检索结果-内蒙古大学图书馆

电子科技 2024年第8期37卷 26-33页

作者：孔小爽袁健上海理工大学光电信息与计算机工程学院上海200093

计算密集型任务数量的增加导致智能移动设备(Smart Mobile Devices,SMD)计算任务过载,借助MEC(Mobile Edge Computing Servers)及利用网络中空闲边缘设备(Edge Devices,ED)可使计算能力受限的SMD将计算任务卸载到MEC和ED协作中,并基于... 详细信息

计算密集型任务数量的增加导致智能移动设备(Smart Mobile Devices,SMD)计算任务过载,借助MEC(Mobile Edge Computing Servers)及利用网络中空闲边缘设备(Edge Devices,ED)可使计算能力受限的SMD将计算任务卸载到MEC和ED协作中,并基于委托信誉证明(Delegated Proof of Reputation,DPoR)共识机制增强系统的安全性。文中提出一种基于鸟群人工鱼群算法(Bird Swarm-Artificial Fish Swarm Algorithm,BS-AFSA)的区块链移动边缘计算卸载模型,将任务卸载问题转化为优化目标函数来降低计算开销。采用改进鸟群人工鱼群算法来优化任务时延和能量消耗,对算法中的行为参数进行针对性构造,并改进拥挤度因子来提高后期迭代中寻优的局部搜索精度。仿真结果表明,与其他基准算法相比,文中所提算法减少了陷入局部最优的可能性,并降低了联合卸载方案的系统总开销。

关键词：区块链移动边缘计算计算卸载共识机制鸟群算法人工鱼群算法任务时延能耗优化问题

来源：评论

学校读者我要写书评

暂无评论

D2D 辅助的无线供能移动边缘计算系统能效优化

引用

通信技术 2024年第5期57卷 480-487页

作者：费潇聪徐伟强浙江理工大学信息科学与工程学院浙江杭州310018

移动边缘计算与无线功率传输的集成能够解决许多低功率网络中移动设备计算和能量资源有限的问题。而当设备到设备通信应用到无线供能移动边缘计算系统时,可以为系统提供更加高效的通信服务。为了解决设备到设备通信辅助的多用户协同无... 详细信息

移动边缘计算与无线功率传输的集成能够解决许多低功率网络中移动设备计算和能量资源有限的问题。而当设备到设备通信应用到无线供能移动边缘计算系统时,可以为系统提供更加高效的通信服务。为了解决设备到设备通信辅助的多用户协同无线供能移动边缘计算系统的能效优化问题,将其建模成一个联合优化任务卸载、传输时间和功率、中央处理器最大频率的混合整数非线性规划问题。运用李雅普诺夫优化理论和优化求解器BARON有效转化并求解了该问题。仿真结果验证了所提方案可以实现能效的优化。

关键词：设备到设备通信无线功率传输移动边缘计算能效

来源：评论

学校读者我要写书评

暂无评论

缓存辅助的移动边缘计算系统联合卸载和资源优化研究

缓存辅助的移动边缘计算系统联合卸载和资源优化研究

引用

作者：张惠敏广州大学

学位级别：硕士

随着移动技术的快速发展,无线设备数量和数据流量呈爆炸式增长,各种移动应用在时延、能耗等方面提出更严格的要求。这些变化使得传统云计算难以保证海量任务的低延迟需求。移动边缘计算(Mobile Edge Computing,MEC)作为实现下一代通信... 详细信息

随着移动技术的快速发展,无线设备数量和数据流量呈爆炸式增长,各种移动应用在时延、能耗等方面提出更严格的要求。这些变化使得传统云计算难以保证海量任务的低延迟需求。移动边缘计算(Mobile Edge Computing,MEC)作为实现下一代通信的关键技术之一,通过有效的计算卸载将计算密集型任务下沉至边缘节点,能够在满足最低等待时延条件下卸载更多计算任务。尽管计算卸载对于计算密集型用户具有显著优势,但不稳定、低传输速率的通信环境和不同设备产生的卸载任务数据发生重叠的可能,使其仍然需要进一步改进。利用缓存辅助技术,可减少MEC系统任务卸载过程中的冗余数据,提高卸载效率。由此,本文将围绕结合缓存辅助技术的MEC系统,针对目前已有相关研究尚未解决的问题展开研究,具体研究内容如下。第一,目前关于缓存辅助的MEC系统的相关工作中,为方便研究,仅考虑了任务时延约束与边缘计算终端用户能耗的加权和最小化问题;在实际应用场景中,当MEC系统终端用户的计算任务存在执行时延约束时,其研究结果将无法适用。为此,本文在给定各个终端用户的计算任务时延约束以及其他资源(包括计算资源、带宽资源和缓存资源)分配约束条件下,对一个由基站、MEC服务器和多个用户组成的缓存辅助MEC系统进行研究,其目标是通过联合优化任务卸载比率、缓存比率、计算资源分配和带宽资源分配,最大化各个用户卸载至MEC服务器的任务量总和,从而实现整个系统的效用最大化。在建立的优化问题中,由于时延约束是非凸的,因此该问题是一个难以处理的非凸优化问题。为了求解该问题,本文对非凸的时延约束应用一阶泰勒展开方法进行处理,并通过基于连续凸逼近的迭代优化算法对问题进行求解。仿真结果表明,与带宽平均分配方案、计算资源平均分配方案以及带宽和计算资源平均分配方案三个基准方案相比,本文提出的方案在改善系统性能方面优于三个基准方案。第二,与目前关于MEC系统的大部分相关研究相同,在第一个研究工作中,本文假设任务卸载过程中信道是时不变的。然而,在许多应用场景中(例如终端用户移动时),任务卸载过程中信道是时变的。在这种情形下,使用已有研究的结果将会导致性能降低。因此,本文在第一个研究内容的基础上,第二个研究工作的系统设计考虑了任务卸载过程中信道时变的场景,其目标是在给定各个用户计算任务时延约束以及计算资源、带宽资源和缓存资源约束条件下,通过联合优化带宽资源实时分配、传输时隙数分配、计算资源分配、任务卸载比率和缓存比率策略,最大化所有用户卸载至MEC服务器的任务量总和,从而实现整个系统的效用最大化。在建立的优化问题中,由于离散的传输时隙数与其他变量耦合,因此该问题是一个难以求解的混合整数非线性规划问题,无法通过传统优化理论进行求解。为了求解该问题,本文首先把其转换为马尔可夫决策过程问题,然后提出了一种基于目标的分层强化学习框架对其进行求解。在该框架中,通过外层深度Q网络(Deep Q Network,DQN)优化传输时隙数分配、计算资源分配、任务卸载比率和缓存比率策略,通过内层DQN优化带宽资源实时分配策略,从而可有效地获得优化问题的最优解。仿真结果表明,与基于非时变信道的传统方案、固定时隙带宽平均分配方案以及带宽平均分配方案三个基准方案相比,本文提出的方案在改善系统性能方面优于三个基准方案。

关键词：移动边缘计算资源分配缓存时变信道深度强化学习

来源：评论

学校读者我要写书评

暂无评论

无人机辅助移动边缘计算中计算卸载和安全数据传输研究

无人机辅助移动边缘计算中计算卸载和安全数据传输研究

引用

作者：曹博文河北大学

学位级别：硕士

无人机(Unmanned Aerial Vehicle,UAV)由于其灵活性、快速部署和扩大通信范围等特点,被广泛应用于辅助移动边缘计算(Mobile Edge Computing,MEC)场景当中。然而,当无人机作为移动边缘服务器时,如何根据MEC场景中的信息做出更好的计算卸... 详细信息

无人机(Unmanned Aerial Vehicle,UAV)由于其灵活性、快速部署和扩大通信范围等特点,被广泛应用于辅助移动边缘计算(Mobile Edge Computing,MEC)场景当中。然而,当无人机作为移动边缘服务器时,如何根据MEC场景中的信息做出更好的计算卸载策略是一个复杂的问题。此外,无人机自身的开放性和无线通信特性使其容易遭受窃听,其中敏感数据的泄露可能导致严重的隐私和安全后果。因此,通过有效的安全方法,提高传输数据的保密性,也成为了一个亟待解决的问题。针对上述问题,本文针对无人机辅助移动边缘计算网络进行了研究,具体内容如下: (1)为了优化无人机的计算卸载策略,提出了一个多无人机延迟感知协作框架。首先,考虑用户和无人机的位置变化、信道条件变化等复杂因素,通过优化无人机的飞行轨迹、任务的卸载决策和无人机之间的协同策略来最大化无人机运营商效用,并将问题描述为马尔可夫决策过程(Markov Decision Process,MDP)问题。其次,所提出的协作框架基于排队队列实现动态的任务积压,以保证计算卸载任务的可靠性和稳定执行。同时为了保证用户服务质量,实现延迟感知,采用一个服务水平协议(Service Level Agreement,SLA)来对时延敏感的任务奖励进行建模。最后提出了一个基于深度强化学习(Deep Reinforcement Learning,DRL)的卸载优化算法,并通过实验来评估算法的性能。仿真结果表明,所提出的协作框架有利于更好地完成用户任务,提出的算法能够达到快速收敛,且在性能上优于其他基准算法。 (2)为了解决数据传输过程中面临的安全问题,特别是有效防范窃听攻击以保证数据安全,设计了一个安全数据传输模型。该模型考虑了物理层安全(Physical Layer Security,PLS),通过无人机之间提供协同干扰来防止数据被窃听者窃取。具体的,该模型综合考虑了无人机的传输功率、飞行轨迹以及任务调度决策,旨在通过这种联合优化方法显著提高用户数据传输过程中的保密率。本文提出了一种基于深度强化学习算法的安全数据传输策略,并通过广泛的实验模拟验证了其算法的有效性。

关键词：无人机移动边缘计算计算卸载物理层安全深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于流量预测的多无人机辅助移动边缘计算资源分配策略研究

基于流量预测的多无人机辅助移动边缘计算资源分配策略研究

引用

作者：周辰浩电子科技大学

学位级别：硕士

近年来,物联网技术的快速发展提高了用户对于计算密集型和时延敏感型应用的需求,从而加速了移动边缘计算的发展。传统地面基站面临用户实时移动性和分布不确定性的挑战,导致其边缘计算部署受限。而无人机凭借其高度的灵活性和易于部署... 详细信息

近年来,物联网技术的快速发展提高了用户对于计算密集型和时延敏感型应用的需求,从而加速了移动边缘计算的发展。传统地面基站面临用户实时移动性和分布不确定性的挑战,导致其边缘计算部署受限。而无人机凭借其高度的灵活性和易于部署的特点,可以将无人机作为边缘计算服务器辅助地面基站提供任务卸载服务,以适应更加复杂的网络环境需求。由于地面用户的卸载任务需求动态时变,导致不同时刻的网络流量起伏变化较大,难以通过预设的无人机部署方案为边缘计算系统提供高效的任务卸载服务,因此需要提前对目标区域的网络流量进行预测。并且为了满足任务的卸载时延要求,需要为用户关联合适的无人机或地面基站,并进行合理的资源分配。针对上述问题,本文分别从流量预测和多无人机辅助移动边缘计算网络中的资源分配问题这两方面进行研究,主要研究内容如下: 考虑到在实际应用中,由于流量分布的不均匀性及区域间流量变化的显著差异,特别是对于大范围区域的流量预测,很难直接捕捉流量的变化规律。同时,历史数据对预测结果的贡献并非均等,某些关键时刻的流量信息可能对未来流量变化具有较大影响。据此,本文提出了LA-Conv LSTM预测模型,该模型通过提取历史流量数据的时空特征来预测未来时刻的流量变化。为了有效提取不同区域间流量变化的空间特征关系,本模型对网络流量数据建立了网络社区结构,并基于Louvain算法对原始区域进行划分。同时通过本文提出的时间自注意力记忆模块,使模型能够有效地捕捉和利用数据中的长距离依赖关系。仿真结果表明,与其他预测模型相比,LA-Conv LSTM预测模型展现了更高的预测精度。本文构建了多无人机联合地面基站的任务卸载场景,在这个场景下构建了无人机辅助移动边缘计算模型。综合考虑了多移动用户的任务卸载匹配、多无人机及地面基站的资源分配和多无人机轨迹规划这三方面因素,提出了最小化卸载时延的优化问题。为解决此优化问题,本文提出了一种基于多智能体强化学习的DAMAPPO算法,引入了非固定值梯度裁剪策略和多头注意力机制以解决潜在最优策略遗漏和复杂状态输入的收敛问题。通过多智能体间的合作与竞争,实现了多无人机辅助地面基站的任务与资源分配。仿真结果表明,与其他算法相比,通过DAMAPPO算法得到的任务和资源分配方案可以更有效的减少用户任务卸载时延。

关键词：流量预测时空特征移动边缘计算资源分配多智能体强化学习

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的移动边缘计算中的计算卸载

基于深度强化学习的移动边缘计算中的计算卸载

引用

作者：支阳大连理工大学

学位级别：硕士

随着边缘计算和5G技术的进步,智能设备和系统正越发利用边缘计算提升数据处理的速度和效率。移动边缘计算(MEC)允许用户设备将计算任务卸载至边缘服务器,从而减轻资源负担。然而,MEC系统是动态的且非常复杂,传统优化算法难以找到最优解... 详细信息

随着边缘计算和5G技术的进步,智能设备和系统正越发利用边缘计算提升数据处理的速度和效率。移动边缘计算(MEC)允许用户设备将计算任务卸载至边缘服务器,从而减轻资源负担。然而,MEC系统是动态的且非常复杂,传统优化算法难以找到最优解。深度强化学习(DRL)算法融合了深度学习的特征提取和强化学习的策略优化,能实现长期性能改善。本文利用DRL算法研究MEC中的计算卸载问题,包括完全卸载与部分卸载策略。针对具有优先级任务的多用户多边缘服务器的完全卸载场景,本文考虑设备移动性、任务异构性以及任务优先级等实际情况,构建了以最小化任务处理延迟为目标的优化问题。为了有效地解决这一问题,本文采用了马尔可夫决策过程进行建模,提出了一种基于双深度Q网络的任务卸载算法,并且引入优先经验回放机制,以加速网络的收敛速度。仿真结果表明,本文提出的方法能够比其他DRL算法更快地收敛,并且取得了更低的处理延迟。针对具有延迟约束任务的多用户单边缘服务器的部分卸载场景,本文考虑信道时变性、任务延迟敏感性以及任务排队等实际情况,构建了以最小化任务处理延迟和能耗的加权和为目标的优化问题。为解决这一问题,本文将其建模为马尔可夫决策过程,并采用基于多智能体Actor-Critic框架的强化学习算法来得到任务的卸载率和用户的传输功率。仿真结果表明,与其他基准算法相比,本文所提出的方法取得了较低的平均执行成本和较高的任务完成率。

关键词：移动边缘计算任务卸载资源分配深度强化学习

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算环境下基于信任模型的可靠多重计算卸载策略

引用

计算机集成制造系统 2020年第6期26卷 1616-1627页

作者：齐平王福成徐佳李学俊铜陵学院数学与计算机学院安徽铜陵244000 安徽大学计算机科学与技术学院安徽合肥230601

移动边缘计算环境下的计算卸载技术有助于解决移动终端在资源存储、计算性能等方面的不足。然而,在拥有大量计算资源的移动边缘计算环境中,边缘服务器、移动终端以及网络通信链路的不可靠性不可避免,而应用任务的执行失败对工作流任务... 详细信息

移动边缘计算环境下的计算卸载技术有助于解决移动终端在资源存储、计算性能等方面的不足。然而,在拥有大量计算资源的移动边缘计算环境中,边缘服务器、移动终端以及网络通信链路的不可靠性不可避免,而应用任务的执行失败对工作流任务调度将造成极大的影响。针对上述问题,首先借鉴社会学中的人际关系模型,同时考虑移动边缘计算环境下应用任务执行的特点,利用Bayes方法对移动终端、边缘服务器和云服务器的可信度分别进行评估,构建了移动边缘计算环境下各类计算资源之间的信任关系模型。其次,结合信任模型和基于多重计算卸载策略的时间开销计算方法,设计了评价计算卸载策略可靠性以及时间开销的适应度计算方法,提出了基于信任模型的可卸载边缘服务器选择算法。最后,结合工作流管理系统提出了移动边缘计算环境下基于信任模型的可靠多重计算卸载策略。通过仿真实验,证明了所提出的基于信任模型的可靠多重计算卸载策略算法能够以较小的时间开销为代价,有效提升应用任务的执行成功率。

关键词：移动边缘计算资源分配计算卸载信任评估工作流

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算环境下位置感知的工作流任务迁移成本优化策略研究

移动边缘计算环境下位置感知的工作流任务迁移成本优化策略研究

引用

作者：刘晓磊内蒙古大学

学位级别：硕士

随着5G技术的迅速发展和移动设备的数量激增,用户在移动设备上执行工作流应用的需求日益增加。在移动边缘计算网络中,当移动设备从一个区域移动到另一区域时,其计算任务可以继续在源区域的边缘服务器上执行,并通过回程链路将任务执行结... 详细信息

随着5G技术的迅速发展和移动设备的数量激增,用户在移动设备上执行工作流应用的需求日益增加。在移动边缘计算网络中,当移动设备从一个区域移动到另一区域时,其计算任务可以继续在源区域的边缘服务器上执行,并通过回程链路将任务执行结果传输给用户,也可以迁移到目标区域的边缘服务器上执行。第一种情况会延长工作流应用的执行时间,第二种情况会导致额外的迁移成本。因此,如何有效地权衡任务执行时间与迁移成本是目前移动边缘计算领域亟待解决的问题。本文提出了一种基于改进深度确定性策略梯度算法的工作流任务迁移成本优化策略,旨在满足截止时间要求的情况下,最小化工作流执行成本。本文的主要工作及贡献如下:(1)针对移动边缘计算环境下工作流任务迁移问题,本文构建了系统模型和工作流模型,以实现对移动边缘计算环境下工作流任务迁移场景的描述。针对在满足截止时间的要求下最小化工作流执行成本这一优化目标,本文将工作流任务迁移成本优化问题建模为组合优化模型,并分别构建了响应时延模型和成本模型。考虑到移动边缘计算环境中用户的移动性,本文在进行任务迁移研究之前,构建了基于循环神经网络的用户移动位置预测模型,并使用该模型对用户的移动位置进行预测,使得进一步研究任务迁移时更符合实际情况。(2)针对上述成本优化问题,本文提出一种基于改进深度确定性策略梯度算法的工作流任务迁移决策算法来寻找高质量的迁移策略。为了提高智能体的探索能力,算法中使用基于优先级调度算法的动作探索策略对传统的动作选择机制进行改进。针对满足截止时间这一约束条件,算法中使用基于动态规划的方法来计算工作流的完成时间,以筛选出满足约束条件的可行解。(3)本文分别对用户移动位置预测与提出的工作流任务迁移决策算法进行了实验。在用户移动位置预测实验部分,本文使用平均位移误差、终点位移误差等四个评估指标对预测精度进行评估,结果验证了用户移动位置预测模型预测的准确性。在工作流任务迁移决策算法实验部分,本文使用Montage、Cyber Shake、Sipht和LIGO四个科学工作流进行了多组仿真实验,结果表明,本文提出的工作流任务迁移决策算法可以得到成本更低的工作流任务迁移决策方案。

关键词：移动边缘计算任务迁移工作流移动性深度确定性策略梯度算法

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算环境下的用户分配及服务迁移优化方法研究

移动边缘计算环境下的用户分配及服务迁移优化方法研究

引用

作者：蒋越安徽大学

学位级别：硕士

移动边缘计算(Mobile Edge Computing,MEC)的提出赋予了网络边缘计算和存储能力,其边缘服务器放置于贴近用户的位置使其可以在极低延迟的环境下为用户提供服务,弥补了云计算模式交互延迟较高的不足,很好地满足了部分延迟敏感型应用实时... 详细信息

移动边缘计算(Mobile Edge Computing,MEC)的提出赋予了网络边缘计算和存储能力,其边缘服务器放置于贴近用户的位置使其可以在极低延迟的环境下为用户提供服务,弥补了云计算模式交互延迟较高的不足,很好地满足了部分延迟敏感型应用实时计算的需求,极大地提升了用户的服务体验。然而,在移动边缘计算环境下,边缘服务器只具备有限的计算资源与存储能力,不合理的用户分配策略将降低边缘系统内承载用户的能力,并可能造成资源浪费;当用户移动到过载的边缘服务器信号范围内时,其可能无法被分配至边缘服务器,并排队等待或被分配至远程云服务器,为此,需要合理的用户分配算法提升边缘系统的用户承载量与资源利用率。其次,随着用户的移动,当用户与其请求的服务所在边缘服务器的网络距离过大时,用户的感知服务延迟增大,需要进行服务迁移。但由于迁移成本、隐私、网络拥塞状况的限制,一些服务迁移策略将难以协调以上众多因素,针对该问题,服务迁移策略需要在多个目标纬度上进行综合求解。为了解决上述两个问题,本文分别提出了用户分配算法与无缝迁移策略。本文主要贡献如下:(1)提出了自适应移动路径感知的用户分配算法,该算法首先分析用户行进状态,结合路网数据预测用户未来移动轨迹,基于该轨迹提出一种分配策略,以服务器信号范围内用户的预期停留时间作为适应值,为用户分配最佳的边缘服务器,减少其因超出服务器信号范围而造成的连接中断;接着基于最佳适应算法提出一种分配决策自适应调整算法,进一步提升边缘系统的用户承载量与服务器的资源利用率。(2)提出了基于第三代非支配遗传算法(NSGA-Ⅲ)的位置隐私感知的无缝服务迁移策略,该算法首先将迁移策略编码成NSGA-Ⅲ的样本,计算各个样本在用户请求服务延迟、位置隐私、迁移成本这三个指标的解,接着使用NSGA-Ⅲ计算最优迁移策略,然后将研究区域内网络链路图在通信延迟与通信成本这两个维度加权,构成新的拓扑图,再使用Dijkstra算法选取迁移路径集合,从而减少服务迁移造成的服务中断时间。(3)本文在开源路网数据集、用户轨迹数据集上进行了大量实验。实验结果表明,本文提出的方法能够有效提升移动边缘用户的服务体验,并提升边缘系统的用户承载量、资源利用率及用户的位置隐私保护程度,降低服务迁移的成本。

关键词：移动边缘计算用户分配服务迁移轨迹预测路径选择

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中的计算卸载时延优化策略研究

移动边缘计算中的计算卸载时延优化策略研究

引用

作者：周嘉韵华南理工大学

学位级别：硕士

随着移动互联网和5G通信技术的高速发展,移动边缘计算中计算密集且时延敏感型任务的计算卸载问题受到了学术界的广泛关注。本文将分别针对移动边缘计算中的多边缘服务器覆盖场景以及移动边缘计算-设备对设备(MEC-D2D)协助计算场景,结合... 详细信息

随着移动互联网和5G通信技术的高速发展,移动边缘计算中计算密集且时延敏感型任务的计算卸载问题受到了学术界的广泛关注。本文将分别针对移动边缘计算中的多边缘服务器覆盖场景以及移动边缘计算-设备对设备(MEC-D2D)协助计算场景,结合人工蜂群算法、二分法、凸优化理论以及贪心算法,对场景中的任务卸载时延优化策略进行研究。主要工作包括:1、在多边缘服务器覆盖场景下,提出一种考虑公平性的任务卸载与资源分配算法。现有的移动边缘计算卸载研究工作大多注重用户的整体效益,关注到用户个体效益的研究较少,这导致了个别用户的效益低于大多数用户。因此,需要合理的任务卸载方案与资源分配方案来保证每个用户个体的效益。本文针对多边缘服务器覆盖场景下的计算卸载问题,构建了任务卸载与资源分配的联合模型,以边缘服务器计算资源、通信资源、以及任务最大容忍时延为约束,在考虑公平性的前提下对所有任务的服务体验进行优化,并提出了一种基于二分法的资源分配算法,以及基于改进的人工蜂群算法的任务卸载算法来求解该模型。最后根据仿真实验结果表明,本文提出的算法在不同任务密度与不同资源配置的场景下都具有较好的表现,表明本文提出的算法具有良好的性能。2、在MEC-D2D协助计算的场景下,提出一种最大化整体用户效用的任务卸载、任务分割与资源分配的低复杂度算法。本文针对MEC-D2D协助计算场景下的计算卸载问题构建了任务卸载、任务分割与资源分配的联合优化模型,该模型以D2D设备与边缘服务器的通信能力与计算能力为约束,以最大化系统效用值为目标,提出了一种基于凸优化理论和贪心思想的低复杂度的任务卸载、任务分割与资源分配的联合优化算法来求解该模型。最后,将本文算法与对比算法进行仿真实验,实验结果表明本文提出的算法在不同任务密度、不同D2D设备密度以及不同资源配置的场景下,都具有更优的表现,表明本文提出的算法具有良好的性能。

关键词：移动边缘计算 D2D 计算卸载人工蜂群算法贪心算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：