检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

1,437 篇 学位论文
997 篇 期刊文献
32 篇 会议
1 篇 科技报告

馆藏范围

2,467 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

2,426 篇 工学
- 1,714 篇 仪器科学与技术
- 1,710 篇 信息与通信工程
- 1,644 篇 电子科学与技术（可...
- 787 篇 计算机科学与技术...
- 454 篇 软件工程
- 367 篇 控制科学与工程
- 181 篇 航空宇航科学与技...
- 171 篇 公安技术
- 90 篇 机械工程
- 73 篇 网络空间安全
- 46 篇 交通运输工程
- 43 篇 电气工程
- 7 篇 光学工程
- 6 篇 动力工程及工程热...
- 5 篇 土木工程
- 5 篇 水利工程
- 4 篇 测绘科学与技术
- 4 篇 船舶与海洋工程
- 4 篇 兵器科学与技术
- 4 篇 农业工程
564 篇 管理学
- 562 篇 管理科学与工程(可...
46 篇 艺术学
- 46 篇 设计学（可授艺术学...
27 篇 理学
- 20 篇 数学
- 2 篇 系统科学
25 篇 军事学
- 23 篇 军队指挥学
- 2 篇 战术学
13 篇 经济学
- 13 篇 应用经济学
6 篇 医学
3 篇 法学
- 2 篇 社会学
2 篇 农学
1 篇 哲学
1 篇 教育学

主题

2,467 篇 移动边缘计算
550 篇 资源分配
484 篇 计算卸载
437 篇 任务卸载
360 篇 深度强化学习
205 篇 车联网
203 篇 无人机
118 篇 强化学习
80 篇 物联网
78 篇 博弈论
75 篇 5g
63 篇 联邦学习
60 篇 遗传算法
57 篇 非正交多址接入
55 篇 卸载决策
51 篇 凸优化
48 篇 任务调度
47 篇 区块链
45 篇 负载均衡
45 篇 无人机通信

机构

158 篇 北京邮电大学
158 篇 南京邮电大学
133 篇 重庆邮电大学
69 篇 电子科技大学
58 篇 北京交通大学
48 篇 西安电子科技大学
47 篇 广东工业大学
39 篇 东南大学
38 篇 南京信息工程大学
36 篇 华中科技大学
36 篇 吉林大学
33 篇 杭州电子科技大学
32 篇 西安邮电大学
31 篇 中国科学院大学
31 篇 南京航空航天大学
29 篇 广西大学
29 篇 北京工业大学
28 篇 华北电力大学
28 篇 重庆大学
28 篇 哈尔滨工业大学

作者

15 篇 李斌
13 篇 薛建彬
11 篇 刘伯阳
9 篇 李陶深
9 篇 陈哲毅
8 篇 徐飞
8 篇 王高才
7 篇 陈曦
7 篇 崔苗
7 篇 李云
7 篇 陈星
7 篇 张广驰
7 篇 葛海波
6 篇 张文杰
6 篇 朱洪波
6 篇 夏士超
6 篇 丁洪伟
6 篇 张浩然
6 篇 万奕尧
6 篇 张文柱

语言

2,466 篇 中文
1 篇 英文

检索条件"主题词=移动边缘计算"

共 2467 条记录，以下是401-410 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于移动边缘计算的车联网任务卸载与资源分配策略研究

基于移动边缘计算的车联网任务卸载与资源分配策略研究

引用

作者：朱小丽河南理工大学

学位级别：硕士

由于汽车终端的计算能力有限,日益增长的车辆数据已成为制约智能交通发展的重要因素。为满足时延敏感型及计算密集型车载应用的计算需求,移动边缘计算(Mobile Edge Computing,MEC)技术被广泛采用,然而,在车联网(Internet of Vehicular,I... 详细信息

由于汽车终端的计算能力有限,日益增长的车辆数据已成为制约智能交通发展的重要因素。为满足时延敏感型及计算密集型车载应用的计算需求,移动边缘计算(Mobile Edge Computing,MEC)技术被广泛采用,然而,在车联网(Internet of Vehicular,Io V)中,由于车辆的高机动性,网络拓扑结构会随着时间发生快速变化,并容易产生间歇性连接,中断正在进行的任务处理。因此,在车联网边缘计算场景中,如何合理利用网络计算、存储及通信资源,设计高效的任务卸载与资源分配方案是本文的研究重点。本文的具体研究内容如下: (1)针对不完美信道车联网环境中的任务卸载与资源分配问题,提出一种基于深度强化学习(Deep Reinforcement Learning,DRL)的任务部分卸载与资源分配策略。在进行问题建模时,考虑了不完美信道对任务卸载的影响,以最小化所有车辆用户的长期平均成本为目标,对车辆的任务卸载量、车辆的通信发射功率和边缘服务器的计算资源分配比例进行联合优化。为实现问题的快速求解,结合优先经验回放机制和重要性采样控制方法,提出了SP-DDPG(Deep Deterministic Policy Gradient with Importance Sampling and Prioritized Experience Replay,SP-DDPG)任务部分卸载与资源分配算法进行求解。仿真结果表明,所提的任务部分卸载与资源分配算法与其他现有卸载算法相比,更能适应复杂时变的车辆边缘计算网络环境,降低任务计算成本。 (2)针对基站覆盖范围外车辆的任务卸载问题,提出了一种移动感知的多跳辅助卸载方案。首先,通过感知车辆的实时位置,获得其所有可能的任务卸载节点信息;其次,将不断变化的车辆位置与每一跳的中继卸载节点选择建模为一个马尔科夫决策过程;最后,采用贪婪搜索算法寻找最佳的卸载路径,利用基于任务优先达到和公平比例任务资源分配算法解决边缘计算资源分配问题。仿真结果表明,本方案能够较好地降低基站覆盖范围外车辆的数据传输时延,提升任务处理效率。图24幅,表5个,参考文献82篇。

关键词：移动边缘计算车联网任务卸载深度强化学习贪婪算法

来源：评论

学校读者我要写书评

暂无评论

面向移动边缘计算的视频缓存机制研究

面向移动边缘计算的视频缓存机制研究

引用

作者：袁健南京邮电大学

学位级别：硕士

随着移动社交网络的快速发展和视频内容提供商数量的不断增加,无线移动网络对数据流量的需求呈爆炸式增长,移动设备的多媒体需求已经成为移动视频流爆发的主要驱动因素。为了减少传输延迟,提升用户体验,使用基站提前缓存视频流是一种可... 详细信息

随着移动社交网络的快速发展和视频内容提供商数量的不断增加,无线移动网络对数据流量的需求呈爆炸式增长,移动设备的多媒体需求已经成为移动视频流爆发的主要驱动因素。为了减少传输延迟,提升用户体验,使用基站提前缓存视频流是一种可选的方案。但是为每个基站单独设计缓存方案不仅麻烦,而且无法充分利用缓存资源。为了应对这些挑战,研究者提出了协作缓存方案来提高网络性能。协作缓存相对于非协作缓存提高了缓存利用率,但由于网络条件的高度动态性,再加上用户处理能力的异构性,用户对视频的特定质量和格式的偏好和需求不同,这进一步提升了视频缓存问题的难度。本文主要研究了由一个宏基站和多个小基站组成的异构MEC网络中的视频缓存的决策调度。针对边缘计算中用户访问时延最小化问题,本文研究了异构移动边缘计算网络中的自适应视频缓存协作策略,以最小化延迟为目标,将问题形式化为异构边缘计算网络中的缓存决策和调度问题,用来确定视频各个变体在缓存中的位置以及对缓存服务器的视频请求调度;利用分治法求解原问题将原问题划分两个问题:缓存放置问题和请求调度问题。在缓存放置问题中,将问题归结为单调子模最大问题求解,在请求调度问题中,通过在线背包算法求解;本文还对提出的算法进行仿真实验,大量的仿真结果表明本方案提出的联合缓存和处理框架至少在缓存命中率、回程流量负载和平均访问延迟方面分别提供了至少10.2%、16.3%和21.8%的性能改进。针对用户感知的Qo E最大化问题,本文研究了多比特率视频的MES缓存放置机制。在缓存容量的约束下,提出了如何在MES上部署多个比特率视频从而使用户感知到的Qo E最大化的问题,并将问题归结为拟阵约束下的单调子模最大化问题,设计了一种基于贪婪的高效启发式缓存算法,即在每次迭代的时候选择Qo E增量最大的视频部署。本文还对提出的算法进行仿真实验,通过实验的结果证明本方案相比其他算法至少提升了12.2%。

关键词：移动边缘计算协作缓存多比特视频视频缓存

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网络资源分配算法研究

基于深度强化学习的移动边缘计算网络资源分配算法研究

引用

作者：史可大连海事大学

学位级别：硕士

随着无线通信技术和互联网技术的不断发展,以及新型物联网应用场景的不断涌现,接入网络的设备终端数量呈指数式增长。与此同时,出现了越来越多计算密集型和时延敏感型的应用和任务,但设备终端的硬件设施难以满足这些应用和任务的计算需... 详细信息

随着无线通信技术和互联网技术的不断发展,以及新型物联网应用场景的不断涌现,接入网络的设备终端数量呈指数式增长。与此同时,出现了越来越多计算密集型和时延敏感型的应用和任务,但设备终端的硬件设施难以满足这些应用和任务的计算需求。因此,学者们提出了移动边缘计算(Mobile Edge Computing,MEC)技术,以解决物联网设备终端存储容量低、计算能力不足等问题。该技术在网络边缘为终端设备提供一系列服务(如通信、计算、缓存等),从而降低了设备的能耗和延迟。另一方面,为了解决终端设备能源受限的问题,无线携能通信(Simultaneous Wireless Information and Power Transfer,SWIPT)技术可以为设备终端补充能量,保证了设备的电池续航能力。此外,在通信质量不佳或基础通信设施遭受破坏的情况下,无人机可以提供紧急服务,从而提高通信质量。因此,本文综合考虑了MEC技术、SWIPT技术和无人机技术的优势,对基于SWIPT的无人机边缘计算网络的计算卸载和资源分配算法展开了研究。本文的主要工作如下: (1)针对单无人机移动边缘计算网络通信场景,本文提出了一种基于深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)的计算卸载和资源分配算法。在该场景中,无人机通过终端设备分配子信道,并将任务数据卸载至无人机。本文描述了该场景下的通信模型、计算模型和能量补充模型,并以最大化系统计算数据量和设备能耗的加权函数为目标,构建了联合子信道分配和设备发射功率的优化问题。将该问题转化为马尔科夫决策过程,并制定合理的状态空间、动作空间和奖励函数,通过DDPG算法进行求解。在仿真实验中,通过与全本地计算、全卸载计算和深度Q网络等基准方案进行对比,验证了所提算法以较低的能耗获得更高的计算数据量。 (2)针对多无人机移动边缘网络通信场景,本文提出了一种基于多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)的计算卸载和资源分配算法。在该场景中,无人机以时分多址方式接入终端设备,并给出了多无人机场景下的通信模型、计算模型和能量补充模型。在多无人机距离和时延约束下最大化数据传输速率和设备能耗的加权和为目标,建立了设备发射功率、任务切分比例、卸载时间和设备调度的联合优化问题。本文提出了MADDPG算法求解该问题,并通过与其他基准算法进行仿真实验,验证了所提算法在提高数据传输速率和降低设备能耗方面的有效性。

关键词：移动边缘计算深度强化学习资源分配无线携能通信无人机

来源：评论

学校读者我要写书评

暂无评论

面向工业互联网的移动边缘计算任务卸载方法研究

面向工业互联网的移动边缘计算任务卸载方法研究

引用

作者：阚国宾哈尔滨工程大学

学位级别：硕士

近年来,低时延、高可靠、广覆盖的工业互联网为工业制造提供了网络基础保障,使得工业制造获得了空前的发展。然而,随着工业终端设备数量的增长和智能化程度的提高,终端信息呈现出爆炸性增长,给中央通信链路带来了巨大的压力。在工业互... 详细信息

近年来,低时延、高可靠、广覆盖的工业互联网为工业制造提供了网络基础保障,使得工业制造获得了空前的发展。然而,随着工业终端设备数量的增长和智能化程度的提高,终端信息呈现出爆炸性增长,给中央通信链路带来了巨大的压力。在工业互联网中应用边缘计算技术能有效的缓解这一情况。在面向工业互联网的移动边缘计算中,通过终端计算任务合理卸载到边缘服务器,在缓解中央通信链路压力的同时,降低了终端任务的完成时间,满足了工业互联网大规模集成环境下的计算任务需求,为工业制造向智能制造的跨越提供了技术保障。然而,如何在边缘网络环境下降低任务卸载开销(延迟和能耗),以达到任务的合理卸载是亟待解决的难题。为了解决这一问题,本文针对工业互联网不同边缘任务卸载场景进行研究,从而具体化的实现不同卸载环境下任务卸载开销最小化。论文的主要工作如下:首先,针对有关联的任务卸载场景,考虑工业互联网环境多边缘服务器中关联任务网络链路传输开销和任务实例化开销卸载等因素,提出并实现了一种基于任务链的多中心关联任务卸载方案。该方案对序列任务在多中心移动边缘计算系统卸载进行建模,将原始计算任务卸载问题转化为多约束条件下0-1整数线性规划问题。在多变量耦合情况下,通过拉格朗日松弛将最小化开销问题转为两个子问题,并使用启发式算法和连续凸逼近算法分别求解。该方案在最小化开销下有效降低求解规模,在多项式时间内得到次优解,满足了工业互联网实际应用的需要。其次,针对无关联任务卸载场景,研究系统全局信息未知情况下,分布式任务卸载问题。通过对多智能终端在服务器信息未知及智能终端之间信息未知情况下任务卸载进行建模,并将任务卸载开销最小化问题转化为集中式最优卸载与分布式最优卸载效益遗憾最下化问题。同时采用多臂老虎机算法中探索-利用策略提出并实现了一种基于多臂老虎机的分布式无关联任务卸载方案,从而对最小遗憾问题进行求解,并引入遗憾评价函数对求解结果进行直观的评价。最后,通过对实验场景仿真及相关对比实验,表明本文提出的多中心关联任务卸载方法及分布式无关联任务卸载方法具有更低的卸载开销,从而确保任务卸载具有更优的卸载效益。这些结果验证了本文卸载方法的性能和优势。

关键词：工业互联网移动边缘计算计算任务卸载启发式算法多臂老虎机

来源：评论

学校读者我要写书评

暂无评论

基于仿生学习的移动边缘计算资源调度研究

基于仿生学习的移动边缘计算资源调度研究

引用

作者：张文河南大学

学位级别：硕士

随着第五代移动通信技术和移动智能设备(MobileSmartDevices,MSD)的发展，各种计算密集型和延迟敏感型应用不断涌现，但MSD有限的计算资源无法满足这些新兴应用程序的需求。在超密集网络(Ultra-DenseNetwork,UDN)中集成移动边缘计算(Mob... 详细信息

随着第五代移动通信技术和移动智能设备(MobileSmartDevices,MSD)的发展，各种计算密集型和延迟敏感型应用不断涌现，但MSD有限的计算资源无法满足这些新兴应用程序的需求。在超密集网络(Ultra-DenseNetwork,UDN)中集成移动边缘计算(MobileEdgeComputing,MEC)，不仅增加网络容量，还为MSD提供更多计算资源。在MEC和UDN结合的场景下提出合理高效的资源调度策略，是提升边缘用户资源利用率的关键。　　移动边缘计算的资源调度问题通常会被表述为非线性规划问题和装箱问题，这些问题的本质上是具有NP-hard性质问题。最近研究界关注的新型仿生学习算法，例如鲸鱼优化算法(WhaleOptimizationAlgorithm,WOA)，麻雀搜索算法(SparrowSearchAlgorithm,SSA)以及天鹰优化(AquilaOptimizer,AO)算法都可以作为解决这类问题的有效方法。本文通过改进这些仿生学习算法解决UDN结合MEC环境下不同的任务规模和网络设备部署的资源调度问题，为单蜂窝网络资源调度、超密集异构网络任务卸载和MEC服务器超密集部署环境资源协同分配分别提供了三个解决方案。本文的主要工作包括：　　（1）针对单蜂窝网络资源调度问题，本文构建了一个单蜂窝多用户的资源调度模型，将MEC服务器计算资源、MSD计算资源、任务能耗和任务时延等作为约束，使用任务时延、设备能耗时延、本地任务时延和本地设备时延构成系统效用，将其作为优化目标。并提出随机边界方法和惩罚函数将有约束问题转化为无约束问题，增强种群个体多样性和遍历性。同时提出一种基于Levy飞行扰动策略的改进鲸鱼麻雀搜索算法(LevyWhaleSparrowSearchAlgorithm,LWSSA)的资源调度策略来寻找合适的任务卸载比例，MSD计算资源以及MEC服务器计算资源分配方案。在无线传输资源和计算资源有限的情况下，采用LWSSA求解最大系统效用的优化问题，得到合适的任务卸载和资源分配策略。　　（2）针对超密集异构网络中基于用户成本的任务卸载问题，本文构建了一个宏蜂窝和小蜂窝同时存在的资源调度方案，该方案设置约束条件并将最小任务时延和设备能耗作为优化目标。并使用决策变量等价转化的方式减少决策变量长度，同时考虑不同蜂窝间复用信道的干扰以及计算资源有限的情况，提出一种基于自适应分组学习鲸鱼优化算法(AdaptiveGroupLearningWhaleOptimizationAlgorithm,AGLWOA)，选择任务卸载模式、目标基站和目标信道进行任务卸载来最小化任务时延和设备能耗。　　（3）针对MEC服务器超密集部署环境下资源协同分配问题，本文构建了一个多MEC服务器多基站多用户的资源调度模型，设定约束条件并将最小任务时延、最小设备能耗和最大任务完成作为优化目标。结合边缘计算环境，重新定义了任务完成，使边缘资源更加倾向于重要边缘用户。并设计了一种候选模式剪枝方法，更精确地界定解空间以减少不可行的资源调度决策。同时提出一种基于混合策略的天鹰优化(HybridStrategyAquilaOptimization,HSAO)算法的资源调度策略，为边缘用户寻找一个低能耗、低时延和高完成率的卸载任务策略和资源分配方案。　　此外，对本文所提算法进行仿真验证。仿真结果表明，与其他新型仿生学习算法相比，本文提出的算法在不同的边缘计算环境下，随着任务规模的增大和边缘网络环境的复杂化，在优化系统效用、用户成本和任务完成方面都具有不错的性能。

关键词：超密集网络移动边缘计算仿生学习算法资源调度

来源：评论

学校读者我要写书评

暂无评论

面向海洋观监测传感网的移动边缘计算卸载策略研究

面向海洋观监测传感网的移动边缘计算卸载策略研究

引用

作者：林迅宇齐鲁工业大学

学位级别：硕士

海洋观监测传感网(Marine Monitoring Sensor Network,MMSN)是智慧海洋信息网络的重要组成部分,它连接着各类船舶、水下传感器、无人机和卫星,是汇集海洋环境、资源、空间等各种资源数据的重要平台。随着物联网技术的发展,海上设备的数... 详细信息

海洋观监测传感网(Marine Monitoring Sensor Network,MMSN)是智慧海洋信息网络的重要组成部分,它连接着各类船舶、水下传感器、无人机和卫星,是汇集海洋环境、资源、空间等各种资源数据的重要平台。随着物联网技术的发展,海上设备的数据呈指数级增长,出现了越来越多的计算密集型应用,如海洋环境监测、海洋资源勘探、无人航行器导航等。这些应用对MMSN提出了低成本、低时延、高可靠的海上通信需求。传统基于海事卫星的计算范式难以满足需求。通过将移动边缘计算(Mobile Edge Computing,MEC)技术引入MMSN,在网络边缘就近处理数据,可以实现海事应用对低时延、高可靠的需求。计算卸载是MEC的关键技术,在不同的应用场景中采用合适的计算卸载策略是提高用户体验质量的关键。本文围绕基于MEC技术的MMSN,根据其网络节点密度差异明显、资源分布不均的特点,分别设计近岸海域和远岸海域两种场景下的任务计算卸载决策方案,合理分配任务,以优化海洋移动设备的任务完成效率,主要贡献有:(1)针对近岸海域计算卸载场景,提出了一种多边缘协同计算卸载模型,充分利用计算资源和通信资源。考虑海洋节点具有移动性,引入节点间有效通信时间约束,以最小化任务执行时延为优化目标。针对海洋移动设备算力较弱,获得卸载策略成本过高问题,本文提出一种低复杂度的基于改进天牛须搜索的优化算法。通过引入群体寻优策略和步长反馈机制加强算法的全局寻优能力。仿真实验表明,该算法获得卸载策略时间成本较低且可以大幅降低任务完成的时延。(2)针对远岸海域计算卸载场景,提出了基于能量收集技术的多用户多服务器的计算卸载模型。在资源匮乏的情况下,考虑远海设备的续航问题,通过引入能量收集技术,合理分配计算资源和通信资源,保证设备电量健康。考虑远岸海域通信的多径衰落问题,将系统建模为以最小化平均任务执行时延为目标的多约束随机优化问题。考虑到原始问题的复杂耦合性,结合李雅普诺夫优化和马尔科夫近似法提出一种多项式计算复杂度的分布式算法求解计算卸载策略。仿真实验表明,该算法可以使设备的电量稳定在一个可靠水平的同时大幅降低平均执行时延,且随着任务规模的扩大,该算法性能更优。

关键词：海洋观监测传感网移动边缘计算计算卸载任务分配

来源：评论

学校读者我要写书评

暂无评论

无人机驱动的移动边缘计算系统计算效率优化研究

无人机驱动的移动边缘计算系统计算效率优化研究

引用

作者：赵佳豪中南大学

学位级别：硕士

随着物联网技术的蓬勃发展,网络规模和数据量迎来了巨大增长,远远超过了现有网络的容量与计算能力。为了支持大量的物联网终端并及时处理海量数据,移动边缘计算(Mobile Edge Computing,MEC)被引入互联网,其允许用户将计算任务卸载到更... 详细信息

随着物联网技术的蓬勃发展,网络规模和数据量迎来了巨大增长,远远超过了现有网络的容量与计算能力。为了支持大量的物联网终端并及时处理海量数据,移动边缘计算(Mobile Edge Computing,MEC)被引入互联网,其允许用户将计算任务卸载到更加靠近自身的边缘节点,为用户提供低时延和低能耗的计算服务。然而对于音乐会、战争、灾害等特定场景,物联网设备通常无法与边缘服务器建立稳定的链接,大规模的部署边缘服务器又会带来较高运营成本以及不必要的开销。无人机技术的发展给传统MEC系统带来了新的可能,无人机可以凭借高机动性和低成本的优势来充当MEC服务器,从而有效解决这一问题。目前配备边缘服务器的无人机已经广泛应用于网络边缘处,为复杂和资源受限的系统提供高质量的计算和通信服务。其中高能效计算和资源分配是上述系统高效且可持续运行的关键。基于此,本文在无人机驱动的MEC系统中研究了如何提升系统计算效率的相关问题,具体工作如下:(1)在多无人机驱动的MEC系统中,针对终端系统计算效率较低,多无人机静态3D部署不充分以及系统资源分配不合理的缺陷,提出了多无人机驱动的MEC系统中计算效率最大化方案。通过联合优化终端的CPU频率、传输功率、卸载关联决策以及无人机的3D位置和波束宽度来最大化终端系统计算效率。然而原问题是一个具有分式结构的混合整数非线性规划(Mixed-Integer Nonlinear Programming,MINLP)问题,难以直接求解。为此本文基于Dinkelbach方法、凸优化理论和贪婪策略,简化了数学模型,并提出了一种四阶段交替迭代计算效率最大化(Four-Stage Alternating Iterative Computation Efficiency Maximization,FICEM)算法来求解该问题。仿真结果表明,FICEM算法在各种网络场景下收敛速度快,并且得到的计算效率优于基线算法。(2)在无人机驱动的MEC系统中,针对终端和无人机的异构性、无人机动态3D飞行带来的高能耗、系统资源分配不充分以及系统整体计算效率较低等问题,提出了无人机驱动的MEC系统中计算效率最大化框架。在地面终端的计算服务需求和无人机飞行速度等约束下,联合优化终端的CPU频率、传输功率、卸载决策以及无人机端CPU频率、3D飞行轨迹和波束宽度,以此来最大化整个系统的计算效率。公式化的问题是一个分式结构且非凸的优化问题,其是NP难的。为了有效求解该问题,本文提出了一个基于块坐标下降的混合交替迭代计算效率最大化(Hybrid Alternating Iteration Computation Efficiency Maximization,HICEM)算法,具体来说首先将原问题分解成三个次优化问题,然后基于Dinkelbach方法、拉格朗日乘子法和连续凸逼近技术依次求解,最后利用块坐标下降算法进行整体求解。大量模拟结果表明,HICEM算法在不同网络场景下都能获得一个更高的系统计算效率,且优于提出的各种基线算法。综上所述,本文开展的无人机驱动的MEC系统计算效率优化研究,能够充分利用多台无人机静态3D部署优化的有效性、无人机动态3D轨迹优化的优越性、系统计算与通信资源分配的合理性,在满足终端服务质量的前提下最大化了系统计算效率,并且仿真结果验证了本文所提出算法的性能。图24幅,表5个,参考文献66篇

关键词：无人机移动边缘计算计算效率资源分配 3D部署 3D轨迹优化

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任务卸载方法研究

基于深度强化学习的移动边缘计算任务卸载方法研究

引用

作者：吴天梦兰州大学

学位级别：硕士

随着通信技术的革新和人工智能技术的发展,人们对移动端应用的处理时延和能量消耗等多种用户体验相关指标提出了越来越严格的要求。然而,移动设备通常受限于自身的体积和重量,难以保证稳定的服务质量和良好的用户体验。作为一种新的计... 详细信息

随着通信技术的革新和人工智能技术的发展,人们对移动端应用的处理时延和能量消耗等多种用户体验相关指标提出了越来越严格的要求。然而,移动设备通常受限于自身的体积和重量,难以保证稳定的服务质量和良好的用户体验。作为一种新的计算范式,移动边缘计算(Mobile Edge Computing,MEC)允许用户设备将计算密集型或延迟敏感型计算任务卸载到计算资源相对丰富的边缘服务器进行处理,从而有效提升任务处理速度,降低设备能量消耗。但在现实世界中,MEC的应用场景通常是多变的,用户的需求也不尽相同,任何因素的变化都会对计算卸载的有效性产生影响。因此,如何在不同应用场景和不同需求限制下,做出有效的卸载决策,提供稳定高效的计算服务,成为了MEC系统中的核心问题,具有较大的理论研究价值和现实意义。本文选取了MEC系统中具有代表性的多用户单服务器系统模型和多用户多服务器系统模型,围绕任务处理时延、设备能量消耗等多个影响用户体验和服务质量的关键指标,基于深度强化学习研究了适用于不同应用场景的计算卸载方法。主要的工作和创新点如下:(1)针对MEC系统中的大规模异构用户场景,本文研究了多用户单服务器模型下的计算卸载问题,提出了基于近端策略优化和自注意力机制的中心式计算任务卸载算法(Attention based Proximal Policy Optimization,APPO)。在大规模异构MEC系统中,由于用户数量较多,导致普通深度强化学习的卸载方法输入维度激增,难以学习到较好的卸载策略。此外,大规模系统中可能存在着不同类型的用户设备,这些设备有着不同的卸载方式,运行着不同类型的计算任务,这种卸载方式和任务类型上的异构也为计算卸载方法的设计增加了难度。为了解决这些挑战,本文首先结合多用户单服务器模型下的计算卸载过程,对平均用户系统开销进行建模。接着,构建了以最小化平均用户系统开销为目标的优化问题。然后,本文提出了适用于大规模异构MEC系统的中心式卸载算法APPO。APPO算法在PPO算法模型的基础上,引入了自注意力机制对多用户联合状态进行压缩,以适应大规模用户场景;同时也对策略网络进行了调整,以支持多用户卸载方式异构。最后,在仿真环境中对APPO算法和其他三种基准算法进行了对比实验,评估了权重系数、用户数量等因素对算法性能的影响。实验结果表明,本文所提出的算法能够以较小的平均用户系统开销有效应用于大规模异构MEC系统环境。(2)针对更高要求的低时延需求和分布式卸载需求,本文研究了多用户多服务器模型下的分布式卸载问题,提出了基于多智能体确定性策略梯度的计算卸载方法HMADDPG(Hybrid Multi-agent Deep Deterministic Policy Gradient,HMADDPG)。目前,许多基于多智能体强化学习的计算卸载研究,都没有考虑多服务器模型下混合动作决策空间的特点,而是直接采用连续动作空间离散化的方式进行策略输出,这一定程度上影响了算法的性能。为了解决这个问题,本文首先结合多用户多服务器系统模型以及低时延需求下的任务超时惩罚对平均任务处理时延进行了建模,并构建了以最小化平均任务处理时延为目标的优化问题。接着,在部分系统状态可观察和混合动作空间的前提条件下,提出了适用于低时延需求场景的分布式混合动作计算卸载算法HMADDPG。HMADDPG可以在混合动作空间下输出卸载决策,并使用了双重Critic网络对原本模型中存在的过估计问题进行了修正。最后,本文进行了大量的仿真实验对HMADDPG的性能进行了定量分析,并与三种基准算法进行了对比。实验结果表明,本文所提出的算法相比其他几种对比算法,有着更好的收敛性和更低的平均任务处理时延。

关键词：移动边缘计算深度强化学习计算卸载近端策略优化多智能体深度确定性策略梯度

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任务卸载策略研究

基于深度强化学习的移动边缘计算任务卸载策略研究

引用

作者：丁凯南京航空航天大学

学位级别：硕士

随着以5G技术为代表的通讯技术的快速发展,以物联网,虚拟现实,智能家居等为代表的新兴产品的问世与普及,数据迎来了指数式的增长。带来的问题是传统云服务器无法满足大规模数据的集中式访问,也无法实现计算资源去中心化、边缘化,从而导... 详细信息

随着以5G技术为代表的通讯技术的快速发展,以物联网,虚拟现实,智能家居等为代表的新兴产品的问世与普及,数据迎来了指数式的增长。带来的问题是传统云服务器无法满足大规模数据的集中式访问,也无法实现计算资源去中心化、边缘化,从而导致任务执行效率的降低和用户体验感的不足。为了应对这些问题,移动边缘计算(Mobile Edge Computing,MEC)应运而生。为了能够让边缘网络的设备更好地获取到服务器响应,MEC技术可以在终端设备附近投放计算、存储等紧缺资源,有效地降低了终端设备的计算时延,提升了用户的服务体验以及服务器的服务质量。计算卸载作为移动边缘计算的核心技术之一,是众多学者关注和研究的重点。以往的研究是以终端设备作为优化的重点,通常关注于最小化终端设备的能耗、最小化终端设备的计算时延等等,但对于终端设备的整体效用、综合代价以及边缘服务器的损耗、可持续性研究却不是很多。此外,终端设备任务的计算性质没有被很好的定义和分类,服务器在进行处理时缺乏针对性。针对以上描述的问题,本文做出了如下贡献。 (1)在多传感器信息收集场景(Multi-sensor Information Collection,MSIC)下,针对传感器自身体积小,携带电量少,续航能力不足的问题,本文基于计算卸载技术,通过将任务卸载至附近的MEC服务器,达到降低传感器集群能耗的目的。本文通过合理分配计算和带宽等异质资源,以获得高服务质量。本文对延迟和通信干扰约束下物联网设备的最小能耗的计算卸载问题进行了形式化建模,提出了一种逆向学习的遗传粒子群算法(Genetic Particle Swarm Optimization with Reverse Learning,RL-GPSO),实验结果表明,RL-GPSO相对于其他的启发式算法有更好的性能和有效性。 (2)类似于传感器的物联网(Internet of Things,IoT)设备感知外界时,它们需要对收集的信息进行及时地分析和处理以保证自己在未知领域的安全性和信息高效性。但鉴于设施体积限制,它们经常遇到能量不足或信息无法及时分析的情况。针对传感器集群能耗和时延的综合代价问题,我们将移动边缘计算应用于多传感器领域探索(Multi-Sensor Domain Exploration,MSDE)场景,通过捕获设备的电池电量、分配任务的卸载比例以及观察每个作业的延迟来制定卸载策略。本文将卸载过程描述为马尔可夫决策过程(Markov Decision Process,MDP),引入了动作空间和状态空间,并提出了一种基于深度Q网络(Deep Q Network,DQN)的高效卸载策略。仿真结果验证了该算法的有效性和实用性。 (3)本文在(2)的基础上,构建出多传感器多MEC服务器的领域探索模型。不同的服务器有各自对应的计算优势领域,当MEC服务器收到来自同领域的计算任务时,可以保证在更短的时间内计算出任务结果。本文针对传感器集群综合效益最大化问题,结合了粒子群(Particle Swarm Optimization,PSO)算法和近端策略优化算法(Proximal Policy Optimization,PPO)的特点,提出了一种粒子近端策略优化算法(Particle Proximal Policy Optimization,P3O)。在混合动作空间下,利用粒子群算法对神经网络的计算结果进行优化。最后P3O算法的优异效果在实验中得到了结果证实。

关键词：移动边缘计算计算卸载粒子群算法深度强化学习深度Q网络近端策略优化

来源：评论

学校读者我要写书评

暂无评论

基于移动边缘计算的车联网任务卸载策略研究

基于移动边缘计算的车联网任务卸载策略研究

引用

作者：王玲玲山东师范大学

学位级别：硕士

随着5G无线通信网络和车联网的发展,新一代智能终端设备产生大量的数据,对计算和通信的安全和服务质量要求更高,传统的云计算已经无法满足计算密集型用户低时延高可靠性的要求。在目前的车载通信环境中,车载任务在严格的处理截止时间内... 详细信息

随着5G无线通信网络和车联网的发展,新一代智能终端设备产生大量的数据,对计算和通信的安全和服务质量要求更高,传统的云计算已经无法满足计算密集型用户低时延高可靠性的要求。在目前的车载通信环境中,车载任务在严格的处理截止时间内产生的计算数据量呈指数型增长,通信和计算资源限制仍然是一个瓶颈。如何满足实时路况、智能识别等新型车载应用的计算需求是一个关键的挑战。近年来,由于移动边缘计算可以下沉到移动用户附近提供卸载服务。因此,可以在智能交通的网络边缘部署大量高性能服务器,减少新型车辆应用的时间延迟。然而,不同的卸载策略对时延和通信计算成本产生很大的影响,同时与车联网中高速移动的车辆通信时用户车辆与边缘设备下行传输的回传时延容易被忽略,这使得延迟敏感的任务无法满足时延要求。另一方面考虑到城市中有大量因特殊事件激增的时延敏感任务,规划智能租赁服务车辆(Rental Service Vehicle,RSV)的行驶路径匹配任务节点为其提供卸载服务,这时将面临车辆位置分布不均衡,任务需求响应不及时,任务处理率不合理,费用成本过高等问题。因此,需要根据用户需求合理分配租赁服务车辆并规划路径,提供计算服务,满足用户实时性需要。针对上述问题,本文聚焦车辆边缘计算网络,并针对不同的使用场景,提出了基于强化学习的卸载策略和基于遗传算法的智能租赁服务车辆的路径规划和任务卸载匹配策略。本文的主要工作如下:(1)针对移动用户车辆根据卸载策略进行任务卸载的场景,本文研究了为车联网中的用户车辆提供稳定的计算、通信和存储服务的任务卸载策略。在该场景下,卸载问题被规划为在最大时延约束下最小化时延成本和通信计算成本。本文综合考虑了车辆的位置、速度和计算资源设计了车辆自适应状态反馈(Vehicle Adaptive Feedback,VAF)算法获得潜在服务车辆的优先级顺序并得到服务车辆集合。然后,结合基站、路边单元以及服务车辆集合中车辆的状态将问题规划成马尔可夫决策过程,并利用提出的车辆深度Q网络(Vehicle Deep Q-network,V-DQN)算法获得最优卸载方案。特别地,由于车辆移动造成的中断问题被表述为一个回传函数来评估任务卸载策略。仿真结果表明,提出的方案显著提高了用户服务质量(Quality of Service,Qo S)。(2)针对城市区域中因特殊事件激增的延迟敏感的任务场景,本文研究了系统中租赁服务车辆的路径优化和任务调度问题,平衡了时延和支出费用的关系。问题被规划成在保证乘客出行满意度的限制下,最小化卸载时延和支出。本文提出了联合优化调度和路径优化的非支配排序遗传算法(Joint Scheduling and Path Optimization Non-dominated Sorting Genetic Algorithm,JSPO-NSGA)来优化系统性能。首先,为任务节点设计了可达性图并基于旅行时间权重和租赁服务车辆选择概率的最短行驶时间算法(Shortest Travel Time Algorithm,STTA)和最佳调度算法(Optimal Scheduling Algorithm,OSA)初始化任务调度矩阵。然后,设计JSPO-NSGA生成租赁服务车辆最佳路径和任务调度问题的多个帕累托最优解。最后,使用加权求和的方法来找到推荐的解决方案。特别地,联合优化调度和路径优化的非支配排序遗传算法对交叉个体的有效基因建立映射关系,通过冲突检测将交叉产生的无效解映射为有效解。仿真结果表明,所提方案具有优越的性能。

关键词：车联网移动边缘计算任务卸载移动性路径规划

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共247页 << < 37 38 39 40 41 42 43 44 45 46 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：