NOMA异构网络中MEC能量优化

非正交多址异构网络中移动边缘计算的能量最小化任务卸载与资源分配

摘要

移动边缘计算（MEC）被认为是一种有前景的技术，通过将用户计算密集型和延迟敏感型任务卸载到无线网络边缘，从而提升用户的服务质量（QoS）。此外，在异构网络（HetNets）中应用非正交多址（NOMA）技术已成为提高系统吞吐量和频谱效率的一种趋势。充分利用这些优势，本文研究了基于NOMA的异构网络中移动边缘计算的联合任务卸载与资源分配问题。为了最小化所有用户的能耗，我们联合考虑了任务卸载决策、本地CPU频率调度、功率控制、计算资源以及子信道资源分配。由于卸载决策具有组合特性，并且与资源分配之间存在强耦合，该优化问题具有挑战性。因此，我们将该问题解耦为卸载决策和资源分配两个子问题，并提出一种高效的方法，通过迭代求解这两个子问题来获得联合解。仿真结果表明，所提方法能够实现接近最优性能，在可接受的复杂度下，相较于其他基准方法在降低所有用户能耗方面表现更优。

索引词

异构网络（HetNets），移动边缘计算（MEC），非正交多址接入（NOMA），资源分配，任务卸载。

一、引言

W ITH 随着智能设备的快速发展，各种复杂的应用（例如人脸识别、自主控制和智能医疗等）变得越来越普及，这些应用通常计算密集且延迟敏感，极大地丰富了人们的生活。然而，普通的智能设备无法提供强大的计算能力来满足这些需求，且其电池容量也有限。移动边缘计算（MEC）被认为是一种应对这一挑战的关键有前景技术[1]。在移动边缘计算框架中，用户可以将计算任务卸载到无线网络边缘部署的移动边缘计算服务器，与云计算相比，这能够进一步降低任务执行的时延并节省用户的能量[2]。然而，随着移动设备数量的指数级增长，由于频谱资源有限，传统蜂窝网络无法支持大量设备同时将计算任务卸载到移动边缘计算服务器。

异构网络（HetNets）和非正交多址接入（NOMA）被认为是两种新兴技术，可提高未来无线网络的频谱效率和系统吞吐量。异构网络的基本思想是在宏小区下部署大量小小区（例如微微小区和毫微微小区），其中小小区被允许复用宏小区的子信道资源以提高频谱效率[3],[4]。由于存在同层干扰和跨层干扰，有效的干扰管理和资源分配方案在异构网络中极为重要[5],[6]。通过在接收机应用连续干扰消除（SIC），NOMA允许多个用户共享相同的子信道，同时在功率域上区分信号，从而实现比传统的正交多址接入（OMA）更高的频谱效率和更大的系统吞吐量[7]。近年来，许多研究已经证明了NOMA‐异构网络在频谱效率[8],[9],、系统吞吐量和覆盖范围[10],以及能量效率[11],[12]方面的优势。

受到上述优势的启发，MEC与NOMA‐异构网络的结合可能实现高吞吐量并支持大规模连接。最近，一些研究通过联合考虑通信与计算资源分配[13],[14]，探讨了基于NOMA的异构网络与MEC相结合的性能。然而，子信道分配在减轻异构网络中的跨层和同层干扰、提高能量效率[6],[11],[12]和频谱效率[4],[9]方面起着重要作用，而上述研究并未考虑这一因素。在移动边缘计算系统中，大量用户同时将任务卸载至MEC服务器会导致严重的通信干扰和意外的传输延迟，从而造成发射功率的浪费并增加设备的能耗。因此，合理的任务卸载与资源分配对于节省用户能耗并保证移动边缘计算系统中的服务质量（QoS）至关重要[15]–[17]。此外，卸载决策以及用户之间的计算资源竞争会影响基于NOMA的异构网络中移动边缘计算系统的子信道分配方案设计，这比传统NOMA异构网络更具挑战性[11],[12]。因此，有必要深入研究NOMA‐异构网络中移动边缘计算的联合任务卸载与资源分配（包括计算资源和通信资源分配）。

本文考虑了一个基于非正交多址（NOMA）的异构MEC网络，该网络包含一个宏基站（MBS）和多个小型基站（SBSs），每个基站（BS）均配备一个MEC服务器以服务其关联用户。每个用户可以决定在其本地执行任务，或将任务卸载至MEC服务器，这种方法通常应用于处理不可分割任务[15]–[17]。宏小区用户（MCUs）通过正交子信道将计算任务卸载至MBS。小小区用户（SCUs）则可通过NOMA协议复用宏小区的子信道，同时向其关联的小基站（SBS）卸载任务。我们主要研究该网络中的任务卸载与资源分配问题，联合考虑卸载决策、本地CPU频率调度、功率控制、计算资源以及子信道资源分配，目标是在满足任务服务质量要求（QoS requirements）的前提下最小化所有用户的能耗。由于卸载决策与资源分配之间存在强耦合关系，该问题具有挑战性，且属于混合整数非线性规划（MINLP）问题。因此，我们将该问题解耦为卸载决策和资源分配两个子问题，并提出一种高效的方法，通过迭代求解这两个子问题来获得联合解。本工作的主要贡献总结如下。

1) 我们考虑一种基于非正交多址的异构移动边缘计算网络，其中每个小基站可以通过复用宏小区的一个子信道来使用非正交多址技术为其关联的小小区用户提供服务。此外，每个用户可以选择将其计算任务卸载到MEC服务器，或在本地执行该任务。我们建立了一个联合任务卸载与资源分配问题，旨在最小化所有用户的能耗，同时保证每个任务的服务质量要求。

2) 由于所提问题是一个混合整数非线性规划(MINLP)问题，我们将原始问题解耦为卸载决策和资源分配两个子问题，并通过迭代求解这两个问题提供了一种有效的方法来寻找联合解。在固定卸载决策的情况下，通过一个迭代算法求解卸载用户的资源分配问题，该算法包括计算资源分配过程以及与功率控制耦合的子信道分配匹配博弈。此外，对本地计算用户的本地CPU频率进行了优化。然后，利用资源分配结果更新用户的卸载决策。所提方法的性质也在理论上进行了分析。

3) 我们进行了一些数值仿真，以将所提方法与几种基准方法进行比较，包括随机卸载、完全卸载、全部本地计算、基于正交多址的卸载和最优卸载。仿真结果表明，我们所提的方法能够以较低的复杂度达到接近最优方法的性能。此外，还证明了所提方法在节省用户能量方面比其他基准方法具有更高的性能。

II. 相关工作

近年来，大量研究聚焦于不同MEC场景下的任务卸载与资源分配。文献[15]研究了无线蜂窝网络中移动边缘计算的计算卸载与干扰管理问题，联合优化任务卸载和资源分配以最大化用户的任务卸载增益[16]和系统收益[17]。为了最小化系统成本，作者在车载边缘计算网络中提出了一种高效的任务卸载方案[18]。文献[19]研究了具有能量收集（EH）设备的多用户MEC系统的功耗最小化问题。Guo等[20]提出了一种高效的计算卸载管理方案，用于优化在小小区网络（SCNs）环境下MEC系统中的计算卸载决策、发射功率、频谱以及计算资源分配。

利用NOMA相对于OMA的优势，[7],[21],一些相关工作研究了NOMA与MEC技术的融合。Ding et al.[22]已证明，在MEC中应用NOMA相比基于OMA的网络可以有效降低时延和能耗。在[23]中，针对支持NOMA的多接入MEC系统，联合优化了计算卸载和资源分配以最小化任务执行时延。[24]中的作者专注于通过联合优化发射功率、传输时间分配和任务卸载划分来最小化基于NOMA网络中用户的总能耗。Xu etal.[25]研究了基于NOMA的MEC网络中多个服务器环境下的用户关联和资源分配。关于MEC与异构网络的结合，许多研究人员通过设计计算卸载机制来研究最小化能耗[26],[27]或时延[28]的问题。Zhang etal. [29]在异构MEC网络中通过联合优化CPU频率、传输功率和信道资源分配，研究了能耗与时延之间的权衡。

一些近期的研究工作探讨了融合MEC的NOMA异构网络中的资源分配问题[13],[14]。文献[13]的作者提出了一种联合无线与计算资源分配方案一种通过部分任务卸载来最小化所有用户能耗的方案。在[14],中，计算和通信资源被联合优化以最小化移动设备的总成本。在基于NOMA的异构网络中，联合子信道分配与功率控制对于提升系统性能至关重要。文献[9]和[12]分别证明了在NOMA‐异构网络中，相较于不进行子信道分配的情况，子信道分配与功率控制的联合优化能够实现更高的系统频谱效率和能量效率。因此，在基于NOMA的异构MEC网络中，子信道分配对于降低卸载用户的能耗和改善网络连接性极为重要，但这些工作[13],[14]并未考虑这一点。不同于上述研究，本文主要关注在NOMA‐异构网络中考虑任务卸载决策、本地CPU频率调度、发射功率控制、计算资源和子信道资源分配的情况下，面向移动边缘计算的能量最小化任务卸载与资源分配。

III. 系统模型

A. 系统描述

我们考虑一个包含一个宏基站和多个小基站的异构MEC网络，如图1所示，其中每个基站都配备了一个MEC服务器，为关联用户提供建计算资源。记Ms ={1,…, m,…, M}为所有小基站的集合，其中M为小基站的数量。此外，我们记m= 0为宏基站的索引。因此，M={0}∪Ms为所有基站（包括宏基站和小基站）的集合。具体地，我们也使用基站的索引来表示系统中对应的小区（即宏小区或小区）。宏基站服务于一组K个微控制器单元，记为U0 ={1,…, K}。系统中共有K个正交子信道，每个微控制器单元占用一个子信道以向宏基站卸载其任务。因此，我们使用微控制器单元的相同索引来表示子信道的索引，并记K={1,…, K}为子信道的集合。为了提高频谱效率，每个小小区被允许通过NOMA协议复用宏小区中的一个子信道来为其关联的小小区用户服务，这意味着多个小小区用户可以卸载其任务它们的计算任务通过相同的子信道同时卸载到小基站。所有用户（包括微控制器单元和小区用户）的集合表示为U= ∪M m=0Um，其中Um(m= 0)表示微控制器单元的集合，Um(m> 0)表示小区m中的小小区用户集合。假设每个小基站服务U个小区用户，并且我们有Um={1,…, U}, ∀m> 0。

我们用xkm ∈{0, 1}表示小基站m和子信道k的子信道分配指示符，即如果小基站m占用子信道k，则xkm= 1；否则xkm= 0。此外，允许多个小基站复用相同子信道以进一步提高频谱效率。占用相同子信道的小基站最大数量限制为qmax，该限制用于控制同层干扰和跨层干扰。每个小区内小小区用户之间的小区内干扰可通过在小基站处应用SIC技术有效抑制。在本研究中，假设用户与宏基站和小基站的用户关联在任务卸载和资源分配之前已完成。宏基站和小基站均已知完美的信道状态信息(CSI)。对于信道模型，我们采用瑞利衰落和自由空间传播路径损耗分别建模小尺度衰落和大尺度衰落。此外，假设用户在一个卸载周期内保持静止，但可能在不同周期之间移动。令Pk,0和gk,0分别表示微控制器单元k ∈U0与宏基站之间的发射功率和信道增益。记Pku,m和guk,m分别为小小区用户u ∈Um与小基站m ∈Ms在子信道k ∈ K上的发射功率和信道增益。

我们假设每个用户都有一个延迟受限的任务，并用Tu,m=(Lu,m, ρu,m, Dmax u m,)表示小区m ∈M中用户u ∈Um的任务，其中Lu,m（单位：比特）为输入数据大小，ρu,m（单位：每比特周期数）表示完成一比特任务所需的CPU周期数，Dmax u,m（单位：秒）为最大容忍时延，即该任务的服务质量要求。3相应地，完成该任务所需的总CPU周期数可表示为Cu,m= Lu,mρu,m。本文考虑二进制卸载模式，每个用户可以本地执行其计算任务，或将其卸载至关联的基站[30],[33]。我们用amu ∈{0, 1}表示小区m中用户u的卸载决策指示符，即如果用户u决定将其整个任务卸载到基站m，则amu = 1；否则amu = 0。由于信道条件和MEC服务器上的计算资源会影响用户的卸载决策，接下来我们将详细描述通信与计算模型。

B. 通信模型

在本小节中，我们通过考虑微控制器单元和小区用户在上行传输中的情况，给出了它们的通信模型。本文考虑一种叠加模式，其中每个微控制器单元占用一个正交子信道，且每个小区中的小小区用户仅允许以叠加方式重用子信道，如先前的研究[3]–[6],[9]2。换句话说，如果多个小小区发起的子信道重用不会降低相应微控制器单元的服务质量（QoS），则这些小小区中的小小区用户可以共享该子信道。3这些参数与应用的性质相关，可通过任务分析器进行估计[31],[32]

1) 微控制器单元的通信模型：

对于每个微控制器单元，它可以通过正交子信道将计算任务卸载到宏基站，但会受到复用相同子信道的小小区用户的跨层干扰。因此，在给定卸载决策和子信道分配的情况下，微控制器单元k的信号与干扰加噪声比（SINR）为

$$
\gamma_{k,0} = \frac{P_{k,0}g_{k,0}}{I_{k,0}^{cr} + N_0},
$$

(1)

其中gk,0= |g0|2dk− α0,是微控制器单元k与宏基站之间的信道增益。g0为瑞利衰落信道系数，服从复高斯分布CN(0, 1)。dk,0是微控制器单元k与宏基站之间的距离。α是对应于传输信道大尺度衰落的路径损耗指数。Ik,0cr=∑m∈Ms xkm∑u∈Um amu Pku,m是重用子信道k卸载其任务的小小区用户产生的跨层干扰。σ2是加性白高斯噪声（AWGN）的功率。

根据香农容量公式，微控制器单元k的上行链路数据速率可以表示为

$$
R_{k,0} = B \log_2(1+ \gamma_{k,0}),
$$

(2)

其中B是每个子信道的带宽。

2) 小小区用户的通信模型：

当小小区用户通过应用NOMA协议将任务卸载到同一小基站时，小小区用户之间存在小区内干扰。可在小基站处应用SIC技术，对接入相同子信道的小小区用户所发送的信号进行解码。根据上行场景中的SIC技术，[7],小基站首先将其他小小区用户的信号视为干扰，对信道增益较高的小小区用户的信号进行解码，然后将其从其他小小区用户的干扰项中移除。不失一般性，对于由小基站m在子信道k上服务的小小区用户，假设其信道增益满足顺序gk1,m > gk2,m···> gkU,m。因此，在接收机小基站m上，子信道k中第u个被解码的小小区用户的SINR表示为

$$
\gamma_{u,m}^k = \frac{P_{u,m}^k g_{u,m}^k}{I_{u,in}^{k,m} + I_{cr}^{k,m} + I_{co}^{k,m} + \sigma^2},
$$

(3)

其中gku,m = |g0|2d−αu,m是SCUu与SBSm在子信道k上的信道增益。du,m是SCUu与SBSm之间的距离。Iu,in^k,m =∑Ui=u+1 ami Pki,mgki,m是来自同一小区内其他卸载的SCU的同小区干扰，Ik,mcr = a0kPk,0gk,m是来自占用相同子信道的MCU的跨层干扰，而Ik,mco =∑s ∈ Ms{m}(xks∑n ∈ Usasn Pkn,sgkn,m)是来自复用相同子信道的其他卸载SCU的同层干扰。记Iku,m = Iu,in^k,m + Ik,mcr + Ik,mco + σ2为小小区m中第u个SCU在子信道k上的总干扰。

根据香农容量公式，关联到小基站m的小区用户u在子信道k上的上行链路数据速率为

$$
R_{u,m}^k = B \log_2(1+ \gamma_{u,m}^k).
$$

(4)

C. 计算模型

在本小节中，我们将介绍本地计算和边缘计算的计算模型。

1) 本地计算：

记flu,m为小区m ∈M中用户u ∈Um的计算能力（即每秒CPU周期）。因此，任务Tu,m在本地计算时的执行延迟和能耗可表示为

$$
T_{u,m}^{loc} = \frac{C_{u,m}}{f_{u,m}^l},
$$

(5)

and

$$
E_{u,m}^{loc} = \kappa(f_{u,m}^l)^2 C_{u,m},
$$

(6)

分别为。这里，κ是取决于芯片架构[34]的系数。从上述公式可以看出，本地计算能力flu,m，即CPU频率，同时影响执行延迟和能耗。本地CPU频率允许通过动态电压频率调节（DVFS）技术[35]进行调度。

2) 边缘计算：

在边缘计算模式下，用户首先将其计算任务上传到关联的基站，然后由配备的MEC服务器代替用户执行该任务。根据第三节‐B1中描述的通信模型，微控制器单元k ∈U0在任务上传过程中的相应传输时间和能耗可分别表示如下

$$
T_{k,0}^{up} = \frac{L_{k,0}}{R_{k,0}},
$$

(7)

and

$$
E_{k,0}^{up} = P_{k,0} T_{k,0}^{up}.
$$

(8)

类似地，小小区用户u ∈Um在子信道k上的任务上传过程中的传输时间和能耗表示为

$$
T_{u,m}^{k,up} = \frac{L_{u,m}}{R_{u,m}^k},
$$

(9)

and

$$
E_{u,m}^{k,up} = P_{u,m}^k T_{u,m}^{k,up},
$$

(10)

分别。

我们假设每个MEC服务器在宏基站和小基站上的计算资源不同，并用Fm, ∀m ∈M表示基站m的计算能力（即每秒CPU周期）。因此，任务Tu,m在MEC服务器上的执行时间表示为

$$
T_{u,m}^{exe} = \frac{C_{u,m}}{F_{u,m}^e},
$$

(11)

其中Feu,m是基站m分配给用户u的计算资源，并满足约束条件∑u ∈ Umamu Feu,m ≤ Fm。此处，由于宏基站和小基站通常由电网供电，能够保证任务执行所消耗的能量充足，因此忽略在MEC服务器上执行任务时的能耗[17],[36]。此外，传输任务结果所需的时间和能耗从MEC服务器到用户的传输被忽略，因为计算结果[1],[15]的尺寸较小。因此，微控制器单元k进行边缘计算的总执行时间和能耗表示为

$$
T_{k,0}^{off} = T_{k,0}^{up} + T_{k,0}^{exe},
$$

(12)

and

$$
E_{k,0}^{off} = E_{k,0}^{up},
$$

(13)

分别为。类似地，小小区用户u向小基站m进行计算卸载的延迟由下式给出

$$
T_{u,m}^{off} = \sum_{k \in K} x_m^k T_{u,m}^{k,up} + T_{u,m}^{exe},
$$

(14)

且能耗表示为

$$
E_{u,m}^{off} = \sum_{k \in K} x_m^k E_{u,m}^{k,up}.
$$

(15)

IV. 问题建模

在本节中，我们通过联合考虑任务卸载决策、本地CPU频率调度、功率控制、计算资源和子信道资源分配，建立了一个优化问题以最小化所有用户的能耗。

小区m中用户u完成任务的能耗由以下公式给出

$$
E_{u,m} = a_{u}^m E_{u,m}^{off} + (1 - a_{u}^m) E_{u,m}^{loc}.
$$

(16)

因此，该能量最小化问题可以表述如下：

$$
\min_{A,X,f,F,P_0,P_s} \sum_{m \in M} \sum_{u \in U_m} E_{u,m}
$$

(17a)

s.t.

$$
a_{u}^m T_{u,m}^{off} + (1 - a_{u}^m) T_{u,m}^{loc} \leq D_{u,m}^{max}, \quad \forall m \in M, u \in U_m,
$$

(17b)

$$
\sum_{u \in U_m} a_{u}^m F_{u,m}^e \leq F_m, \quad \forall m \in M,
$$

(17c)

$$
F_{u,m}^e \geq 0, \quad \forall m \in M, u \in U_m,
$$

(17d)

$$
0 \leq (1 - a_{u}^m) f_{u,m}^l \leq f_{max}^l, \quad \forall m \in M, u \in U_m,
$$

(17e)

$$
\sum_{k \in K} x_m^k \leq 1, \quad \forall m \in M_s,
$$

(17f)

$$
\sum_{m \in M_s} x_m^k \leq q_{max}, \quad \forall k \in K,
$$

(17g)

$$
x_m^k \in {0, 1}, \quad \forall m \in M_s, k \in K,
$$

(17h)

$$
a_{u}^m \in {0, 1}, \quad \forall m \in M, u \in U_m,
$$

(17i)

$$
0 \leq a_{k}^0 P_{k,0} \leq P_{max}, \quad \forall k \in U_0,
$$

(17j)

$$
0 \leq a_{u}^m P_{u,m}^k \leq P_{max}, \quad \forall k \in K, m \in M_s, u \in U_m,
$$

(17k)

其中A={amu, m ∈M, u ∈Um}，X={xkm, m ∈Ms, k ∈K}，f={flu,m, m ∈M, u ∈Um}，F={Feu,m, m ∈M, u ∈Um}，P0={Pk,0, k ∈U0}和Ps={Pku,m, k ∈ K, m ∈Ms，u ∈Um}。约束(17b)表示每个用户的任务完成时间小于其最大任务容忍时延。约束(17c)和(17d)表示分配给卸载用户的计算资源不超过每个MEC服务器的计算资源总量。(17e)是本地计算用户的本地CPU频率约束。约束(17f)和(17g)确保每个小基站最多可复用一个子信道，而每个子信道最多可被qmax个小基站占用。约束(17h)和(17i)意味着卸载决策和子信道分配为二进制变量。(17j)和(17k)是所有卸载用户功率约束。

注意，问题(17)是一个混合整数非线性规划(MINLP)问题，涉及二进制和实数变量，且其目标函数是非凸的。此外，卸载决策与资源分配相互耦合，使得该问题更加难以处理。已证明所建立的问题(17)是NP难的[37],，难以找到有效的方法来求得其最优解。因此，我们将原始问题解耦为两个子问题，即卸载决策问题和资源分配问题，并提出一种有效的方法来求得次优解，在保证每个任务的服务质量要求的同时，实现所有用户最小能耗。

V. 资源分配优化

对于具有固定卸载决策的问题(17)，资源分配问题可进一步分解为两个独立的问题，即仅涉及本地CPU频率调度的本地计算优化问题，以及包含功率控制、计算资源和子信道资源分配的边缘计算优化问题。接下来，我们将分别给出这两个独立问题的解决方案。

A. 本地计算用户的资源分配

结合(5)和(6)，可通过求解以下问题得到本地计算的能耗：

$$
\min_{f_{u,m}^l} \kappa(f_{u,m}^l)^2 C_{u,m}
$$

(18a)

s.t.

$$
\frac{C_{u,m}}{f_{u,m}^l} \leq D_{u,m}^{max},
$$

(18b)

$$
0 \leq f_{u,m}^l \leq f_{max}^l.
$$

(18c)

由于问题（18）是一个典型的凸问题，因此很容易得到本地计算的最小能耗，其表达式为

$$
E_{u,m}^{loc, } = \kappa(f_{u,m}^{l, })^2 C_{u,m},
$$

(19)

其中$ f_{u,m}^{l,*} = \frac{C_{u,m}}{D_{u,m}^{max}} $是小区m中用户u的最优CPU频率。

B. 任务卸载用户的资源分配

我们将Uem表示为将任务卸载到基站m的用户集合，并将Ulm表示为在本地计算任务的用户集合。我们有Um= Uem ∪Ulm, ∀m ∈M。在本小节中，我们重点解决卸载用户的资源分配问题，该问题涉及功率控制、计算资源和子信道资源分配。优化问题表述如下：

$$
\min_{X,F,P_0,P_s} \sum_{m \in M} \sum_{u \in U_e^m} E_{u,m}^{off}
$$

(20a)

s.t.

$$
R_{u,m} \geq \frac{L_{u,m}}{D_{u,m}^{max} - T_{u,m}^{exe}}, \quad \forall m \in M, u \in U_e^m,
$$

(20b)

$$
\sum_{u \in U_e^m} F_{u,m}^e \leq F_m, \quad \forall m \in M,
$$

(20c)

$$
F_{u,m}^e > 0, \quad \forall m \in M, u \in U_e^m,
$$

(20d)

$$
\sum_{k \in K} x_m^k \leq 1, \quad \forall m \in M_s,
$$

(20e)

$$
\sum_{m \in M_s} x_m^k \leq q_{max}, \quad \forall k \in K,
$$

(20f)

$$
x_m^k \in {0, 1}, \quad \forall m \in M_s, k \in K,
$$

(20g)

$$
0 \leq P_{k,0} \leq P_{max}, \quad \forall k \in U_0^e,
$$

(20h)

$$
0 \leq P_{u,m}^k \leq P_{max}, \quad \forall k \in K, m \in M_s, u \in U_e^m.
$$

(20i)

请注意，问题(20)也是一个涉及二进制和连续变量的MINLP问题，且其目标函数是非凸的。此外，不同变量之间存在强耦合关系，使得该问题更具挑战性。为了求解该问题，我们将其解耦为两个子问题，即联合子信道分配与功率控制子问题和计算资源分配子问题，然后提出一种迭代算法来寻找联合资源分配解，如算法1所述。首先，我们初始化一个可行解（X0, F0, P00, P0s）。具体而言，通过将每个基站的计算资源均等地分配给卸载用户来获得计算资源分配F0。通过在满足约束(17f)和(17g)的前提下随机匹配每个小基站与一个子信道来获得子信道分配X0。而功率控制解（P00,P0s）则是在固定（X0,F0）的情况下通过算法2获得的。然后，我们迭代地求解这两个子问题，直到收敛，以找到联合资源分配解。在接下来的小节中，我们将详细说明这些子问题的求解方法。

C. 子信道分配

在计算资源分配固定的情况下F，我们可以获得最小任务上传速率要求

$$
R_{u,m}^{min} = \frac{L_{u,m}}{D_{u,m}^{max} - \frac{C_{u,m}}{F_{u,m}^e}},
$$

(21)

当满足最大延迟约束时，即Tupu,m+Texeu,m= Dmaxu m,。此时，联合子信道分配与功率控制问题可表述如下：

$$
\min_{X,P_0,P_s} \sum_{m \in M} \sum_{u \in U_e^m} E_{u,m}^{off}
$$

(22a)

s.t.

$$
R_{k,0} \geq R_{k,0}^{min}, \quad \forall k \in U_0^e,
$$

(22b)

$$
R_{u,m}^k \geq R_{u,m}^{min}, \quad \forall k \in K, m \in M_s, u \in U_e^m,
$$

(20e) ∼(20i),

(22c)

其中，约束条件(22b)和(22c)分别为微控制器单元和小区用户最低任务上传速率要求。问题(22)是一个混合组合非凸问题，包含二进制和连续变量，且目标函数为非凸函数。此外，子信道分配与功率控制相互耦合，共同影响用户的能耗。为了获得该问题的全局最优解，需要通过穷举法充分找出所有可能的子信道分配方案，但随着用户数和子信道数的增加，该方法难以处理。为了设计一种低复杂度算法，我们将该问题建模为具有同伴效应的一对多匹配博弈，其中小基站和子信道作为两组参与者。联合优化问题可以通过小基站和子信道相互匹配的过程来解决，目的是最小化总能耗。同时，在每次临时匹配过程中执行功率控制方案。基于匹配理论的一些概念，我们有以下定义。

定义1： 多对一匹配Φ是从集合K ∪Ms到K ∪Ms ∪{0}的所有子集构成的集合的一个函数，满足

1) |Φ(m)| = 1, ∀m ∈Ms；

2) |Φ(k)| ≤ qmax, ∀k ∈ K；

3) Φ(m) = k当且仅当m ∈Φ(k)。

这里，|Φ(·)|表示匹配结果Φ(·)的基数。如果Φ(m) = {0}或Φ(k) = {0}，则小基站m或子信道k未匹配任何对象。条件1）表示每个小基站仅与一个子信道匹配；条件2）表示每个子信道最多可与qmax个小基站匹配；条件3）表示若小基站m与子信道k匹配，则子信道k也与小基站m匹配。

对于每个小基站，它仅关注关联的小小区用户在任务卸载过程中的能耗。因此，小基站m在子信道k上的效用函数可以定义为

$$
U_m(k) = \frac{1}{\sum_{u \in U_e^m} E_{u,m}^{k,up}}.
$$

(23)

而对于任意子信道k，其效用函数可定义为占用该子信道的用户的总能耗。因此，在匹配Φ下子信道k的效用函数可表示为

$$
U_k(\Phi(k)) = \frac{1}{a_k^0 E_{k,0}^{up} + \sum_{i \in \Phi(k)} \sum_{u \in U_e^i} E_{u,i}^{k,up}}.
$$

(24)

为了更好地描述每个参与者对另一组参与者之间的偏好，我们为小基站和子信道引入了偏好关系。对于任意小基站m，定义在子信道集合上的偏好关系m可表示如下：对于任意两个子信道k, k′ ∈ K, k= k′,以及两种匹配Φ,Φ,′ k=Φ(m) k′= Φ′(m)：

$$
(k,\Phi) \succ_m (k’,\Phi’) \Leftrightarrow U_m(k) > U_m(k’),
$$

(25)

这意味着，如果小小区m中的小小区用户在子信道k上的任务卸载过程中消耗的能量低于在子信道k′上的能耗，则小基站m更偏好子信道k而非k′。类似地，对于任意子信道k，其在小基站集合上的偏好关系k可定义如下：对于任意两个小基站子集S, S′ ⊆Ms, 和两个匹配Φ,Φ,′ S=Φ(k) S′=Φ′(k)：

$$
(S,\Phi) \succ_k (S’,\Phi’) \Leftrightarrow U_k(S) > U_k(S’),
$$

(26)

这表明，如果由S中的小基站服务的小小区用户消耗的能量低于由S′中的小基站服务的小小区用户，则子信道k优先选择小基站集合S而非S′。

由于每个小基站只能占用一个子信道，而每个子信道最多可与qmax个小基站匹配，因此子信道分配问题是一个一对多匹配博弈。结合(3)、(4)、(9)和(10)可知，

每个小基站的效用不仅取决于其匹配的子信道，而且由于小小区之间的同层干扰，还涉及匹配到相同子信道的其他小基站。因此，这是一个具有同伴效应的一对多匹配博弈[39]。对于这种匹配博弈，设计一种匹配机制来找到稳定匹配比传统匹配博弈更具挑战性，因为在传统匹配博弈中参与者具有固定的偏好值。受一对多住房分配问题[39],的启发，我们因此将交换匹配的定义引入到我们的一对多匹配模型中。

定义2 ：给定一个匹配Φ(m)=k和Φ(m′)=k′，且m′∈/Φ(k) m∈/Φ(k′)，交换匹配定义为Φmm′= Φ{(m, k),(m′, k′)}∪{(m, k′),(m′, k)}，其中m′ ∈Φmm′(k) m ∈Φmm′(k′)且m∈/Φmm′(k) m′∈/Φmm′(k′)。具体而言，交换匹配是通过交换操作生成的，其中两个小基站交换其已匹配的子信道，同时保持其他小基站的匹配不变。基于交换匹配的概念，如下引入了交换阻塞对。

定义3 ：对于给定的匹配Φ和一对小基站(m, m′)，如果存在m ∈Φ(k)和m′ ∈Φ(k′)使得()

1) ∀t ∈{m, m′, k, k′}, Ut(Φmm′(t)) ≥ Ut(Φ(t)) and

2) ∃t ∈{m, m′, k, k′}, Ut(Φmm′(t))> Ut(Φ(t)),

然后交换匹配Φmm′被批准，且m, m′被称为Φ中的交换阻塞对。

上述定义表明，如果两个小基站之间的交换匹配被批准，则所有相关参与者的效用不会降低，且至少有一个参与者的效用会增加。

定义4 ：如果不存在交换阻塞对[39]，则匹配Φ是双边交换稳定的。

基于上述定义，我们提出了一种基于匹配的子信道分配和功率控制过程，以寻找一种双边交换稳定的匹配结果，如算法1（第5‐14行）所述。给定可行匹配结果Φ，我们随机选择两个不同的小基站，并临时交换它们所匹配的子信道，而其他小基站的匹配保持不变。然后对这两个子信道上的用户执行功率控制，以获得小基站和子信道的效用。（接下来，我们将介绍针对给定子信道分配结果的功率控制问题的求解方法。）如果这两个小基站构成一个交换阻塞对，则执行交换操作。该算法持续运行，直到不存在交换阻塞对，从而得到一个双边交换稳定的匹配结果。

引理1 : 每次交换操作后，系统能耗降低。

Proof : 假设小基站m和m′之间及其匹配的子信道k和k′进行交换操作，使得匹配关系从Φ变为Φmm′。根据定义3，在此交换操作之后，k和k′的效用满足Uk(Φmm′(k))和Uk′(Φmm′(k′)) ≥ Uk′(Φ(k′))，其中至少有一个等式不成立。由于其他子信道的效用保持不变，因此我们得到以下不等式：

$$
U_{total}(\Phi_{mm’}) > U_{total}(\Phi),
$$

(27)

$$
E_{total}(\Phi_{mm’}) < E_{total}(\Phi),
$$

(28)

其中，Utotal(Φ)=∑Kk=1 Uk(Φ(k))是匹配状态Φ下所有子信道的总效用，Etotal(Φ)表示匹配状态Φ下所有卸载用户的总能耗。由(27)和(28)可知，每次交换操作后系统能耗降低。

定理1 ：算法1中的联合子信道分配与功率控制过程可以通过有限次交换操作收敛。

证明 ：根据引理1，我们可知每次交换操作后所有卸载用户的能耗都会降低。相应地，由于SBS数量有限，交换操作的次数也是有限的，并且由于计算和通信资源有限，系统能耗也有界。因此，算法1中的联合子信道分配与功率控制过程在有限次迭代后必然收敛。

D. 功率控制

在给定子信道分配的情况下，相同子信道上用户的功率控制问题可以独立求解。作者已在[27]中证明，卸载用户的能耗关于传输功率是单调递增的。此外，在计算资源分配过程之后，传输时间受到限制。因此，功率控制问题可表述为最小化占用相同子信道的用户的总功耗[27],[40]。

子信道k上卸载用户的优化问题可表示为

$$
\min_{P_k} P_{off}^k(P_k) = a_k^0 P_{k,0} + \sum_{m \in M_s} \sum_{u \in U_e^m} x_m^k P_{u,m}^k
$$

(29a)

s.t.

$$
R_{k,0} \geq R_{k,0}^{min},
$$

(29b)

$$
R_{u,m}^k \geq R_{u,m}^{min}, \quad \forall m \in M_s, u \in U_e^m,
$$

(29c)

$$
0 < P_{k,0} \leq P_{max},
$$

(29d)

$$
0 < P_{u,m}^k \leq P_{max}, \quad \forall m \in M_s, u \in U_e^m,
$$

(29e)

其中Pk={Pk,0, Pku,m, m ∈Ms, u ∈Uem}是占用子信道k的卸载用户的功率集合。

由于约束条件(29b)和(29c)的非凸性，问题(29)不是一个凸优化问题。为了处理该问题，我们首先通过收紧非凸约束将原问题转化为一个凸优化问题，然后基于连续凸逼近(SCA)算法寻找局部最优解，从而为求解非凸优化问题[41]提供了一种有效的方法。

我们首先通过以下不等式收紧约束条件(29b)和(29c)

$$
\log_2(1+ \gamma) \geq \alpha \log_2(\gamma) + \beta,
$$

(30)

其中α和β定义为

$$
\alpha = \frac{\tilde{\gamma}}{1+ \tilde{\gamma}} \quad \text{and} \quad \beta = \log_2(1+ \tilde{\gamma}) - \frac{\tilde{\gamma}}{1+ \tilde{\gamma}} \log_2 \tilde{\gamma},
$$

(31)

分别地。当γ= γ˜时，该界限是紧的。

根据不等式(30)，我们可以给出小基站m中微控制器单元k和小区用户u ∈Uem的数据速率下界

$$
R_{k,0} \geq \tilde{R} {k,0} = B\alpha {k,0} \log_2(\gamma_{k,0}) + B\beta_{k,0},
$$

(32)

$$
R_{u,m}^k \geq \tilde{R} {u,m}^k = B\alpha {u,m}^k \log_2(\gamma_{u,m}^k) + B\beta_{u,m}^k,
$$

(33)

分别地。然后，约束条件(29b)和(29c)可以重写为

$$
\tilde{R} {k,0} \geq R {k,0}^{min},
$$

(34)

$$
\tilde{R} {u,m}^k \geq R {u,m}^{min}, \quad \forall m \in M_s, u \in U_e^m,
$$

(35)

分别。通过设置Pk= eSk，问题(29)可以等价地重新表述为以下近似问题：

$$
\min_{S_k} P_{off}^k(S_k) = a_k^0 e^{S_{k,0}} + \sum_{m \in M_s} \sum_{u \in U_e^m} x_m^k e^{S_{u,m}^k}
$$

(36a)

s.t.

$$
\tilde{R} {k,0} \geq R {k,0}^{min},
$$

(36b)

$$
\tilde{R} {u,m}^k \geq R {u,m}^{min}, \quad \forall m \in M_s, u \in U_e^m,
$$

(36c)

$$
e^{S_{k,0}} \leq P_{max},
$$

(36d)

$$
e^{S_{u,m}^k} \leq P_{max}, \quad \forall m \in M_s, u \in U_e^m.
$$

(36e)

定理2 ：问题(36)是一个凸优化问题。 证明 ：见附录A。 问题(36)是一个标准的凸优化问题，可以通过内点法(IPM)[41]有效求解。因此，我们提出一种基于SCA的功率控制算法(SCAPCA)，通过迭代求解问题(36)来解决问题(29)，如算法4所述。

定理3 ：算法2可以在有限次迭代内收敛。

证明 ：记Pkoff[t]和Pk[t]分别为算法2在第t次迭代时的最优目标值和最优解。结合(32)至(35)，可知近似凸约束(36b)和(36c)比原始非凸约束(29b)和(29c)更严格，从而保证问题(36)的最优解属于问题(29)的可行解集。同时，算法2中的更新规则（第5行）确保了解Pk[t]在第t+ 1步是问题(36)的一个可行解。这继而得到Pkoff[t+ 1] ≤ Pkoff[t]的结果，意味着SCAPCA生成了一个非递增的目标函数值序列[43]。由于每个用户都需要满足服务质量要求（即最小上传数据速率），且系统带宽有限，因此Pkoff[t]的序列也是有界的。因此，我们可以得出结论：算法2能够保证收敛。

根据[44],，基于SCA的算法能够收敛到满足问题(29)的Karush‐Kuhn‐Tucker（KKT）条件的局部最优解。

E. 计算资源分配

对于子信道分配X和发射功率(P0,Ps)固定的问题(20)，计算资源分配问题可分解为M+ 1个并行的子问题。结合(3)、(4)、(8)和(9)，我们得到

$$
E_{u,m}^{k,up} = \left(2^{\frac{L_{u,m}}{B T_{u,m}^{k,up}}} -1\right) \frac{I_{u,m}^k T_{u,m}^{k,up}}{g_{u,m}^k}.
$$

(37)

如[45],所证明，当时延满足最大延迟约束时，任务卸载过程中的能耗最小，即Tupu,m+ Texeu,m= Dmaxu m,。因此，对于小基站mm，计算资源分配问题可表述为

$$
\min_{F_m} \sum_{u \in U_e^m} \sum_{k \in K} G_{u,m}^k \left(2^{\frac{L_{u,m}}{B (D_{u,m}^{max} - \frac{C_{u,m}}{F_{u,m}^e})}} -1\right) \left(D_{u,m}^{max} - \frac{C_{u,m}}{F_{u,m}^e}\right)
$$

(38a)

s.t.

$$
F_{u,m}^e \geq F_{u,m}^{e,min}, \quad \forall u \in U_e^m,
$$

(38b)

$$
\sum_{u \in U_e^m} F_{u,m}^e \leq F_m,
$$

(38c)

其中Fm={Feu,m, u ∈Uem}, Gku,m=(xkmIku,m)/gku,m和Fe,minu,m=Cu,m/(Dmaxu,m - Lu,m/(∑k∈K xkmBlog2(1+Pmaxgku,m/Ik)))。

问题(38)中的目标函数也可以表示为

$$
\sum_{u \in U_e^m} \sum_{k \in K} G_{u,m}^k \left(2^{\frac{L_{u,m}}{B (D_{u,m}^{max} - \frac{C_{u,m}}{F_{u,m}^e})}} -1\right) \left(D_{u,m}^{max} - \frac{C_{u,m}}{F_{u,m}^e}\right) = \sum_{u \in U_e^m} \sum_{k \in K} [f(F_{u,m}^e) - g(F_{u,m}^e)],
$$

(39)

其中

$$
f(F_{u,m}^e) = G_{u,m}^k D_{u,m}^{max} 2^{\frac{L_{u,m}}{B D_{u,m}^{max}}} 2^{\frac{L_{u,m} C_{u,m}}{B D_{u,m}^{max}(D_{u,m}^{max} F_{u,m}^e - C_{u,m})}} - G_{u,m}^k D_{u,m}^{max} + G_{u,m}^k \frac{C_{u,m}}{F_{u,m}^e},
$$

$$
g(F_{u,m}^e) = G_{u,m}^k \frac{C_{u,m}}{F_{u,m}^e} 2^{\frac{L_{u,m}}{B D_{u,m}^{max}}} 2^{\frac{L_{u,m} C_{u,m}}{B D_{u,m}^{max}(D_{u,m}^{max} F_{u,m}^e - C_{u,m})}}.
$$

定义y(x)= e1/x和z(x)= 1xe1/x，我们有y′′(x) > 0 ∀x> 0且z′′(x)> 0 ∀x> 0。因此，我们可以发现f(Feu,m)和g(Feu,m)关于Feu,m是凸的。此外，问题(38)中的约束也是凸的。因此，问题(38)是一个凸函数之差(DC)规划问题，可通过凸‐凹过程(CCP)方法高效求解[38]。

凸凹过程（CCP）的基本思想是通过将直流问题中的非凸部分的凹部分（例如，−g(F e u,m)）替换为其一阶泰勒展开，将其转化为凸问题，然后依次求解一系列凸问题，以获得原始问题[38]的解。具体而言，在第(t+ 1)次迭代时，我们需要求解

$$
\min_{F_m} \sum_{u \in U_e^m} \sum_{k \in K} f(F_{u,m}^e) - [g(F_{u,m}^e(t)) + g’(F_{u,m}^e(t))(F_{u,m}^e - F_{u,m}^e(t))]
$$

(40a)

s.t. (38b),(38c),

其中Feu,m(t)表示在第t次迭代中获得的最优解。由于项g(Feu,m(t))和g′(Feu,m(t))对于该问题而言是常数，因此可以发现上述问题是一个凸优化问题，可通过内点法[42]求解。利用凸凹过程，我们可以通过迭代求解(40)来更新Feu,m(t)，从而获得问题(38)的次优解，直至收敛[38],，这与连续凸逼近方法类似。

F. 收敛性和复杂度分析

在本小节中，我们分析算法1的收敛性和复杂度。

1) 收敛性 ：显然，算法1的收敛性主要取决于交替求解子问题(22)和(38)是否能够收敛。记Eoff(X, F, P0, Ps)为在解(X, F, P0, Ps)下的问题(20)的目标值。在第(r+ 1)次迭代中，我们首先在给定Fr的情况下获得(22)的解（即(Xr+1, Pr+10, Pr+1s))，并满足以下等式，即

$$
E_{off}(X^{r+1}, F^r, P_0^{r+1}, P_s^{r+1}) \leq E_{off}(X^r, F^r, P_0^r, P_s^r).
$$

其次，通过使用CCP方法求解（38），可以在给定（Xr+1, Pr+10, Pr+1s）的情况下获得计算资源分配Fr+1。因此，我们有

$$
E_{off}(X^{r+1}, F^{r+1}, P_0^{r+1}, P_s^{r+1}) \leq E_{off}(X^{r+1}, F^r, P_0^{r+1}, P_s^{r+1}).
$$

根据上述两个方程，我们可以发现，通过算法1的每次迭代后，(20)的目标值是非递增的。此外，由于计算和通信资源有限，目标值是有界的。因此，我们可以得出结论：算法1在有限次迭代后能够保证收敛。

2) 复杂度 ：算法1的复杂度主要取决于求解子问题(22)和(38)的复杂度。

求解(22)的联合子信道分配与功率控制过程的复杂度主要取决于交换匹配过程。在每次迭代中，需要考虑所有可能的交换组合，在最坏情况下需要M2次操作。同时，我们需要通过SCAPCA计算临时交换匹配状态的效用。假设算法2需要I1次迭代才能收敛。在每次迭代中，使用内点法求解问题(36)的复杂度为O(2X31)[42],，其中X1是占用相同子信道的卸载用户数量。如果交换匹配阶段的迭代次数为T1，则在最坏情况下，求解问题(22)的复杂度为O(4T1M2I1X31)。

通过内点法求解问题(40)的复杂度为O(2X32)，其中X2表示同一小区内卸载用户数。假设求解问题(38)需要通过凸凹过程进行I2次迭代，则计算资源分配过程的复杂度约为O(2(M+ 1)I2X32)。

因此，算法1的总计算复杂度为O(T0(4T1M2I1X31+ 2(M+ 1)I2X32))，其中T0为外层迭代次数。在第七节中，我们将给出求解不同子问题的迭代次数的具体数值。

VI. 卸载决策与整体算法的优化

在第五节中，通过优化f可以得到每个用户在本地计算时的能耗，而通过在固定卸载决策下优化(X,F,P0,Ps)可以得到每个用户在边缘计算时的能耗。直观上，可以通过枚举所有2K+UM可能的卸载决策结果A，以实现所有用户的全局最小能耗，从而找到最优卸载决策。然而，随着用户数量的增加，这种穷举搜索变得难以实现。因此，我们采用一种低复杂度分布式优化方案，通过比较每个用户在本地计算和边缘计算下的能耗，为每个用户实现局部最小开销，该方法已被大多数先前的研究工作所采用[15],[28],[29],[46]。具体而言，我们提出一种启发式算法来获得初始卸载决策，以降低所提算法的复杂度。同时介绍了用于求解所提问题(17)的整体迭代算法。

A. 卸载决策

通过比较每个用户在本地计算和边缘计算时的能耗，可以确定卸载决策

计算，表示为

$$
a_u^m = \begin{cases}
1, & E_{u,m}^{loc} > E_{u,m}^{off}, \
0, & E_{u,m}^{loc} \leq E_{u,m}^{off}.
\end{cases}
$$

(41)

在文献[15],[28],[29],[46],中，作者假设所有用户最初均选择卸载其计算任务，并获得每个用户的边缘计算开销。然后，通过比较本地计算和边缘计算的开销来做出卸载决策。然而，这种初始卸载方案将导致较高的复杂度，因为资源分配方案的复杂度会随着卸载用户数量的增加而增加。因此，我们提出了一种启发式方案以获得初始卸载决策，如算法3所示，该方案能够有效筛选出本地计算用户，从而降低资源分配算法的复杂度。

定理4 ：每个用户在边缘计算上的最小能耗是

$$
E_{u,m}^{off,min} = \frac{P_{u,m}^{min} L_{u,m}}{B \log_2(1+ \frac{P_{u,m}^{min} g_{u,m}}{\sigma^2})},
$$

(42)

where

$$
P_{u,m}^{min} = \frac{(2^{\frac{L_{u,m}}{B (D_{u,m}^{max} - \frac{C_{u,m}}{F_m})}} -1)\sigma^2}{g_{u,m}}.
$$

Proo: eeppenx. f S A di B

算法3可以确保选择本地计算的用户将其作为最终的卸载决策，因为当这些用户选择将任务卸载到MEC服务器时，其实际能耗Eoffu,m大于Eoff,minu m,。然后，我们只需在资源分配后检查是否需要更改初始卸载用户的卸载决策。

B. 联合任务卸载与资源分配方法

基于上述算法，我们提出了一种联合任务卸载与资源分配方法（JTORAA）来寻找

问题(17)的解决方案，如算法4所述。该方法主要包括四个步骤。第一步，我们通过算法3获得初始卸载决策。在给定卸载决策的情况下，接着使用算法1为卸载用户分配计算和通信资源，并得到每个用户的能耗。第三步，我们根据(41)更新初始卸载用户的卸载决策。最后，我们再次应用算法1，重新为卸载用户分配计算和通信资源，并获得最终的任务卸载和资源分配方案。

C. 性能分析

所提出的JTORAA的收敛性、最优性和复杂性等性质分析如下。

1) 收敛性 ：显然，由于用户数量有限，卸载决策过程（即步骤1和步骤3）能够保证收敛。根据第五节‐F1部分的分析，资源分配算法将在有限次迭代内收敛。此外，在资源重新分配后，剩余的卸载用户将不再改变其卸载决策，因为步骤3减少了卸载用户间的干扰，同时降低了能耗。因此，可以得出结论：所提出的JTORAA能够保证收敛。

2) 最优性 ：通过求解问题（18），可计算出每个用户的最优本地CPU频率。我们可通过(41)得到次优卸载决策解，该解实现了每个用户的局部最小开销。此外，如[9],[38]中所证明的，算法1能够保证收敛到局部最优解。因此，算法4为所提问题(17)提供了一个次优解。在仿真中，我们将证明所提方法能够实现近似最优性能。

3) 复杂度 ：步骤1中的初始卸载决策算法需要每个用户计算其在本地计算和边缘计算下的能耗，这需要N次迭代，其中N= K+ M U表示用户总数。卸载用户的资源分配的计算复杂度为O(T0(4T1M2I1X31+ 2(M+ 1)I2X32))。在

步骤3，最多需要N次迭代来更新卸载决策。此外，资源重新分配的复杂度也为O(T0(4T1M2I1X31+ 2(M+ 1)I2X32))。因此，在最坏情况下，算法4的总复杂度为O(2N+ T0(4T1M2I1X31+2(M+ 1)I2X32))。显然，所提方法的复杂度远低于穷举搜索，后者需要2NKM次迭代以找到最优卸载决策和子信道分配。此外，每次搜索过程中还需优化发射功率和计算资源分配。

VII. 仿真结果

在本节中，我们通过仿真研究所提出的JTORAA的性能。我们考虑一个半径为R= 1000 m的宏小区，宏基站在中心位置。小小区随机分布在宏小区内，每个小小区的半径为200米。考虑到接收机的硬件复杂度，假设每个小基站通过NOMA协议[9]为两个小区用户服务。

在表I中，我们总结了仿真参数，这些参数是基于文献[20],[47]设定的。此外，我们假设每个基站的计算能力能够满足其关联用户的需求[15],[20]。每次实验的仿真结果均取自500次随机信道实例的平均值。

在我们的仿真中，我们将所提方法的能耗性能与五种基准方法进行了比较，具体如下：

1) 最优方法 ：由于复杂度较高，在仿真中通过穷举搜索找到最优任务卸载和子信道分配较为困难。4因此，我们通过穷举搜索得到最优卸载决策，并利用算法获得最优子信道分配。5在[49]中。计算所提算法优化了资源分配和发射功率。需要注意的是，“最优方法”具有指数复杂度，仅用于为实际方法实现性能上界。

2) 完全卸载方法 ：所有用户的任务均卸载到关联基站，同时通过算法1联合优化发射功率、计算资源和子信道资源。

3) 全部本地计算方法 ：每个用户在其本地执行任务，并通过本地CPU频率调度来优化能耗。

4) 正交多址卸载方法 ：小区用户通过OFDMA协议将任务卸载至小基站，即每个小区的带宽被均分给其小区用户。任务卸载与资源分配也由所提算法进行联合优化。

5) 随机方法 ：每个用户随机选择其任务卸载决策，且子信道资源也被随机分配给各个小区。

A. 收敛性与复杂度

图2显示了无初始卸载决策的所提方法和有初始卸载决策的所提方法的收敛性。从该图可以看出，这两种算法的总能耗随迭代次数增加而减少。这两种算法在资源分配过程中所需的迭代次数几乎相同且少于3次，表明算法1具有较快的收敛速度。但如图3所示，与无初始卸载决策的方法相比，有初始卸载决策的所提方法需要更少的交换操作，即算法1中子信道分配的迭代次数更少。这是因为所提出的初始卸载决策方案能够有效筛选出本地计算用户，从而减少了资源分配过程中的交换操作次数。此外，在更新后总能耗进一步降低

卸载决策。这两种算法最终收敛到相同值，该值与“最优方法”非常接近。

由于所提方法的复杂度主要取决于算法1的复杂度，而算法1包含多个用于求解不同子问题的过程。图3展示了算法1中各个过程的平均迭代次数。从该图可以看出，外层迭代、功率控制过程以及计算资源分配过程所需的迭代次数非常少，并且不随SBS数量的增加而变化，这表明这些过程的收敛速度是稳定的。然而，我们观察到子信道分配的迭代次数（即交换操作的次数）随着SBS数量的增加而增加。具体而言，相较于无初始卸载决策的子信道分配以及[49]中的子信道分配，采用初始卸载决策的子信道分配所需交换操作次数最少。显然，所提方法的复杂度远低于“最优方法”，后者需要2N次迭代才能找到最优的任务卸载决策。

B. 性能分析

图4绘制了在K= 4下总能耗随SBS数量的变化情况。可以看出，所有用户的能耗随着SBS数量的增加而增加。从该图中我们还可以发现，所提方法的表现优于其他方法，仅不及最优方法。此外，观察到在异构MEC网络中应用非正交多址（NOMA）相比正交多址系统（OMA系统）能够在节省用户能耗方面实现更高的性能。完全卸载方法的能耗大于全部本地计算方法，其原因是当所有用户选择将其任务卸载到移动边缘计算服务器时，用户在任务上传过程中将经历严重干扰。同时证明了所提方法能够实现近似最优性能。

不同算法下所有用户的总能耗随任务容忍延迟的变化如图5所示。我们可以发现，能耗随着任务容忍延迟的增加而减少。原因包括：1）根据公式(6)，本地计算的能耗随着任务容忍延迟的增加而减少；2）任务卸载的传输时间随着任务容忍延迟的增加而延长，从而导致任务上传过程中的能耗降低。

图6绘制了在不同子信道数量下所有小小区用户的能耗随SBS数量的变化情况。从该图可以看出，随着SBS数量的增加，所有小小区用户的能耗也随之上升。此外，子信道数量为K= 4时的能耗高于K= 6和K= 12的情况。这是因为在子信道资源较少时，占用相同子信道的小小区数量（即qmax）更多，导致严重的跨层和同层干扰。因此，当子信道数量较小时，能够进行任务卸载的小小区用户较少，这一点也可以在图7中得到体现。

在图8中，我们研究了在不同计算密度下所有用户的能耗随输入数据大小的变化情况

。)

ρu,m。可以看出，随着输入数据大小的增加，能耗也随之增加。此外，随着计算密度ρu,m的增加，能耗的增长速率也更高。这是因为较高的任务负载导致更多的用户选择进行任务卸载，这可以在图9中看出。

第八节 结论

本文研究了NOMA‐异构网络中移动边缘计算的能量最小化任务卸载与资源分配问题，其中小基站可利用非正交多址技术，通过复用宏小区的子信道为其关联的小小区用户提供服务。为了在保证服务质量要求的同时最小化所有用户的能耗，我们联合优化了任务卸载决策、本地CPU频率、发射功率、计算资源以及子信道资源分配。由于该优化问题是一个混合整数非线性规划(MINLP)问题，我们将它解耦为卸载决策和资源分配两个子问题，并提出了一种高效的求解方法以获得次优解。同时，本文还从理论上分析了所提方法的收敛性、最优性和复杂度。仿真结果表明，与其他基准方法相比，所提方法在较低复杂度的情况下能够显著降低用户能耗，性能更优。未来，我们将把当前工作扩展到协同计算卸载场景，使得用户任务可由不同的MEC服务器协同执行。此外，我们还将考虑MEC服务器的缓存容量，通过预先缓存多个用户可能使用的流行软件或程序来节省通信和计算资源。