随着增强现实(AR)、自动驾驶、远程手术等延迟敏感型应用的爆发式增长，边缘计算这一将计算存储资源推向网络边缘的新范式正受到广泛关注。与传统云计算将处理集中在大数据中心不同，边缘计算通过分布式部署显著降低了延迟和网络拥塞，为5G/6G基础设施提供了更好的服务质量(QoS)保障。然而，工作负载的动态特性、设备异构性和用户移动性不可预测等特点，使得传统的静态或单目标边缘资源管理策略面临严峻挑战。
在边缘计算环境中，服务放置（将计算任务分配到特定边缘节点）和服务迁移（在节点间转移运行中的服务）的决策变得异常复杂。这些决策需要平衡多个相互冲突的目标：既要最小化延迟、降低能耗，又要控制运营成本并保持高可靠性。特别是在协同边缘计算(CEC)架构中，地理分布的边缘节点通过点对点或分层协调机制共享资源，虽然提升了容错性和负载均衡能力，但也大大增加了服务管理的难度。
现有研究方法往往存在明显局限：或专注于单一优化目标，或依赖可扩展性差的集中控制，或缺乏预测移动性引发服务中断的机制。这些不足催生了对分布式、协同感知且具备预测能力的多目标优化框架的迫切需求。
为了解决上述问题，研究人员设计了一个创新性的多目标优化框架。该研究的主要贡献包括：建立了同时最小化延迟、能耗和迁移成本的统一Pareto最优模型；开发了适用于大规模边缘网络的分布式遗传算法；引入了基于长短期记忆(LSTM)神经网络的预测性迁移触发机制。通过在实际场景下的仿真验证，该方法在Pareto前沿覆盖度和解多样性方面均显著优于基线方法。
研究人员采用分布式非支配排序遗传算法(NSGA-II)框架，将其适配于协同边缘网络环境。每个候选解决方案（染色体）编码了服务放置向量X和迁移向量Y。算法通过非支配排序和拥挤度计算进行适应度评估，采用锦标赛选择、交叉和变异操作生成新种群。特别值得一提的是，研究引入了基于gossip的协作机制，边缘集群定期与邻近集群交换精英解，有效提升了算法的可扩展性。
针对用户移动性挑战，团队集成了LSTM预测模型。该模型以用户历史位置序列为输入，输出未来可能连接的边缘节点概率分布。当用户移出当前节点覆盖区域的概率超过阈值时，系统会触发主动迁移，通过多标准评分函数选择最优目标节点。
研究结果通过多维度的可视化分析展示了方法的优越性。三维Pareto前沿图清晰显示了延迟、能耗与迁移成本之间的复杂权衡关系，其中存在的"拐点"区域代表了一个目标的小幅退化可换来其他目标显著改善的最佳平衡点。二维投影图进一步揭示了各目标间的关联特性：延迟与能耗呈现反相关关系，降低延迟通常需要增加能耗；而降低延迟往往需要通过迁移服务到更近节点来实现，这会增加迁移成本。
空间映射可视化直观展示了用户与服务节点间的关联关系。短线段表示服务本地化锚定，实现了低网络延迟；而围绕少数节点的集中分布则提示可能存在负载热点，需要在能效和资源约束间谨慎平衡。
在能耗与迁移成本的关系分析中，研究识别出两种典型解决方案：低能耗/低迁移的"边缘本地"部署模式，充分利用附近微节点的计算资源；低能耗/高迁移模式则通过将服务重新分配到更高效的区域/云节点来提升能效，但需要付出较高的迁移代价。这种方法为运营商根据特定约束条件选择不同策略提供了灵活性。
与集中式NSGA-II和加权和方法相比，提出的分布式方法在多个关键指标上表现出显著优势：延迟降低约35%，能耗减少约22%，迁移成本下降约28%，同时获得了更大的超体积指标。这些改进不仅体现在数值结果上，更转化为实际的运营效益：更好地满足敏感服务的时限约束，提升能源效率，实现更精准的迁移控制，从而减少服务中断风险。
该研究的创新之处在于将多标准建模、分布式进化搜索和主动检测迁移有机结合，为协同环境下的云边连续体提供了稳健实用的管理框架。研究首次在协同边缘计算环境中系统解决了服务放置与迁移的联合优化问题，通过Pareto最优模型避免了传统加权和方法中权重分配的主观性，使决策者能够根据实际需求在延迟、能耗和迁移成本间灵活权衡。
值得注意的是，研究的分布式设计有效克服了集中式控制的可扩展性瓶颈，gossip通信机制在保证算法性能的同时显著降低了控制开销。而LSTM预测模型的引入将迁移策略从被动响应提升到主动预防层面，通过预判用户移动模式有效减少了服务中断时间。
这项研究为边缘计算资源管理提供了重要的方法论创新和实践指导。未来研究方向包括扩展优化目标（如货币成本和碳足迹）、增强预测模型的在线学习能力、引入迁移预算和维护窗口等硬约束，以及在更真实的负载场景和拓扑结构中进行验证。这些进展将进一步完善边缘计算环境下的智能资源管理体系，推动延迟敏感型应用在5G/6G时代的规模化部署。
