16、云小站部署与任务卸载多目标优化及安全TinyML探索

云小站部署与任务卸载多目标优化及安全TinyML探索

云小站部署与任务卸载多目标优化

在云小站部署和任务卸载的场景中，目标是最小化用户的能源消耗、任务响应延迟以及部署的云小站数量。这一优化问题是一个复杂的混合整数非线性规划问题，属于NP完全问题。

为了解决这个问题，提出了一种改进的引导种群存档鲸鱼优化算法。该算法设计了对鲸鱼位置进行编码、初始化和修复的有效方法，还采用了基于广义和准对立的学习方法以及差分进化中的变异和交叉操作，以提高其优化能力。

不同AP数量下的性能比较

当M = 240、L = 40且ϕc = 25 GHz时，不同AP数量（N）下各算法的性能对比如表1所示：
| N | Method | IGD | HV | Time (s) |
| — | — | — | — | — |
| 100 | NSGA - II | 0.2412 | 0.5601 | 286.13 |
| 100 | MOPSO | 0.2495 | 0.5652 | 213.9 |
| 100 | MOGWO | 0.2574 | 0.5363 | 80.86 |
| 100 | MODE | 0.042 | 0.9253 | 131.5 |
| 100 | GPAWOA | 0.2363 | 0.5577 | 52.29 |
| 100 | MGW | 0.0289 | 0.9279 | 117.59 |
| 110 | NSGA - II | 0.2351 | 0.5619 | 287.29 |
| 110 | MOPSO | 0.2338 | 0.585 | 210.