目前，社会总用电量约1/3来自居民用电，但居民侧的用电效率较低^[1]，有必要对居民区用电进行引导优化. 在智能电网发展现阶段，可再生能源发电设备、储能系统以及智能负荷等组成了家庭能源系统^[2]. 智能家庭能量管理作为实现需求侧响应以及能源管理的重要环节，顺应了多元化、智能化和大数据化的潮流. 居民区为家庭集聚性单位，为了实现分布式能源的消纳，减小电动汽车接入对居民区所在配电系统的扰动，达到节能减排、优化电力分配的目标，在居民区能量管理中须提高负荷预测及有序充电指导的实时性和准确性，须加快居民区用电信息管理中的信息传输速度，增强数据处理能力，这对数据的采集、传输、计算和反馈都是巨大挑战^[3].

边缘计算（edge computing，EC）概念的提出正是为了解决这类问题. 边缘计算是指在靠近数据源的网络边缘端，配备结合网络传输、计算能力、储存容量以及应用能力的开放性平台，将计算任务保留在边缘侧的边缘计算节点（edge computing node，ECN）的新型计算模式^[4]. 其中针对移动设备，特别提出移动边缘计算（mobile edge computing，MEC）的概念^[5-6]，即在移动网络的边缘部署储存和计算资源，为移动网络提供服务环境和计算能力^[7]. 在电力行业中，电动汽车就是一类具备该特性的典型负荷.

由于这类边缘节点增添了移动特性，牺牲了一定的资源存储空间和计算能效，可能无法满足用户对于实时性的要求，本地处理所有任务会带来储存容量和计算速率不足，以及电池快速损耗. 如何协调计算任务在边缘计算节点和云平台的分配关系是边缘计算的一大研究热点. 任务卸载的思路可以较好地解决这一问题，通过终端设备将部分或全部计算任务交给云计算环境来解决移动设备在存储和计算两方面存在的不足^[8]. 现有一些研究基于深度强化学习^[9]、自适应遗传算法^[10]以及Lyapunov优化理论^[11]，以低能耗为目标进行卸载决策^[12]和资源的优化分配^[11]. 但将任务卸载与电力系统相结合的研究较少.

郭煜^[13]基于移动边缘计算提出带有缓存机制的任务卸载策略，将完成的任务相关信息储存在云端，以降低任务的卸载延时. Mao等^[14]研究移动设备和服务器的综合能耗问题及能源效率最优化. 谷晓会等^[15]综述移动边缘计算在车载网中的应用，指出移动边缘计算卸载技术（mobile edge computing offloading，MECO）将成为研究热点. 张海波等^[16]主要研究车联网系统中基于MEC的任务卸载问题，建立基于MEC的卸载框架，并提出一种拍卖机制，能够在考虑时延和容量的同时，最大化请求车辆和服务节点的效益. Zhang等^[17]立足于车载网络，分析构建基于MEC的卸载框架，并且为了降低计算成本，提高任务的传输效率，提出基于预测的V2X组合方案. 还有一些将5G通讯和移动边缘计算领域的任务卸载相结合的研究^[18-19]，但鲜有将边缘计算、任务卸载与居民实际用电及能量管理切实结合的运用.

居民区的各类智能电力设备虽然不是移动边缘节点，但其类型限制同样具备储存空间和计算性能不足的特点，因此本研究将计算任务卸载的概念拓展运用至居民区的电力信息管理系统中. 居民区云平台不仅要处理任务卸载决策，还要计算所有居民区综合决策，居民区的有序用电引导决策^[20]、总体电动汽车充电桩的电价制定^[21]、新能源光伏的出力预测^[22]和用电负荷的调控，计算任务繁重；居民的用电信息涉及用电行为隐私，居民更希望传输和计算过程更为安全和保密；终端设备和云平台的数据传输是利用无线网进行的，信息量在上传下载过程中会存在丢包误码之类的状况. 针对以上状况，本研究增添一类仅具备计算功能但不产生计算任务的备用边缘计算节点（alternate edge computing node，AECN）. 在包含备用边缘节点的模型中，卸载不直接将计算任务交给云端，而是优先选择各边缘计算节点或是将计算任务卸载至备用边缘计算节点进行计算，在有需要的情况下，再继续卸载至云端. 将这一概念运用至居民区能源管理中的信息处理中，可以较好地提高信息传递和计算的效率，对居民区的能量管理有推进作用，进而为实现居民区配电系统安全经济的运行打下基础.

在智能化用电背景下，居民区家庭用电设备越来越多，智能化程度也大大提升，支撑智能用电的基础就是信息的安全快速传递. 大量终端使得电网系统无法直接管理各个终端设备，常采取的方式便是分层聚集、逐层管理.

在某些居民区内，除了家庭用户外，也配置了一定数量的电动汽车充电桩、分布式电源和储能设备，可以给居民区能源管理中的家庭用户、充电桩、光储设备等终端设备赋予节点计算能力，使其成为本地产生计算任务并可以在本地进行计算的ECN，另外设置若干个不产生计算任务、仅具备相应计算能力的AECN. 同一个居民区的各个边缘计算节点和备用边缘计算节点都属于居民区的信息管理组成部分，城市的区县再综合管理各个居民区，逐层实现电网的综合管理和运行.

在各个边缘计算节点均产生较多计算任务的情况下，为了实现需求侧响应以及能源管理，整理居民区信息管理系统组成，如图1所示，并对居民区信息管理中的计算任务简单分类. 1）在各个家庭端口装设的非侵入式负荷监测设备，在住户电力入口处监测电力信息（电压、电流及功率），并进行数据清洗、特征分析、负荷分类；2）居民区内每个电动汽车充电桩中嵌入的计算储存模块，储存并分析区内的充电裕度，预测用电需求，并通过有效算法制定有序充放电策略来实现错峰充放电达到削峰填谷的效果；3）在分布式电源系统中进行信息采集，发电预测；4）在储能设备中进行本地储能裕度、能量剩余、充放电功率等信息计算，并结合其他信息进行削峰填谷策略制定；5）备用边缘节点，这类终端不产生计算任务，仅具备一定的计算能力.

面向居民侧，结合边缘计算设计如图2所示的居民区信息交互框架，并给出管理整体流程. 1）ECN在一定的时间内产生相应的计算任务；2）ECN将本地计算任务的大小及本地计算能力上传至云平台，AECN则将其计算能力上传至云平台；3）居民区云平台对计算任务进行优化任务卸载，决策各地的计算任务是全部留在本地ECN或是卸载部分至AECN进行计算，以及是否须将计算任务上传至云平台计算；4）云平台将优化卸载决策结果下发给各个ECN；5）各个ECN按照决策进行任务分配，须卸载的任务传输给相应的AECN；6）各节点对分配至本地的计算任务进行计算；7）AECN将计算结果返回至任务所属的ECN；8）ECN有选择的将部分计算结果上传云平台，云平台处进一步处理，得到用电指导意见；9）云平台处进行用电指导及优化算法的决策计算，并将指导下发给各个ECN.

现阶段结合电力系统的边缘计算运用主要分为三大类，一是在ECN处进行的负荷分类、电量预测及需求响应的相关计算，在居民区信息管理中以非侵入式负荷监测为例，以家庭为单位，在家庭端口进行的负荷分类及负荷预测；二是在云端的人工智能深度学习，其在能源管理系统中扮演智能管理的角色，优化各ECN使用的优化算法以及进行用电指导及优化决策的制定；三是在云平台进行的计算任务优化卸载，即为本研究的主要内容，居民区能量管理中结合任务卸载的信息管理策略.

在传统云计算模式中，终端设备的所有数据和计算任务均上传至云端进行计算，云端仅将结果转换为指令或其他形式反馈给终端. 分布式计算是指服务总端将计算问题分成许多小的计算部分，再分配给许多联网参与计算的计算机进行并行处理，最后将这些计算结果综合起来得到最终结果，可以认为是云端将数据分配至终端进行分布运算，所得到的结果再次上传云端，最后由云端综合结果进行反馈.

边缘计算则是将计算任务集中于系统边缘进行计算，减少一定的信息反复或无用传输. 但是要确定本地任务分配的过程较为复杂. 终端设备的计算任务是否须迁移，迁移至哪个AECN，须迁移哪些任务均须考虑^{[8, 23-25]}，须从传输功耗、传输时延以及带宽限制等指标中寻找平衡.

每个边缘节点向云平台提供信息，包括待完成的任务信息、计算资源以及他们的网络通信情况，云平台根据计算任务量、各节点的计算能力以及信道的传输频率，综合考虑时延和计算功率消耗，进行优化求解任务分配决策. 为了减少云平台的计算储存压力，在居民区信息管理框架中增加备用边缘节点的参与.

在一个居民区的基站云平台下，针对某一阶段的能源管理计算任务，有N个ECN、M个AECN以及1个云平台，针对任务的产生和处理分别具备不同的参数，如表1所示. 另外针对信息传递，终端设备n与备用边缘节点m之间是在有线局域网内传输，功率为 $r\left( {n,m} \right) $. ECN / AECN与云平台之间的数据接收和发射均为无线，功率分别为 $ q\left( n \right) $、 $ p\left( n \right) $.

任务卸载流程划分为2个阶段. 第1阶段决定第 $ n$个ECN（ $ n = 1,2 ,\cdots ,N$）是否将计算任务卸载至AECN进行计算，若须卸载，则应当卸载至哪一个AECN（ $m = 1,2 ,\cdots, M $）. 决策结果体现在 $A(n) $上， $ {A(n)} = - 1$为留在本地， ${A(n)} = 1,2 \cdots ,M $则是卸载至相对应编号的AECN. 第2阶段判断AECN是否须继续将计算任务卸载至云端进行判断. 决策结果体现在 $ X(n)$上， $X(n)=0$为继续卸载， $X(n)=1 $为停留在AECN进行计算. 最后综合决策集 $\{ {A_n},{X_n}\} $中的每一个终端n的卸载选择都不再变化，达到纳什均衡，完成最优卸载决策，其中，A_n、X_n为A(n)、X(n)的合集.

考虑计算任务时延及能耗2个决策因子，分别针对本地计算、卸载至备用边缘计算节点计算以及进一步卸载至云端建立计算模型^[26].

当决定终端在ECN本地执行全部计算任务时，仅涉及到本地CPU执行计算任务这一个行为. 本地的计算模型主要考虑计算时延及能耗. 执行时间、计算能耗、综合时延、综合能耗的表达式分别为

(1) ${t_{{\rm{loc}}}}(n) = d(n)/f(n),$

(2) ${e_{{\rm{loc}}}}(n) = c(n){t_{{\rm{loc}}}}(n),$

(3) ${T_{{\rm{loc}}}} = \sum\limits_{n = 1}^N {{t_{{\rm{loc}}}}(n)} ,$

(4) ${E_{{\rm{loc}}}} = \sum\limits_{n = 1}^N {{e_{{\rm{loc}}}}(n)} .$

结合每个终端设备对时延及能耗2个因子侧重不同，分配相应的权重 $ {\lambda _{\rm{t}}}\left( n \right)$和 ${\lambda _{\rm{e}}}(n)$，即可得到计算任务在本地执行时的整体负载：

(5) ${K_{{\rm{loc}}}}(n) = {\lambda _{\rm{e}}}(n){e_{{\rm{loc}}}}(n) + {\lambda _{\rm{t}}}(n){t_{{\rm{loc}}}}(n).$

当决定终端将计算任务卸载至AECN上执行时，模型主要分为3步：

1）卸载任务. 当第n个终端与其选择连接的备用边缘计算节点之间的信道的传输数据量为 $ b(n)$，传输功率为r (n, m)时，相应的卸载时延为

(6) ${t_{{\rm{off}}}}(n,m) = b(n)/r(n,m).$

卸载任务同样有一定的能耗产生：

(7) ${e_{{\rm{off}}}}(n,m) = q(n){t_{{\rm{off}}}}(n,m).$

2）计算任务. 若该任务分配至的备用边缘计算节点m的计算能力为 $f(m) $，则任务的执行时间为

(8) ${t_{{\rm{exe}}}}(n,m) = d(n)/f(m) + {t_{{\rm{wait}}}}.$

式中：

(9) ${t_{{\rm{wait}}}} = \left\{ {\begin{array}{*{20}{c}} 0,&{k(m) \geqslant b(n)};\\ {\dfrac{{{{b}}({{n}}) - {{k}}({{m}})}}{C}},&{k(m) < b(n)}. \end{array}} \right.$

其中，C为常数，当备用边缘计算节点的计算资源足够时， $t_{{\rm{wait}}}=0 $，当计算资源不够时，则存在 $t_{{\rm{wait}}} $，且该值将纳入AECN中计算任务的时耗计算中，进一步影响优化卸载的决策结果.

计算任务的能耗为

(10) $ {e_{{\rm{exe}}}}(n,m) = c{(m)}{t_{{\rm{exe}}}}(n,m). $

3）计算结果回传. 时间和能耗分别可以表示为

(11) $ {{t_{{\rm{down}}{\rm{ }}}}(n,m) = r(n)/r(n,m)}, $

(12) $ {{e_{{\rm{down}}{\rm{ }}}}(n,m) = p(n){t_{{\rm{down}}{\rm{ }}}}(n,m)}. $

由于计算类型的特殊性，以每1 h的周期更新信息数据，如果不是在本地进行计算，数据须全部传输至备用边缘节点或云端之后，再进行负荷特征分析，故在计算时延和能耗时须将3个阶段进行累加，最终得到卸载任务至备用边缘计算节点的综合时延和综合能耗：

(13) $ {t_{{\rm{mec}}}}(n,m) = {t_{{\rm{off}}}}(n,m) + {t_{{\rm{exe}}{\rm{ }}}}(n,m) + {t_{{\rm{down}}{\rm{ }}}}(n,m), $

(14) $ {e_{{\rm{mec}}{\rm{ }}}}(n,m) = {e_{{\rm{off}}}}(n,m) + {e_{{\rm{exe}}{\rm{ }}}}(n,m) + {e_{{\rm{down}}{\rm{ }}}}(n,m). $

综合考虑时延和能耗，该阶段的综合负载为

(15) $ {K_{{\rm{mec}}}}(n) = {\lambda _{\rm{e}}}{(n)}{e_{{\rm{mec}}}}(n) + {\lambda _{\rm{t}}}(n){t_{{\rm{mec}}}}(n). $

和卸载至备用边缘节点一样，若在决策中第2阶段选择将 $k $个计算任务继续卸载至云端服务器进行计算，任务上传、处理以及结果回传的时延分别为

(16) $ {t_{{\rm{off}}{\rm{ }}}^{\rm{c}} = b(k)/r(c),} $

(17) $ {t_{{\rm{exe}}{\rm{ }}}^{\rm{c}} = d(k)/f(c) + {t_{{\rm{wait}}{\rm{ }}}},} $

(18) $ {t_{{\rm{down}}{\rm{ }}}^{\rm{c}} = r(k)/r(c).} $

式中：r (c)为备用边缘节点与云平台之间的信息传输功率.

综合时延为

(19) $ {t_{\rm{c}}}\left( n \right) = t_{{\rm{off}}}^{\rm{c}} + t_{{\rm{exe}}}^{\rm{c}} + t_{{\rm{down}}}^{\rm{c}}. $

能耗分别为

(20) $ {e_{{\rm{off}}{\rm{ }}}^{\rm{c}} = t_{{\rm{off}}{\rm{ }}}^{\rm{c}}q(k),} $

(21) $ {e_{{\rm{exe}}{\rm{ }}}^{\rm{c}} = t_{{\rm{exe}}{\rm{ }}}^{\rm{c}}c(c),} $

(22) $ {e_{{\rm{down}}{\rm{ }}}^{\rm{c}} = t_{{\rm{down}}{\rm{ }}}^{\rm{c}}p(k).} $

综合能耗、综合负载分别为

(23) $ {{e_{\rm{c}}}(n) = e_{{\rm{off}}}^{\rm{c}} + e_{{\rm{exe}}}^{\rm{c}} + e_{{\rm{down}}}^{\rm{c}},} $

(24) $ {{K_{\rm{c}}}(n) = {\lambda _{\rm{e}}}(n){e_{\rm{c}}}(n) + {\lambda _{\rm{t}}}(n){t_{\rm{c}}}(n).} $

若不考虑能耗经济性和时延问题，计算任务卸载与否或卸载至何处对于计算结果以及居民区内用电指导并没有较大的影响，但若考虑2.2节中分配模型中的目标函数，该问题便转化为多用户博弈问题. 为了使得多方最优，提出基于卸载分配模型的任务卸载原则.

对于各个用户的决策结果，如果将计算任务卸载至AECN进行的综合负载小于留在ECN本地执行的综合负载的话，则称该任务卸载为决策有益的卸载.

(25) $ {{K_{{\rm{loc}}}}(n) \leqslant {K_{{\rm{mec}}}}(n),\quad {\text{则}}A(n) = - 1,} $

(26) $ {{K_{{\rm{loc}}}}(n) > {K_{{\rm{mec}}}}(n),\quad{\text{则}}A(n) = {\rm{randi}}\;(1 - 5).} $

对于决定进行卸载的用户，须进行第2阶段的决策，同样定义，若将计算任务继续卸载至云端进行的综合负载小于卸载至AECN的综合负载的话，称该任务卸载为决策有益的卸载.

(27) $ {{K_{{\rm{mec}}}}(n) \leqslant {K_{\rm{c}}}(n),\quad {\text{则}}X(n) = 1,} $

(28) $ {{K_{{\rm{mec}}}}(n) > {K_{\rm{c}}}(n),\quad {\text{则}}X(n) = 0.} $

针对所建立卸载分配模型的卸载原则即为使决策参与者中做出有益决策的数量达到最大.

由于参加居民区信息管理的各终端设备处于同一决策环境下，彼此的卸载决策相互影响，为了达到全局决策最优，在提出的任务卸载原则下，经过两阶段卸载流程得到最优决策结果集：

(29) $ \varGamma = \left( {N,{{\left\{ {{a_n}} \right\}}_{n \in N}},{{\left\{ {{Z_n}} \right\}}_{n \in N}}} \right). $

式中： $N $为用户集， $a_n $为包括 $A_n $及 $X_n $的策略合集， $ Z_n$为每个用户承担的最小综合负载.

使求解得到的决策结果集 $A_n $与 $X_n $在多用户计算任务卸载决策博弈中达到纳什均衡，即在该解集下，没有一个用户可以通过改变自己的决策结果来降低自己的计算负载. 为了达到该纳什平衡状态，可以通过有限次数的迭代.

结合通讯信息传递方式和纳什均衡的条件，在卸载优化的基本原则下给出求解均衡解集的两阶段任务卸载算法流程，如图3所示.

在每个时间片内， $ N$个终端设备在卸载优化基本原则下更新卸载决策，直至循环结束，得到最终的最优卸载决策集.

以小数目进行算例分析验证，选择50个终端，5个备用边缘计算节点和1个云平台. 云平台根据计算任务量，各个终端设备、备用边缘计算节点的计算能力以及各个信道的传输频率，综合考虑时延和计算功耗，进行优化求解任务分配，达到纳什均衡.

现简化模型，假设5个AECN的计算能力相同，以及各个ECN与AECN的数据传输通道条件也相同. 50个ECN分为具备不同计算能力的4种类型，且对时延和能耗具有不同的侧重比例. 如表2、3所示，以1 h为周期更新信息、计算及储存，对应不同的任务数据量、计算量.

参考文献[26]在计算机行业对于不同类型APP的参数选择，根据已有某居民区1 a的光伏发电、家庭非侵入式检测设备的数据记录处理文件以及某区域电动汽车充电站的订单数据，可以大致得到处理相应文档需要的计算量、结果量以及传输数据量.

家庭能源管理系统中的智能设备较多、数据量较大，所以数据量及计算量最大；电动汽车充电桩和储能设备计算任务较小，故相应参数设置较小. 具体参数设置如表4所示.

利用MATLAB进行建模仿真，在迭代了276个时间周期后，判断达到纳什均衡，得到任务卸载决策结果，如表5所示.即50个终端，其中有20个终端选择卸载任务至AECN，且均选择不再上传至云端，这是由于计算任务总量不多，本地及备用边缘计算节点的计算能力足够，若增多计算任务，结果将会有所不同.

绘制随着时间片的推移，即博弈迭代次数K的增加，50个终端设备的时延、能耗及综合负载情况L的变化曲线，如图4所示. 在博弈轮次前半段，曲线有些许波动但整体呈现下降趋势，而在博弈达到200次之后，曲线趋于平缓，保持不变，即达到了纳什均衡. 对应地，如图5所示，有益卸载数量在博弈开始到200次之间呈现上升趋势，之后保持卸载数20不再变化.

同时由于设置本地设备与各个备用边缘计算节点的传输距离及信道数据均相同，得到最终任务卸载的分配较均匀，如图6所示，5个备用边缘服务器接受卸载任务的用户数W=5、4、4、4、3.

为了分析所提任务卸载策略的可行性和优越性，设置几种不同的参数设置和计算模式的对照组针对同样情况下的任务进行计算处理.

情景1：终端设备对于时延和能耗的敏感度变化.在算例分析中各个终端设备对时延和能耗有其相应的偏好，若重新设置时延和能耗在综合负荷中所占比例，优化卸载算法得到的结果也会随之变化，如表6所示. 表中，N_off为卸载数量. 可以看出，随着在综合负载中能耗占比的减小，终端用户的卸载数量随之增长. 这是由于算例中各个边缘节点的单位计算能耗与备用计算节点及云平台比较相对较小，在不考虑时延，仅考虑能耗的情况下，终端节点更倾向于不卸载任务；另一方面，边缘节点的计算能力不如备用计算节点及云端强，计算相同任务所耗时间更多，若时延在综合负载评判中占比更高，边缘节点则倾向于将任务卸载至备用边缘计算节点或云端进行处理，而具体卸载任务的数量则是根据优化卸载策略结果决定的.

情景2：对比任务卸载模型与传统云计算模型以及全部留在本地计算模型. 在各个终端各自对时延和能耗的接受偏好不同的情况下，对比分析采用不同的计算方式（全部留在本地、全部上传至云端、本算例中采用的结合边缘计算的任务卸载）所对应的时延、能耗及综合负载（规格化后），如图7所示.可以看出，全部留在本地进行计算的时延、能耗及综合负载在3种计算方式中均为最大，这主要是由于边缘计算节点的计算模块不是其主功能模块，计算能力不足，且功耗较大；若全部上传云端，主要能耗体现在计算数据和结果的上传下载中；利用优化卸载方案达到卸载解集纳什均衡后的综合负载是3种计算方式中最小的.

以上是按照各终端有各自偏好，设置的能耗与时延占比不同. 改变能耗和时延的占比，分析3种计算方式，如图8所示. 可以发现，当终端对于时延敏感度较高时，优化卸载的优越性会有较大的体现，主要原因是云端须集中运算决策性任务，从边缘节点上传的计算任务所需排队延时较大. 若偏好选择中能耗占比更大，云端集中计算会稍优于其他2类计算模式.

考虑到居民区负荷智能化发展，各类终端对于时延以及能耗的重视偏好会有较大的不同，非侵入式电力监测设备对于时间敏感度较高，而光伏设备则对时延要求稍低一些. 在这种趋势下，如果全部利用边缘终端设施进行本地计算，或是全部上传至云端集中计算都无法达到全局最优，而优化卸载的计算模式通过全局博弈达到均衡解，选择最优卸载决策.

情景3：对比有备用边缘节点参与的任务卸载模型和传统边云协作（无备用边缘节点参与）模型. 现有研究考虑应用场景，大多任务卸载仅包含边缘节点和云平台两方的参与，本研究提出的备用边缘节点的设置目的是为了减轻云平台的计算压力，另一方面，减少数据上传云端面临的丢失风险，保障信息传输的安全性和私密性. 另外通过仿真实验对比可以看出，添加备用边缘节点的任务卸载模型在时延和能耗上也优于无备用边缘节点参与的传统边云协作模型.

同样利用算例中50个计算任务、计算能力以及对时延能耗敏感度不同的终端设备，在2种模型下进行比较，结果如图9所示.可以看出，在配置备用边缘节点的情况下，本地产生的计算任务卸载至备用边缘节点的数量有所上升，但总体的能耗、时延以及综合负载都有所降低. 虽然在小数量的算例分析中添加备用边缘节点的优势不十分明显，但综合考虑居民区云平台处理任务的繁杂性，出于减轻云平台的运算负担，备用边缘节点的设置具备一定的必要性.

提出基于任务卸载的居民区信息管理优化策略，将在通信领域中已有研究基础的任务卸载策略的应用范围拓展至居民区用电信息管理系统中，并在其中添加了备用边缘节点角色，通过归纳居民区用电信息管理的框架下具有的计算任务内容，建立基于边缘计算的居民区信息管理框架及流程. 利用多用户博弈模型研究居民区用电信息管理的任务卸载策略，求解纳什均衡，得到最优任务卸载决策. 最后用算例分析终端设备对能耗和时延的个性化偏好对卸载结果的影响，证明了所提模型和策略相较于传统计算模式具有较强优越性.

本研究仍具有一定的局限性，没有考虑各个备用边缘计算节点的差异性，将其模型简化为具备相同计算能力，并与各边缘节点连接传输条件相同的设备；默认若家庭用户选择卸载任务即卸载全部计算任务，而不是根据自己的计算能力及计算任务的重要性选择部分卸载以及判断具体卸载内容. 在未来的研究中，将会进一步细化任务卸载的内容，针对任务类型及信息进行有选择性的卸载.