💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：
👉👉👉本文完整资源下载
⛳️座右铭：行百里者，半于九十。
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥第一部分——内容介绍
基于多种改进粒子群算法的深度神经网络边缘计算卸载策略研究
摘要
随着人工智能终端设备的普及，深度神经网络（DNN）推理任务的海量算力需求与终端设备算力、功耗受限的矛盾日益凸显。边缘计算通过将网络计算资源下沉至用户终端侧，为DNN任务分布式卸载提供了技术支撑，可有效降低终端负载、减少任务推理时延。然而，多终端、多边缘节点协同场景下的DNN分层卸载、资源分配问题属于典型的NP难组合优化问题，传统优化方法难以适配动态复杂的边缘环境。粒子群优化算法作为经典的元启发式算法，凭借结构简单、寻优高效、适配性强的优势，被广泛应用于任务卸载策略优化领域。为进一步解决传统粒子群算法易早熟收敛、局部寻优能力弱、动态适配性差的缺陷，各类改进粒子群算法被逐步应用于DNN卸载场景。本文系统研究基于多种改进粒子群算法的DNN边缘计算卸载策略，首先构建边缘计算DNN卸载场景模型与优化目标，随后分类阐述自适应权重粒子群算法、混合遗传粒子群算法、模拟退火粒子群算法、多目标改进粒子群算法的优化原理与卸载适配逻辑，从收敛性能、动态适配能力、资源利用率、任务时延与能耗五个维度对比各类算法的优劣与适用场景。最后总结当前改进粒子群算法在DNN卸载领域的应用瓶颈，并展望未来轻量化、动态化、多协同的算法优化方向，为边缘智能场景下DNN高效卸载策略的设计提供理论参考。
关键词：边缘计算；深度神经网络；任务卸载；粒子群算法；启发式算法；资源优化
第一章 绪论
1.1 研究背景与意义
在物联网、智能感知、自动驾驶等技术快速迭代的背景下，深度神经网络已成为终端智能推理的核心技术支撑，广泛应用于图像识别、语音处理、环境感知等各类终端场景。但深度神经网络具备层数多、参数量大、计算密集度高的特点，轻量化终端设备受限于硬件成本、体积与功耗约束，难以独立完成大规模DNN实时推理任务，普遍存在推理时延高、设备能耗大、算力不足等问题，严重制约了终端智能应用的落地体验。
边缘计算架构将云计算中心的计算、存储、网络资源下沉至靠近终端的网络边缘侧，通过终端-边缘-云端三级协同架构，实现DNN任务的分层拆分与分布式卸载，有效弥补了终端算力短板，规避了云端远距离传输带来的高时延、高带宽损耗问题，成为支撑边缘智能落地的核心架构。在多终端、多边缘节点共存的复杂场景中，不同终端的DNN任务优先级、算力需求、时延约束存在差异，边缘节点的计算资源、通信带宽、负载状态动态波动，如何合理制定任务卸载比例、节点分配、资源调度策略，实现系统时延、能耗、资源利用率的综合最优，是边缘DNN卸载领域的核心研究难题。
边缘DNN卸载优化属于高维度、非凸、动态约束的组合优化问题，传统枚举法、贪心算法、线性规划算法存在寻优范围有限、动态适配性差、极易陷入局部最优等缺陷，无法适配复杂边缘场景的优化需求。元启发式算法凭借全局寻优能力强、无需严格数学建模、适配非线性约束场景的优势，成为任务卸载优化的主流解决方案。其中粒子群优化算法参数少、迭代效率高、实时性强，更适配边缘场景的轻量化调度需求，但传统粒子群算法存在早熟收敛、后期寻优精度不足、动态环境适应性弱等缺陷，难以满足高精度、动态化的DNN卸载优化需求。
基于此，各类改进粒子群算法通过权重优化、算法融合、多目标改造、局部搜索增强等方式，弥补了传统算法的性能短板，适配不同复杂度的边缘DNN卸载场景。本文通过系统性对比多种主流改进粒子群算法的优化机制与卸载应用效果，明确不同算法的适配场景与性能优势，为边缘智能场景下高效、稳定的DNN卸载策略设计提供理论支撑与技术参考，具备重要的理论研究价值与工程应用意义。
1.2 国内外研究现状
在边缘计算任务卸载研究领域，国外学者较早开展了启发式算法的应用研究，初步验证了粒子群算法在任务资源调度中的可行性。早期研究多采用传统粒子群算法求解单目标卸载优化问题，以时延最小或能耗最低为单一优化目标，实现简单场景下的任务调度优化。但随着边缘场景的复杂化，多终端、多任务、多约束的场景特性凸显，传统粒子群算法性能短板逐渐暴露，出现收敛精度下降、调度方案适配性不足等问题。为此，国外研究团队陆续提出混合优化框架，将模拟退火、遗传算法等优化机制与粒子群算法结合，提升算法的全局寻优能力与动态稳定性，初步实现了多约束场景下的任务卸载优化。
国内学者聚焦边缘智能专属场景，针对DNN任务分层、算力密集、时延敏感的特性，对粒子群算法进行针对性改进。部分研究通过自适应调整惯性权重与学习因子，适配DNN任务动态到达的场景，提升算法实时调度能力；部分研究构建多目标改进粒子群算法，兼顾DNN推理时延、终端能耗、边缘资源利用率等多重指标，实现系统综合性能最优；还有研究将深度学习特征提取机制与粒子群寻优结合，优化粒子搜索区域，提升复杂DNN卸载场景下的收敛效率。目前，改进粒子群算法已成为边缘DNN卸载策略优化的核心方法，但现有研究缺乏对各类改进算法的系统性对比分析，各类算法的适配边界、性能优劣缺乏统一梳理，难以支撑复杂场景下的算法选型与策略优化。
1.3 研究内容与结构安排
本文主要研究内容包括：梳理边缘计算DNN卸载的场景特性与优化约束，明确卸载策略的核心优化目标；阐述传统粒子群算法应用于DNN卸载的缺陷；系统介绍自适应权重粒子群算法、混合遗传粒子群算法、模拟退火粒子群算法、多目标改进粒子群算法的改进机制与卸载适配逻辑；从多维度对比各类改进算法的性能差异与适用场景；分析当前改进粒子群算法在DNN卸载应用中的现存问题，并展望未来研究方向。
本文整体结构安排如下：第一章为绪论，阐述研究背景、现状与研究框架；第二章为相关理论基础，介绍边缘DNN卸载原理与传统粒子群算法特性及缺陷；第三章为多种改进粒子群算法原理及卸载适配策略，详细分析各类算法的改进思路与应用逻辑；第四章为算法多维度性能对比与场景适配分析；第五章为现存问题与研究展望；最后为全文总结。
第二章 相关理论基础
2.1 边缘计算DNN卸载核心原理
深度神经网络的推理过程具备层级化、可拆分的特性，不同网络层的计算量、参数量、输入输出数据量存在显著差异，这为DNN任务的分层卸载提供了可行性。边缘计算DNN卸载的核心逻辑是：根据终端与边缘节点的实时算力、通信带宽、负载状态，将完整的DNN推理任务拆分为多个子任务，部分轻量化子任务保留在终端本地执行，计算密集型、时延敏感型子任务卸载至就近边缘节点执行，通过终端与边缘节点的协同推理，降低终端算力压力，缩短整体推理时延，减少终端能耗损耗。
边缘DNN卸载场景存在多重约束条件，也是卸载策略优化的核心难点。一是资源约束，边缘节点计算算力、通信带宽、存储资源有限，且多终端共享资源，存在资源抢占冲突；二是时延约束，智能终端的DNN推理任务多为实时业务，对端到端时延要求严苛；三是动态约束，终端任务随机到达、无线通信信道状态实时波动、边缘节点负载动态变化，静态调度策略难以适配场景变化；四是均衡约束，需兼顾任务推理质量、终端能耗、边缘资源利用率、系统稳定性等多重指标，避免单一指标最优导致整体性能失衡。
从优化本质来看，DNN卸载策略优化是在多重动态约束下，求解最优的任务拆分比例、卸载节点选择、资源分配方案，属于典型的高维动态组合优化问题，对优化算法的寻优能力、实时性、稳定性均有较高要求。
2.2 传统粒子群算法原理及卸载应用缺陷
粒子群优化算法是基于群体智能的元启发式优化算法，通过模拟鸟群觅食的群体协作行为，完成最优解迭代寻优。算法将优化问题的可行解抽象为粒子，每个粒子具备位置与速度两个属性，分别对应卸载场景中的调度方案与迭代更新趋势。所有粒子通过追踪个体历史最优解与群体全局最优解，不断迭代更新自身状态，最终收敛至全局最优解，完成卸载策略的优化求解。该算法结构简单、迭代速度快、无需复杂梯度计算，能够快速输出可行调度方案，适配边缘场景的实时调度需求，因此被广泛应用于DNN卸载优化领域。
但在复杂边缘DNN卸载场景中，传统粒子群算法存在显著缺陷，难以满足高精度调度需求。首先是早熟收敛问题，传统算法的惯性权重与学习因子为固定参数，迭代初期全局搜索能力弱，粒子易快速聚集于局部最优区域，无法遍历全部可行卸载方案，导致最终调度方案并非全局最优；其次是后期寻优精度不足，迭代后期粒子群体多样性大幅降低，局部搜索能力薄弱，难以对最优卸载方案进行精细化优化，导致时延、能耗等核心指标优化效果有限；最后是动态适配性差，固定参数无法适配边缘场景的动态负载、带宽波动，当终端任务量、边缘节点状态发生变化时，算法无法实时调整寻优策略，易出现调度方案失效、系统性能骤降的问题，无法适配动态化的DNN卸载场景。
第三章 多种改进粒子群算法原理及DNN卸载适配策略
针对传统粒子群算法在DNN卸载场景中的性能缺陷，现有研究从参数自适应优化、多算法融合、多目标改造、局部搜索增强四个维度对算法进行改进，形成了四类主流改进粒子群算法，分别适配不同复杂度、不同约束条件的边缘DNN卸载场景。本章系统阐述各类改进算法的核心改进机制，以及对应的DNN卸载调度逻辑与策略优势。
3.1 自适应权重改进粒子群算法
自适应权重粒子群算法的核心改进思路是突破传统算法固定惯性权重、固定学习因子的局限，根据算法迭代进程与边缘场景实时状态，动态调整核心参数，平衡算法的全局搜索与局部挖掘能力，适配DNN动态卸载场景。惯性权重直接决定粒子的全局搜索范围，迭代初期设置较大权重，可扩大粒子搜索区间，遍历更多DNN卸载方案，避免早熟收敛；迭代后期逐步减小权重，强化粒子局部精细化搜索能力，提升最优卸载方案的求解精度。同时，自适应学习因子可根据边缘节点负载、任务时延余量动态调整个体学习与群体学习权重，让粒子在负载较高时优先参考全局最优稳定调度方案，负载较低时自主探索更优卸载策略。
在DNN卸载应用中，该算法以任务推理时延、终端能耗为核心优化指标，将DNN任务拆分比例、边缘节点资源分配比例作为粒子位置变量，通过参数自适应迭代，动态输出适配当前场景状态的最优卸载策略。当终端DNN任务批量到达、边缘资源紧张时，算法自动提升全局搜索权重，快速筛选低时延、低冲突的卸载方案；当场景负载稳定时，强化局部寻优，精细化优化资源分配比例，提升资源利用率。该算法结构改动小、计算复杂度低、实时性强，无需额外复杂运算，适配轻量化、高实时性的单目标或弱多目标DNN卸载场景，是小规模边缘终端集群卸载调度的优选算法。
3.2 混合遗传粒子群算法
遗传算法具备优秀的全局遍历与种群变异能力，可有效解决粒子群算法种群多样性不足、易陷入局部最优的问题。混合遗传粒子群算法将遗传算法的选择、交叉、变异机制融入粒子群迭代流程，结合粒子群算法高效迭代的优势与遗传算法全局寻优的优势，大幅提升复杂场景下的寻优性能。其核心改进逻辑为：在粒子群迭代更新后，引入遗传算法的选择机制，保留优质卸载调度粒子，淘汰性能较差的冗余粒子；通过交叉操作实现不同粒子的调度方案融合，生成全新的DNN卸载组合策略，丰富种群多样性；通过变异操作打破局部最优桎梏，跳出固化调度方案，拓展全局寻优范围。
在DNN卸载场景中，多终端、多边缘节点场景下的卸载方案组合数量庞大，传统粒子群算法极易陷入局部最优，出现部分边缘节点负载过高、部分资源闲置的失衡问题。混合遗传粒子群算法通过种群变异与方案融合，可充分遍历多终端协同卸载的可行方案，有效规避局部最优问题，实现多节点资源的均衡调度。同时，该算法可适配DNN多分支、多层级的拆分特性，优化不同网络层的卸载节点分配方案，大幅提升复杂DNN任务的整体推理效率。该算法适配中大规模边缘集群、多终端并发卸载场景，相较于自适应权重算法，全局寻优能力更强，可有效解决复杂场景下的调度失衡问题。
3.3 模拟退火粒子群算法
模拟退火算法基于金属退火原理，具备概率性跳出局部最优的特性，可有效弥补粒子群算法迭代后期寻优僵化的缺陷。模拟退火粒子群算法将模拟退火机制引入粒子群迭代流程，构建“全局迭代+概率择优”的双层寻优架构，进一步提升算法的稳定性与全局寻优能力。其核心改进机制为：在粒子完成速度与位置更新后，引入模拟退火的概率接收准则，对于迭代后性能更优的DNN卸载方案直接保留；对于性能略有下降的次优方案，以一定概率接收，避免算法过度收敛、丢失潜在的全局最优解，解决传统粒子群算法后期种群僵化、无法突破局部最优的问题。
在DNN卸载调度中，边缘无线信道的随机波动、任务突发到达会导致最优卸载方案动态切换，部分次优调度方案在后续场景变化中可能转化为最优方案。模拟退火粒子群算法通过概率接收机制，保留更多潜在优质调度方案，提升算法对动态扰动场景的适配能力，增强卸载策略的稳定性。同时，该算法在迭代后期可持续优化调度细节，精细化调整DNN子任务卸载比例与通信资源分配，有效降低系统整体时延与能耗。该算法适配信道波动剧烈、任务突发性强的动态边缘卸载场景，调度稳定性显著优于传统改进算法。
3.4 多目标改进粒子群算法
传统及单一改进粒子群算法多针对单目标优化设计，难以兼顾DNN卸载场景中时延、能耗、资源利用率、任务成功率等多重冲突优化指标。多目标改进粒子群算法基于帕累托最优理论，重构粒子适应度评价机制与迭代更新规则，突破单目标优化的局限性，实现多约束、多指标的协同最优。其核心改进思路是：摒弃单一指标适应度计算方式，构建多维度综合适应度评价体系，对每个DNN卸载方案从推理时延、终端能耗、边缘节点负载率、资源利用率四个维度进行综合评估；引入帕累托支配关系筛选非劣解，形成最优卸载方案解集，而非单一最优解；同时优化粒子更新策略，兼顾各优化目标的平衡，避免单一指标最优导致其他指标恶化。
在实际DNN卸载场景中，各优化目标存在天然冲突，例如极致降低时延可能会增加通信能耗，最大化资源利用率可能会提升任务排队时延。多目标改进粒子群算法可根据场景需求，在多组非劣最优方案中灵活选择适配的调度策略，实现多指标动态平衡。例如对自动驾驶等时延敏感场景，可优先选择时延最优方案；对低功耗物联网场景，可优先选择能耗最优方案。该算法适配高复杂度、多约束、多需求的工业级边缘智能卸载场景，是目前高精度、高适配性DNN卸载调度的核心算法。
第四章 改进粒子群算法多维度性能对比与场景适配分析
4.1 核心性能维度对比
本文从收敛速度、寻优精度、动态适配性、算法复杂度、场景适配性五个核心维度，对四类改进粒子群算法在DNN卸载场景中的应用性能进行系统性对比，明确各算法的性能优劣。
收敛速度方面，自适应权重粒子群算法参数调整逻辑简单、迭代流程简洁，无额外复杂运算，收敛速度最快，可快速输出实时调度方案，适配高实时性调度需求；模拟退火粒子群算法引入概率判断机制，迭代流程略有增加，收敛速度次之；混合遗传粒子群算法的交叉、变异操作会增加种群迭代复杂度，收敛速度较慢；多目标改进粒子群算法需进行多维度适应度计算与非劣解筛选，计算量最大，收敛速度最慢。
寻优精度方面，多目标改进粒子群算法可实现多指标协同优化，综合寻优精度最高，输出的卸载方案综合性能最优；模拟退火粒子群算法凭借概率跳出机制，可实现高精度全局寻优，单指标优化精度突出；混合遗传粒子群算法种群多样性强，全局寻优能力优异，可有效避免局部最优；自适应权重粒子群算法仅优化参数迭代规则，寻优精度提升有限，四类算法中精度最低。
动态适配性方面，模拟退火粒子群算法对信道波动、任务突发等动态扰动的耐受能力最强，调度稳定性最高；多目标改进粒子群算法可适配多场景需求切换，动态适配灵活性最优；自适应权重粒子群算法可适配常规负载动态变化，但抗强扰动能力较弱；混合遗传粒子群算法种群更新相对固化，动态适配性能相对薄弱。
算法复杂度方面，自适应权重粒子群算法复杂度最低，轻量化优势显著，硬件部署成本低；模拟退火与混合遗传粒子群算法复杂度中等，可适配常规边缘节点部署；多目标改进粒子群算法复杂度最高，对边缘节点算力资源要求较高。
4.2 场景适配性分析
结合各算法的性能特征，可明确差异化场景适配方案。小规模、轻量化边缘终端集群，如家用智能感知、小型物联网终端场景，终端数量少、任务类型单一、场景扰动小，对调度实时性要求高、精度要求适中，优先选用自适应权重粒子群算法，可在低算力损耗的前提下实现高效卸载调度。
中大规模多终端协同边缘场景，如园区智能监测、城市感知网络，终端数量多、DNN任务并发量大、资源调度冲突明显，核心需求是规避局部最优、实现资源均衡分配，适合采用混合遗传粒子群算法，依托其强全局寻优能力，解决多节点调度失衡问题。
高动态、强扰动边缘场景，如车载边缘、无人机智能感知场景，无线信道波动频繁、任务突发性强、调度环境不稳定，对卸载策略的稳定性与抗干扰能力要求极高，优先选用模拟退火粒子群算法，可有效适配动态场景变化，保障推理任务稳定执行。
高精度、多约束工业级边缘智能场景，如工业视觉检测、自动驾驶推理场景，需要同时满足低时延、低能耗、高资源利用率、高任务可靠性等多重需求，场景约束复杂、优化目标多元，需采用多目标改进粒子群算法，通过帕累托最优解集实现多指标动态平衡，输出综合最优的卸载策略。
第五章 现存问题与研究展望
5.1 现存研究问题
通过对各类改进粒子群算法的原理与应用分析，当前基于改进粒子群算法的DNN边缘卸载策略研究仍存在诸多不足。一是算法轻量化与高精度难以兼顾，高精度改进算法如多目标、混合遗传粒子群算法计算复杂度较高，对边缘节点算力资源要求严苛，难以部署在轻量化边缘设备；而轻量化改进算法寻优精度有限，无法满足工业级高精度调度需求。
二是算法动态自适应能力仍有不足，现有改进算法多针对场景静态特征优化，对极端负载突变、信道剧烈波动、突发大规模任务等复杂动态场景的适配能力有限，极易出现调度方案失效、系统性能骤降的问题。
三是DNN任务特性结合度不足，多数改进算法仅将DNN任务作为普通计算任务调度，未充分结合DNN层级化、可拆分、计算差异化的核心特性，无法针对性优化不同网络层的卸载策略，导致调度方案与DNN推理特性适配性不足，资源浪费问题突出。
四是多算法融合智能化程度低，现有混合改进算法多为简单机制叠加，缺乏智能融合策略，无法根据场景变化自主切换优化机制，算法冗余度高、优化效率有限。
5.2 未来研究展望
针对当前研究存在的问题，未来可从四个方向开展深入研究。一是轻量化高精度改进算法研究，结合DNN任务稀疏性、层级化特性，对粒子群算法的迭代流程、种群结构进行轻量化裁剪，剔除冗余计算，在保证寻优精度的同时降低算法复杂度，适配轻量化边缘设备部署需求。
二是智能动态自适应优化机制研究，引入深度学习场景感知机制，实时提取边缘场景的负载状态、信道质量、任务特征，实现算法参数、优化机制的自主动态调整，大幅提升算法对极端动态场景的适配能力，保障卸载调度的稳定性与实时性。
三是DNN特性深度融合的定制化卸载策略研究，针对不同网络层的计算量、时延敏感度、数据传输量差异，构建分层差异化的粒子群优化模型，实现DNN子任务的精准拆分与定向卸载，最大化挖掘边缘协同推理的性能优势。
四是多算法智能融合框架研究，构建场景驱动的多算法自适应融合体系，根据边缘场景复杂度、任务特征自主选择单一改进算法或多算法融合机制，规避算法冗余问题，提升复杂场景下的卸载优化效率与综合性能。
第六章 总结
本文聚焦边缘计算场景下深度神经网络卸载策略优化问题，以多种改进粒子群启发式算法为核心研究对象，系统开展了理论分析、算法对比与场景适配研究。首先阐述了边缘DNN卸载的核心原理与优化难点，分析了传统粒子群算法在卸载场景中的应用缺陷。随后重点研究了自适应权重、混合遗传、模拟退火、多目标四类主流改进粒子群算法的核心改进机制，结合DNN任务特性阐述了各算法的卸载调度逻辑与优化优势。通过多维度性能对比，明确了各类算法在收敛速度、寻优精度、动态适配性、复杂度上的性能差异，完成了差异化场景适配划分。最后总结了当前改进粒子群算法在DNN卸载应用中存在的轻量化矛盾、动态适配不足、任务特性结合度低等问题，并提出了针对性的未来研究方向。
本文的研究成果系统梳理了改进粒子群算法在边缘DNN卸载领域的应用体系，明确了不同算法的选型依据与适配场景，可为边缘智能卸载策略的设计、算法的优化选型提供理论支撑，对推动启发式算法在边缘计算智能调度领域的落地应用具有重要意义。
📚第二部分——运行结果
运行时间较长需要耐心等待哦！
部分代码：
%% 清空环境
clc
clear
close all
for num=1:20 %进行20次实验测试
runspped=1715265866.21;
lab=["vgg11","vgg13","vgg16","vgg19","googlenet","darknet53","fuse"];
file_name="测试结果"+string(num);
mkdir(file_name)
for i=1:6
X=xlsread("./params.xlsx",i); %读取的数据(输入修改）
task_num=size(X(:,9),1);
execution_time(1:task_num,1)=(X(:,9)/sum(X(:,9)))*1; %云服务器1执行时间
execution_time(1:task_num,2)=(X(:,9)/sum(X(:,9)))*1.3; %边缘服务器2执行时间
execution_time(1:task_num,3)=(X(:,9)/sum(X(:,9)))*1.4; %边缘服务器3执行时间
execution_time(1:task_num,4)=(X(:,9)/sum(X(:,9)))*2; %本地终端执行时间
%execution_time(:,:)=execution_time(:,:).*X(1,10);
execution_time(:,:)=execution_time(:,:).*sum(X(:,9))./(4*runspped*0.001);
narvs = size(X(:,9),1)+7; %目标函数的自变量个数
task_out=X(:,8);
task_in=X(1,4);
task=xlsread("./task.xlsx",i);
floot_num(i)=sum(X(:,9));
%% 初始化设置
if narvs<30
MaxNum = 300; % 粒子最大迭代次数
else
MaxNum=narvs*10;
end
%% 不卸载LOPSO
narvs=task_num+7;
x=zeros(1, narvs); % 粒子所在的位置
LO=object_value(x,task,execution_time,task_num,task_out,task_in);
disp("不卸载策略结果：");LO
LO_result_data=object_result_data(x,task,execution_time,task_num,task_out,task_in);
%% 基于云服务器的完全卸载（FOCPSO）
[FOC,FOC_strategy]=FOCPSO(task,execution_time,task_num,task_out,task_in);
disp("基于云服务器的完全卸载:");FOC
FOC_result_data=object_result_data(FOC_strategy,task,execution_time,task_num,task_out,task_in);
%% 基于端云的部分卸载（POPSO）
[PO,PO_strategy]=POPSO(task,execution_time,task_num,task_out,task_in,LO,MaxNum);
disp("基于端云的部分卸载:");PO
PO_result_data=object_result_data(PO_strategy,task,execution_time,task_num,task_out,task_in);
%% 端-云-边多重资源卸载策略（MRPSO）
[MR,MR_strategy] = MRPSO(task,execution_time,task_num,task_out,task_in,LO,MaxNum);
disp("端-云-边卸载策略:");MR
MR_result_data=object_result_data(MR_strategy,task,execution_time,task_num,task_out,task_in);
%% 结果存储
result(i,:)=[LO FOC PO MR];
purchase_cost(i,:)=[LO_result_data(1) FOC_result_data(1) PO_result_data(1) MR_result_data(1)];
completion_time(i,:)=[LO_result_data(2) FOC_result_data(2) PO_result_data(2) MR_result_data(2)];
Power_Cost(i,:)=[LO_result_data(3) FOC_result_data(3) PO_result_data(3) MR_result_data(3)];
%% 卸载方案存储
lables=["LOPSO";"FOCPSO";"POPSO";"MRPSO"];
strategy(1:4,:)=[zeros(1, narvs);FOC_strategy;PO_strategy;MR_strategy];
strategy=[lables,strategy];
strategy_name=lab(i);
xlswrite('./'+file_name+'/'+strategy_name+'.xls',strategy);
clear strategy;
end
%% 适应度值对比图
figure();
b=bar(result);
grid on;
xlabel('DNNs')
legend('LOPSO','FOCPSO','POPSO','MRPSO')
set(gca,'XTickLabel',{'vgg11','vgg13','vgg16','vgg19','googlenet','darknet53','fuse'})
title("适应度值对比图");
%% 云配置价格、执行时间、能耗对比图
🎉第三部分——参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
🌈第四部分——本文完整资源下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取
本文完整资源下载
