基于移动雾计算的线上订单任务资源优化分配.pdfVIP

基于移动雾计算的线上订单任务资源优化分配

刘星，王铮，仲怡

（郑州航空工业管理学院，郑州450000）

摘要：在物联网环境下，线上订单处理的可移动设备存在计算能力有限、内存限制和计算延迟

等缺点。通过引入移动雾计算（MobileFogComputing）优化线上订单任务，运用模糊聚类算法对

雾节点进行聚类，运用贪心算法对聚类后的任务资源进行优化调度，使用VisualStudio工具对贪

心算法进行调节和运行，得出任务调度匹配结果，提高平台运营效率。结合丹尼斯某超市线上订

单的实际数据，对雾节点任务资源调度执行时间进行分析，结果表明该算法具有可行性和实

用性。

关键词：移动雾计算；线上订单；贪心算法；任务分配

1概述3基于移动雾计算的任务资源分配

物联网是当今新兴的技术和产业。物联网面临的主3.1模糊聚类方法

要挑战包括延迟、空间限制、间歇不间断的服务和安全使用模糊聚类方法作为决策者来处理雾节点存储

[1~2]和运算带来的挑战。它可以优化雾计算中任务资源调

性在内的问题都有待解决。移动雾计算是一种使应

用程序能够接近终端用户并在移动端运行的环境。移度的分配问题。对雾节点的属性进行模糊聚类分析的

动雾计算可以将用户设备有限的性能和需要计算的移步骤如下。

[3][4]

动应用程序之间连接起来。Foukalas找到一个基于分（1）写出聚类单元全集U的矩阵。

层架构的认知物联网平台，讨论了移动雾计算在智能（2）按照量纲判别矩阵中的数据。

[5]（3）对数据进行标准化处理，得到一个隶属度

工厂中的应用。Zhu等在雾计算环境中构建了任务分

配的时延模型与能耗模型。国内学者李炫锋和罗喜良[6]矩阵。

讨论了雾计算网络中计算节点的最优布局问题，采用启（4）根据聚类准则确定聚类中心和聚类后类别。

发式算法对计算节点进行优化布局。王志刚和赵传信[7]C-均值算法思路简单、清晰，运用起来容易理解。

针对雾计算环境下任务合理高效调度的问题，提出一应用Matlab工具处理数据收敛快、运行速度快、消耗内

种基于雾计算的遗传蚁群算法，并将其与传统的遗传存量少，能有效地处理大的矩阵数据集。

[8]

算法和蚁群算法进行对比分析。戴志明等提出适用3.2雾节点与任务资源匹配

于智能工厂的雾计算框架，并对容器化的智能工厂应不同任务有不同的资源需求，雾节点根据聚类后的

用进行部署，采用遗传算法对智能工厂容器进行类型分为存储型和计算型。为了任务资源与雾节点的调

分配。度匹配，可以采用贪心算法借助C++程序来解决问题，

2移动雾计算具体实现思路如下。根据各类型雾节点的属性参数值来

5G系统依赖于网络功能虚拟化、定义软件网络和匹配任务，在调度任务时，对于每个任务在选取雾节点

[9~10]时采用如下贪心策略。计算每个雾节点已经分配任务的

云计算等技术，以实现系统灵活性和实际部署。一

些应用，例如，增强现实、游戏和人脸检测应用，需属性值+这个任务需要的属性值，使每个雾节点得到充

要很高的计算能力。然而，这些设备需要消耗了大量