边缘服务器放置问题是边缘计算环境建设的基础，高效的边缘服务器放置策略要求不仅为用户提供低延迟服务，而且要平衡边缘服务器之间的负载，同时降低边缘服务器的部署成本。现有的方法常面临着时间复杂度太高、只能得到局部最优解等问题，不适应大中城市的边缘服务器部署。提出了一种两阶段边缘服务器放置TSESP(two-stage edge server placement)策略，第一阶段针对小规模基站网络建立边缘服务器放置优化模型，以降低服务延迟、平衡负载和降低成本，并且在几个小型区域内对优化模型进行精确求解。第二阶段提出了基于机器学习的边缘服务器放置模型ESPML(edge server placement based on machine learning)，利用第一阶段优化模型得到的最优解集进行训练，然后在大规模基站网络中进行测试，ESPML模型的时间复杂度远小于指数级时间复杂度同时可以得到与最优解相似的结果。最后在上海电信基站数据集上的实验表明，与现有三种典型的边缘服务器放置方法相比，所提出的方法在访问延迟、负载平衡和成本等方面都具有良好的性能。
为了探索区间二型模糊背景下的多属性群决策方法,以多粒度概率粗糙集为基础,结合MULTIMOORA(Multi-Objective Optimization by Ratio Analysis Plus the Full Multi-Plicative Form)与证据融合理论,发展了一种基于区间二型模糊信息的多...
详细信息
为了探索区间二型模糊背景下的多属性群决策方法,以多粒度概率粗糙集为基础,结合MULTIMOORA(Multi-Objective Optimization by Ratio Analysis Plus the Full Multi-Plicative Form)与证据融合理论,发展了一种基于区间二型模糊信息的多粒度证据融合决策模型.首先,提出多粒度区间二型模糊概率粗糙集模型;然后,通过离差最大化法和熵权法计算决策者权重和属性权重,依据多粒度概率粗糙集和MULTIMOORA法建立区间二型模糊多属性群决策模型,通过源自D-S证据理论的证据融合方法融合得出决策结果.通过钢铁行业耗能的实例,证明提出方法的可行性与有效性,总体上,提出的决策模型具备一定的容错力,有助于获得强解释力的稳健型决策结果.
多粒度群决策是从决策信息中的多粒度特征出发,利用粒计算模型对群决策问题进行高效建模与分析的过程.现有多数多粒度群决策方法仅可提供单一的决策结果,然而不同方法带来的决策结果往往存在差异.为了深入探索犹豫模糊语言信息系统中的稳健型多粒度群决策方法,依据多粒度概率粗糙集、MULTIMOORA(Multi-Objective Optimization by Ratio Analysis Plus the Full Multi-plicative Form)和TPOP(Technique of Precise Order Preference)建立一种面向多粒度群决策的新型犹豫模糊语言多粒度计算方法.首先结合犹豫模糊语言术语集与多粒度概率粗糙集,提出犹豫模糊语言多粒度概率粗糙集模型,然后依据离差最大化法计算属性权重与决策者权重,并结合TPOP建立犹豫模糊语言稳健型多粒度群决策方法.最后,通过医学实例验证提出方法的可行性与有效性.
暂无评论