15、云小站部署与任务卸载的多目标优化：MGW算法的研究与应用

云小站部署与任务卸载的多目标优化：MGW算法的研究与应用

在云计算环境中，云小站部署与任务卸载的多目标优化（MOCT）是一个关键问题，它涉及到平衡用户体验质量（QoE）和网络部署成本等多个相互冲突的目标。本文将介绍一种名为MGW的算法，并通过与其他经典和最新算法的对比，展示其在MOCT问题上的优越性。

MGW算法原理

MGW算法在搜索过程中，通过猎物包围、螺旋运动、猎物搜索或差分进化（DE）操作来更新每条鲸鱼的位置。其核心更新公式如下：
$$S^{t + 1}_i[j] = S[j] + F(S’[j] - S[j])$$

在算法执行过程中，具体步骤如下：
1. 初始化 ：使用RFSCA初始化鲸鱼位置，并初始化存档。
2. 更新鲸鱼位置 ：
- 若采用前两种方法（猎物包围、螺旋运动），需先从存档中具有最大拥挤距离的解中随机选择一个领导者$S^ $，其比例由$\varsigma$表示。
- 若使用猎物搜索，需先从当前种群中随机选择一条鲸鱼。
- 若选择DE操作，需先从存档中随机选择三个或两个互不相同的解。
3. 位置修复 ：如果新位置无效，使用SR进行修复。
4. 存档更新 ：更新所有鲸鱼的位置后，用它们更新存档。在每一代中，以概率$\rho$计算鲸鱼位置的相反解，并用于更新存档。新存档包含从鲸鱼位置、其相反解和旧存档中识别出的非支配解。若新存档大小超过其容量，则移除拥挤距离最小的一些解。
5. 终止