MATLAB：求解移动边缘计算的任务卸载与资源调度的差分进化算法https://mbd.pub/o/bread/mbd-ZZqWlZ1v
移动边缘计算（MEC）里有个头疼的问题：用户设备电量有限，任务处理又急着要结果。这时候就得把任务拆成两部分，一部分本地算，另一部分丢到边缘服务器去。但怎么拆？服务器资源怎么分配？这事儿要是用传统优化方法，搞不好得算到手机没电还没结果。
差分进化算法（DE）这玩意儿挺有意思的，跟遗传算法算亲戚但更简单粗暴。咱们直接上MATLAB代码看看怎么玩转这个调度问题。先来个目标函数，这里要考虑时延和能耗两大指标：
function cost = objective(x) % x(:,1): 卸载比例 [0,1] % x(:,2): 分配的CPU频率 [0.5, 2]GHz local_time = (1-x(:,1)) .* task_size ./ local_cpu; server_time = x(:,1) .* task_size ./ (x(:,2)*1e9) + transmission_delay; total_time = max(local_time, server_time); % 并行执行取最大值 local_energy = (1-x(:,1)) .* task_size .* local_power; transmission_energy = x(:,1) .* task_size .* tx_power; total_energy = local_energy + transmission_energy; cost = alpha*mean(total_time) + (1-alpha)*mean(total_energy); % 加权目标 end这个函数把时间延迟和能耗揉成了个加权和，alpha参数就是个调节旋钮——想省电就调低，急着要结果就调高。注意max函数这里用得贼妙，本地和服务器处理其实是并行的，所以总时间不是简单相加而是取最大。
种群初始化这块儿，DE比传统GA省事得多。直接上均匀分布随机数，记得约束条件别越界：
pop_size = 50; dim = 2; % 卸载比例 + CPU分配 lower_bounds = [0, 0.5]; upper_bounds = [1, 2]; population = rand(pop_size, dim) .* (upper_bounds - lower_bounds) + lower_bounds;看到没？不需要搞什么二进制编码，实数向量直接开干。每一行个体都包含两个决策变量，这种表示方式对后续操作特别友好。
变异操作是DE的灵魂，这里用经典的DE/rand/1策略：
F = 0.8; % 变异因子 for i = 1:pop_size candidates = randperm(pop_size,3); while any(candidates == i) candidates = randperm(pop_size,3); % 确保三个不同个体 end mutant = population(candidates(1),:) + F*(population(candidates(2),:) - population(candidates(3),:)); mutant = min(max(mutant, lower_bounds), upper_bounds); % 越界处理 end这个随机选三个不同个体的操作，保证种群多样性。注意越界处理不是简单截断，其实可以试试反射边界或者随机重置，不过这里图省事用了min-max。
MATLAB：求解移动边缘计算的任务卸载与资源调度的差分进化算法https://mbd.pub/o/bread/mbd-ZZqWlZ1v
交叉操作来个二项式交叉，增加扰动：
CR = 0.9; % 交叉概率 trial = zeros(size(population)); for j = 1:dim if rand() < CR || j == randi(dim) % 至少交叉一个维度 trial(:,j) = mutant(:,j); else trial(:,j) = population(:,j); end end这个强制至少交叉一个维度的操作很关键，避免无效更新。实际跑的时候会发现CR设0.9可能偏高，有时候降到0.6反而收敛更快，得看具体问题。
最后的选择阶段简单粗暴——胜者通吃：
new_cost = arrayfun(@(k) objective(trial(k,:)), 1:pop_size); old_cost = arrayfun(@(k) objective(population(k,:)), 1:pop_size); replace_mask = new_cost < old_cost; population(replace_mask,:) = trial(replace_mask,:);这里用arrayfun代替循环是MATLAB的向量化技巧，但数据量大时可能会爆内存。如果遇到OOM错误，还是老老实实用for循环吧。
跑个200代看看收敛情况，把alpha设为0.7（偏重降低时延），最后得到的帕累托前沿呈现出明显的时间-能耗权衡关系。有意思的是，当任务量超过某个阈值时，卸载比例会突然跳到90%以上——这和理论上的临界计算量公式吻合。
实际部署时还得考虑信道质量动态变化，这时候可以把DE改成自适应参数的版本。下次可以试试把F和CR参数也作为进化变量，让算法自己动态调整，没准能更快跳出局部最优。不过MATLAB的全局优化工具箱已经内置了DE实现，想偷懒的话可以直接调ga函数，把算法类型设为'DE'就行。
