0%
- 边缘计算和云边协同环境的区别在于：
- 边缘计算是可能把任务卸载到本地执行，也有可能卸载到同等级的其他移动设备上执行，也有可能卸载到边缘服务器上执行
- 云边协同环境在边缘计算的基础上，又加入了云端，使得能提供更充足的计算资源来执行任务
- 这篇论文我们关注的是它对延迟、能耗和可靠性的建模是怎么样的。
- MTGP-HH 算法流程：
- 首先初始化种群，生成一系列的个体，每个个体都包含三棵树（对应三种选择规则，即任务选择规则、云选择规则、云中实例选择规则）。
- 对种群中的个体进行评估，选择其中优异的个体进行后续的操作。
- 如何对种群中的个体进行评估呢？ -> 计算个体的适应值
- 个体的适应值如何得到呢？ -> 根据个体的三棵树得到对应的公式（对树进行中序遍历），根据对应的公式，对任务、云、实例进行选择，就能得到一个调度解，将这个调度解应用到模拟环境中去，就得到了模拟执行后的结果，根据模拟执行的结果进行计算，就得到了个体的适应值。
- 对优异的个体，进行遗传操作（复制、交叉、变异），得到新个体（后代）。
- 对新个体重复 2、3 操作，直到达到循环终止条件，最终得到了一个最优个体，通过这个最有个体得到最终的调度解，就是算法输出的调度解。
- 2020年，Hashim 等人受到阿基米德定律启发，提出了阿基米德最优化算法（Archimedes Optimization Algorithm，AOA）。
- AOA 算法模仿了完全或部分浸没在流体中的物体发生碰撞时所受浮力的关系，在迭代过程中不断调整个体密度、体积和加速度，从而使个体达到平衡状态，适应度值优的个体引导种群收敛到最优位置。
- 研究场景：针对 DNN(深度神经网络)应用
- 研究目标：降低能耗，满足 deadline 和 budget 约束
- 放置策略：混合的混沌进化算法，将阿基米德最优化算法、模拟退火法、遗传算法混合起来，并选择性地使用 DVFS 技术
- 研究场景：在云数据中心的层次结构上，对虚拟机在实际物理主机上的部署进行研究
- 研究目标：实现实际物理资源的高利用率，并降低能耗
- 算法：使用了两阶段策略，在初始 VM 放置的集群选择阶段，使用超启发式算法；对于长期操作，设计了一个基于博弈论的 VM 监控程序，实现 VM 在不同主机之间的迁移