些子任务到不同的计算资源上，以最大化系统的整体性能。
2. 系统模拟（System Simulation）：通过建立数学模型和仿真环境来测试和评估负载调度算法的性能，它可以提供一个虚拟的实验平台，使研究者能够在不实际部署系统的情况下预测算法的效果。
3. 并行处理（Parallel Processing）：利用多个计算资源同时处理一个计算任务，以减少计算时间。在移动网格中，这通常意味着移动设备之间的协作。
4. 计算资源（Computing Resource）：指的是任何能用于执行计算任务的硬件或软件资源，比如处理器、内存、存储空间，或者软件服务。
5. 共享资源（Shared Resources）：指的是多个用户或进程能够访问并使用的资源，它是在移动网格环境中资源提供者共享的闲置资源。
6. 通信网格（Computational Grids）和集群（Clusters）：集群是一组紧密协作的计算机，而计算网格则更为广泛，它涉及跨多个集群和网络的计算资源协调。
7. 任务完成时间（Task Makespan）：完成整个任务所需的总时间，这是衡量任务调度算法性能的重要指标之一，它反映了算法优化效率的能力。
文章提出的方法通过建立买家-卖家模型，并利用Stackelberg博弈理论，优化了移动网格中资源提供者的激励机制，从而实现计算任务的高效调度。通过系统模拟的验证，显示了该方法在实际移动网格系统中实施的潜力和有效性。
