多目标多任务进化算法研究及其在边缘计算服务部署中的应用.pdfVIP

多目标多任务进化算法研究及其在边缘计算服务部署中的应用 摘 要 与传统的单任务进化算法相比，进化多任务（EMT ）在多个任务的搜索空间中同时 进行优化。通过任务间的知识迁移，EMT 能够增强优化任务的求解能力。然而，如果 知识迁移不能得到很好的进行，EMT 的算法性能会受到影响。为提高任务间知识迁移 的质量，本文提出了一种基于子空间对齐和自适应差分进化的多目标 EMT 算法 MOMFEA-SADE 。具体地说，MOMFEA-SADE 采用子空间学习方式，基于一个映射矩 阵来变换种群的搜索空间，从而降低负迁移产生的可能性。此外，本文还提出了一种自 适应的差分进化策略，可以根据进化经验自动地选择合适的后代产生策略。为了证明 MOMFEA-SADE 的有效性，本文在多目标多任务优化测试套件上进行了实验。结果表 明，相比最新的EMT 算法，MOMFEA-SADE 算法可取得更优越的性能。 伴随 5G 时代的来临和物联网的兴起，边缘计算作为云计算模型的补充，受到了越 来越多的关注。由于物联网设备的计算能力有限，各种物联网设备通常需通过边缘节点 上部署的服务来实现各种各样的功能，从而既减小网络时延，又获取边缘节点的计算能 力。而各种服务如何在边缘网络上部署会对时延产生很大的影响，从而影响用户体验。 同时，不同的部署方案所需的能耗也不同。为此，本文将边缘网络的服务部署问题建模 为一个多目标问题，并提出了一种基于多任务的进化算法 MOMFEA-SDP 来求解该问 题。MOMFEA-SDP 将每种服务的部署问题作为一个任务，并利用一个种群一次性的同 时求解所有的任务。由于 MOMFEA-SDP 在所有任务之间进行知识共享，利用任务之间 潜在的协同性可加速问题的收敛，在小规模问题和大规模问题中，与一些经典的多目标 优化算法进行对比，对比结果表明，提出的 MOMFEA-SDP 能得到更低的网络延迟和更 低的功耗。 关键词：多任务优化；超多任务优化；子空间对齐；边缘计算；服务部署 I Research on multi-objective multi task evolutionary algorithm and its application in service deployment of edge computing Abstract Compared with traditional single-task evolutionary algorithms, evolutionary multi-tasking (EMT) optimizes in the search space of multiple tasks simultaneously. Through knowledge transfer between tasks, EMT can enhance the solving ability of optimization tasks. However, if knowledge transfer cannot be performed well, the performance of EMT algorithm will be affected. In order to improve the quality of knowledge transfer between tasks, this paper proposes a multi-objective multi-factorial algorithm MOMFEA-SADE based on subspace alignment and adaptive differential evolution. Specifically, MOMFEA-SADE uses a subspace learning method to transform the search space of the population based on a mapping matrix, thereby reducing the possibility of negative