计算机论文哪里有？本文针对边缘计算的任务调度难题和工业互联网中数据处理难度和边缘节点计算资源闲置问题，搭建了一个任务-决策平台-节点三方调度平台，并设计一个调度算法实现任务合理分配。
第一章 绪论
1.2 国内外研究现状
边缘计算是靠近用户“最后一公里处”的接入范式，有先天的数据源优势。为了充分利用边缘数据丰富这一得天独厚的优势，许多领域都推行众包激励来吸引用户参与任务外包，譬如Google的频谱识别数据库（Google Spectrum Database）即通过用户端设备的频谱进行数据感知，并及时整合上传的数据进行系统更新，同时给予相应奖励金额，频谱共享[12][13]的方式有效地解决了频谱资源短缺的难题。此类奖励机制[5][12][14]在移动众包任务中非常普遍。文献[12]中Wang等人研究了移动频谱共享的激励机制，通过评估参与者的贡献度进行差别奖励，动态调整奖励金数额，文献[14]提出电动车共享充电价格博弈机制。类似的工作还有文献[1][15]，文献[1]提出了共享网络接入点，将移动用户通过手机蓝牙或WiFi热点直连组成UPNs用户接入点网络，相互提供互联网连接能力，支持多路径多跳接入，实现网络效用最大化。文献[16]共享网络带宽，协助数据下载任务，如视频下载任务，可以很好地提升用户体验。文献[17]提出了新能源共享的供求博弈框架。
除了上述资源共享的移动众包方式，更为常见的是将感知任务下放到移动用户端，譬如地理位置更新[7][18]、车联网感知[19]等涉及个人隐私信息的任务，通过一定的奖励机制，既可驱动用户的积极性，还可获得更加丰富的数据以训练出更加优秀的AI模型。许多研究工作人员提出了非常有效的框架，有些较为侧重于任务调度策略优化的相关工作，如文献[1] [6][10][16][20]，文献[1]中网络效应最大化的任务调度，即通过分布式决策机制将决策下放到边缘agent，最大化集成所有可利用的资源，在不完全信息下达到纳什均衡。
第三章 面向多任务决策的多方需求调度
3.2 框架设计
调度平台如图3-1所示，假设在工业互联网场景中，有多个数据分析需求方（如超市检测是否戴口罩、马路检测是否佩戴头盔、居民区检测是否本区住户等等），同时在需求方的一定范围内部署了一定数量的边缘节点作为资源供给方，每一个节点都配置了优势各异、训练优秀的AI模型，例如支持向量机模型、卷积神经网络、深度学习等等，每个节点的处理速度可能不一致，每个节点的AI模型也可能不一致。需求方与供给方通过决策平台进行交易，其主要过程有四，可参考图3-1：
（1）步骤1:购买者（任务方）将任务要求（包括数据大小、任务难度、完成精度、限定时间、预算等）发布到决策平台。
（2）步骤2:工作者（配置了AI模型的工作节点）根据自身性能（处理速度、模型精度、稳定性等）以及竞拍的任务的要求进行报价。
（3）步骤3:决策平台根据购买者的任务信息以及工作者的性能和竞价进行调度决策。在决策过程中，根据满足任务要求精度以及限定时间内完成的原则选择竞价节点执行任务，实现收益最大化，在此基础上，协调全网节点达到负载均衡。
（4）步骤4:任务完成之后，评估任务完成质量，精度是否达标，时间是否超时，并据此计算外包服务费用，同时动态更新节点历史声誉（Reputation）。
第四章 基于遗传算法的多方需求调度
4.1 引言
在任务-决策平台-节点三方调度平台中，从任务方的视角看，偏向于交付价格低的节点执行任务，从节点的视角看，希望收益越高越好，这便是双方矛盾点所在。面对双方的矛盾，如何使总体收益最大化的同时优化平台负载均衡成为重点解决的问题。
首先，每个任务对于限定完成时间以及精度都有明确的要求，若要使购买者的个人效益达到最大化，必然是要在满足任务要求的原则上选择最低价格的节点执行任务。其次，节点报价太高会导致任务方负担不起而另选其他，而这种情况下节点收益等同于零。再从第三章中公式（3-22）、（3-23）、（3-24）可知，平台将根据任务完成质量进行评估，节点完成的任务精度不达标或是出现超时的情况都会进行金额惩罚，此时节点除去自身成本还有额外的损失，无论是节点自身收益，还是平台总体收益，都违背了收益最大化原则。
另一方面，只有任务方不理性的情况下，才会牺牲自己的精度要求或违背自己声明的限定完成时间，选择报价最低的节点执行任务，一味地追求付费最低。故本文认为每一个任务方都是理智的，工作节点收益最大化的情况是当且仅当执行满足精度要求并且在最大限定时间内完成的任务。那么，总体收益最大化即所有任务都分配到满足任务要求的节点上执行，物尽其用，达到边缘节点利用率最大化。
4.2 基于遗传算法的多任务调度优化
为使任务调度合理且高效，经过充分理论以及实践证明，对于这类NP-Hard的非凸优化问题，本文采用了经典元启发式算法——遗传算法求解最优分配策略。比起贪婪算法，遗传算法可经过选择、交叉、变异三个重要过程淘汰弱适应度的个体，高效快速地找到全局最优解或是近似最优解。为更加契合本平台的模型结构，本文将遗传算法设计如下：
（1）首先进行参数初始化，初始种群以随机方式产生。编码时任务由非负数表示，第一位编码0表示任务0，第二位编码1则为任务1，依次类推，数字大小并无时间先后之分。若网络为퐾∗푁（퐾个任务，푁个工作节点），则一个任务编码占1位，一个种群的个体编码共퐾位。
（2）将初始种群中的个体进行适应度评估，在平台中将采用由公式（4-1）计算得出的分配值来衡量个体的适应度：
（3）基于上述分配值，在所有种群中通过轮盘赌以一定概率选择个体，根据公式（3-17）的节点评估分配值可知，决策平台会倾向于将任务分配给合理的节点，分值越高则合理性越高，即个体适应性越强。表现越优秀的个体被选中的概率也越大，即被淘汰的概率越低。
第五章 总结与展望
5.2 展望
本论文针对工业互联网场景中资源分配问题，分别从任务角度和计算资源角度出发并设计了一个高效合理的决策平台和任务调度方案。但工业互联网中依旧存在很多问题需要解决：
（1）本论文的任务调度是通过决策平台实现，决策平台掌握任务以及工作节点的所有信息，在获得全局信息下进行决策。但是未考虑相关安全问题，后续可以在提高安全性上进行深入研究，减少决策平台可以获得的信息或考虑在无平台的情况下任务与工作节点双方对接完成调度。
（2）本论文中的任务都是完整的一个个体，任务执行时没有考虑任务分割，后续研究中，可以在任务分割上做合理约束，将一个完整的任务分割成数个子任务进行调度。
参考文献（略）
