# 边缘计算环境中基于启发式算法的深度神经网络卸载策略

**Repository Path**: vincent1232/edge-calculation

## Basic Information

- **Project Name**: 边缘计算环境中基于启发式算法的深度神经网络卸载策略
- **Description**: 边缘计算；深度神经网络；任务卸载；能耗优化；成本优化
- **Primary Language**: Matlab
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 3
- **Created**: 2023-01-04
- **Last Updated**: 2023-01-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 边缘计算环境中基于启发式算法的深度神经网络卸载策略

#### 介绍
边缘计算；深度神经网络；任务卸载；能耗优化；成本优化

#### 软件架构
近年来，深度神经网络在计算机领域应用越来越广泛，然而由于各类深度学习应用对计算能力具有较高的需求，无法运行在计算能力有限的终端设备运行中。若利用云端设备和边缘设备对不同任务进行分工协作，在提高应用响应延迟的同时可以降低终端设备的能量消耗。云端设备具有高计算能力，但数据在传输过程中往往具有较高的时延；边缘计算通过边缘服务器将各类资源下沉至更靠近终端设备侧，为终端设备提供了一定的计算资源的同时，减少网络数据流量压力。本文综合考虑基于DNNs的应用响应时间、计算能耗和租用服务器的价格，使用启发式算法设计四种不同的任务卸载策略即基于终端设备的不卸载策略、基于云服务器的完全卸载策略、基于端云的部分卸载策略和基于端—边—云的多重资源卸载策略，同时综合粒子群算法和模拟退火算法提高算法的计算效率和计算结果的精准度。通过基于模拟退火的粒子群算法使用仿真模拟实验找到在四种不同策略下的最优卸载方案，比较这几种不同卸载策略在处理不同的深度神经网络时的综合适应度值，验证了基于端—边—云的多重卸载策略在处理深度神经网络卸载问题时所具备的优越性。


#### 安装教程

1.  仿照params.xlsx输入神经网络的参数（每层输入量、输出量和浮点运算次数）
2.  仿照task.xlsx输入神经网络的网络结构（拓扑图邻接矩阵）
3.  放在.m所在文件夹下

#### 使用说明

1.  matlab 2016a及其以上版本
2.  params.xlsx
3.  task.xlsx