實驗模擬結果

在所提之混合型任務卸載演算法([α, 𝛽, 𝛾, 𝛿]=[0.25, 0.25, 0.25, 0.25])與三種不 同演算法之效能比較結果圖(圖9~11)，實驗模擬結果圖中橫軸為伺服器總數量(分 別是40~90臺伺服器)，縱軸為效能比較參數平均值，圖9、圖10、圖11分別是平均 延遲時間、平均電量消耗、以及平均成本開銷之效能比較圖。

在圖9所顯示之平均延遲時間之效能比較中，最佳的確是延遲優先演算法(在後 續其他效能參數比較中，延遲優先演算法就表現得非常不理想)，而所提之混合型 演算法居次，電力消耗優先演算法則是最不理想。

於圖10所顯示之平均電量消耗之效能比較當中，最佳的也是為電量優先演算 法(於後續其他效能比較之表現中，電量優先演算法相對表現得不理想)，而本論文 所提之混合型演算法居次，延遲優先演算法、成本優先演算法則是最不理想。

最後，圖11所顯示之平均成本開銷之效能比較中，最佳的也是為成本優先演算 法，而所提之混合型演算法居次，電量優先演算法、延遲時間演算法則是最不理想。

綜合上述，圖9、圖10、圖11在這三種效能比較能夠看出單項其他效能優先的 演算法法雖然在該項比較上是最為優越，但於另外的效能比較上就表現得相當不 理想，但是本論文所提出的混合型演算法，在伺服器量逐漸增多時相較於原本延遲 時間優先演算法、電量消耗優先演算法、成本開銷優先演算法在各單項表現都是為 最優，但是本論文所提之混合型演算法，都均有居次的表現效果。

圖 9：平均延遲時間效能結果比較

圖 1 0：平均電量消耗效能結果比較

圖 1 1：平均成本開銷效能結果比較

在最後我們運用了所提之混合型任務卸載演算法與三種不同混合型演算不同 權重設定(分別為其他混合(一)[0.4, 0.25, 0.25, 0.1], 其他混合(二) [0.3, 0.3, 0.3, 0.1], 其他混合(三) [0.2, 0.3, 0.3, 0.2]等)之效能比較結果圖(圖 12~14)。

在圖 12 之平均延遲時間效能比較中，能夠看出本文所提混合演算法相較其 他三種不同權重設定演算法所得出效能，於少數伺服器亦或是多數伺服器之下其 他混合演算法表現較不穩定，而所提混合演算法權重值，在時間延遲方面能夠有 明顯的降低時間的延遲比較效果。

圖 13 之電量消耗效能比較中，可見本文所提混合演算法之設定權重中，不 論在伺服器多或少的情況下，比起其他三者混合演算法均具有效且穩定的降低電 量消耗的效果。

圖 14 可以看出在成本開銷中，所提之混合演算法參數與其他三者很明顯的 降低了成本的支出，穩定達到降低成本的理想狀態。

圖 1 2：平均延遲時間效能結果比較 (相較於其他混合)

圖 1 3：平均電量消耗效能結果比較 (相較於其他混合)

圖 1 4：平均成本開銷效能結果比較 (相較於其他混合)