只有少数的研究提出在设置多移动设备用户的情况下的卸载决策问题。X。 Chen等[11]建立了一个社会群体效用最大化（social group utility maximization）的合作网络，考虑到了用户间的社会关系和物理连接。每个用户的目的是最大限度地发挥其社会群体效用，而不是最大限度地发挥其个人效用。L。 Yang等[18]研究了多个用户共享的无线网络的带宽的情况，并解决了由集中启发式遗传算法最大化移动云计算性能的问题。M。 R。 Rahimi[19]等考虑到用户的移动性信息，并提出了一个集中式贪婪算法解决多个移动用户解决卸载计算问题。S。 Barbarossa[20]等提出了一种集中的调度算法，共同优化多个用户等待时间内的通信和计算资源分配。以上集中卸载计算方案需要所有的移动设备用户沿着不同的线路提交他们自己的信息（例如，无线的信道增益和的计算任务的大小）到集中实体（例如，云），这将相应地确定的卸载时间表。在本文中我们采用策略理论方法，并制定一个分布式计算卸载算法，使每一个移动设备用户既可以进行本地卸载计算，也可将计算卸载到云上执行。这可以帮助减少云的控制和信令开销。

显然，由于移动设备是由人类携带和运营，计算卸载机制性能在很大程度上取决于人的行为。在过去的几年中，在线社交网络经历了爆炸式的增长[10]，人们的互动起着越来越重要的作用。根据eMarketer的最新报告，到2017年全球社交网络观众将达25。5亿，使用社交网络已经变成了全世界人民的共同活动。由于社会关系的存在，用户关心自己运算速度的同时也会关心其他社会邻居（包括家人和同事等）的运算速度。这促使本文开发的移动用户之间的社会关系（社会关系），实现互利计算卸载的决策，从而提高了整个系统的性能。

3  系统模型与问题描述

3。1系统模型

本文考虑一组移动设备用户设为N = {1，2，。。。 ，N}，这些移动设备都是围绕一个微云设置。每个用户都有一个计算密集型任务需要完成，并且需要决定该任务是在其自己的移动设备上或在附近微云 上执行。让an∈{0，1}表示用户n是否卸载计算。设an为1表示用户决定在微云 执行其任务，an为0表示用户选择在本地计算任务。该组的移动设备用户N和它们的位置可能在连续计算卸载周期[12]改变，但被认为是一个卸载计算周期[6]内保持不变。论文网

移动用户n的计算任务用Tn（An，Bn）表示，其中的An表示计算输入数据的大小（例如，程序代码）及B n表示完成Tn的所需的指令总数。让Snl和Sc分别是移动用户n和微云的速度（即，每秒的指令数）。

移动用户共享用于任务卸载的通信信道。本文假定该接入点以循环方式动态调度所有用户之间计算卸载时间资源分配[13]。每一个单一的用户，完成用户n传输的时间为给Tn'= An/Bn，其中Rn是当用户被调度时用户n传输数据的上行链路速率。多个用户时，完成用户n传输所需要的总时间可以写成

= ， （1）其中a =（a1，。。。，aN）是所有用户的决策信息。同样，用户n在微云上处理所需的时间可写为

在这里，以确保公平，本文假设微云会将总的计算资源平均分配给需卸载计算的用户。

让表示移动用户n本地执行计算任务n的时间，本地计算的总耗电量为  （3），其中为用户n执行计算的功耗。

如果移动用户n选择在微云上执行其任务，总耗电量可以写成

其中，第一部分是传输所消耗的能量，第二部分是被闲置的能耗，是用户的传输能耗，是用户n闲置时的能耗，是用户n完成所有的数据传输之前的空闲时间，是任务Tn在微云上的执行时间。