李雅普诺夫函数优化:正交矩阵构造方案EI北大核心CSCD

本文研究了李雅普诺夫函数的优化问题.提出了一种正交矩阵构造方案,用于求解黎卡提不等式中的最优李雅普诺夫函数.通过分析系统H_(∞)范数的几何特征,本文将黎卡提不等式转换为近似等式,进而给出了最优李雅普诺夫函数的存在条件.基于所给最优李雅普诺夫函数存在条件,所提正交矩阵构造方案利用旋转变换,将非线性方程组的求解问题转换为幅值和角度的线性优化问题,进而实现李雅普诺夫函数参数的优化.研究结果弥补了目前的研究无法求解最优李雅普诺夫函数的不足,对系统性能分析和非保守控制的设计具有建设性.算例验证了所提正交矩阵构造方案的有效性.     

无人机无线网络中基于队列稳定的无线与计算资源分配优化

无人机(UAV)无线网络中,UAV承载基站设备,可灵活提供无线通信服务,支持在高质量的无线信道状态下进行数据传输;另一方面,将边缘计算服务器部署到基站侧,计算资源更靠近用户,通过任务卸载,能够直接在基站侧进行计算处理,缓解无线网络的去程链路压力;但是,考虑到能耗受限问题,如何通过资源优化来降低网络能耗并保证用户到基站的数据传输和任务处理的稳定性依然是研究的难题;针对UAV无线网络中用户向UAV基站发送数据并卸载计算任务的场景,研究了在数据传输和任务处理稳定性约束下进行无线与计算资源优化的能耗最小化问题,构建数据队列与任务队列,采用李雅普诺夫优化理论对问题进行转化和分解,获得能耗与队列的折中关系,并通过仿真分析评估了所提解决方案的有效性。     

李雅普诺夫指数谱的研究与仿真

李雅普诺夫指数在研究动力系统的分岔、混沌运动特征中起着重要的作用。该文介绍了李雅普诺夫指数的定义、计算原理及数值计算的实现方法，应用Matlab软件，编制了计算李雅普诺夫指数的程序，分析了一维、二维和三维非线性动力系统中分岔和混沌与李雅普诺夫指数之间的关系。绘制了逻辑斯蒂映射、埃农映射和洛仑兹方程的分岔图，并计算了相应的李雅普诺夫指数。实例的计算机仿真表明李雅普诺夫指数是研究分岔、混沌运动，解决工程实际问题的有效方法之一。     

面向非正交多址的车联网中资源优化方案

为了解决车辆端计算能力不足、任务处理时延大、能源消耗多、无线资源缺乏等问题,该文考虑利用非正交多址技术进行任务上传和数据包下载的车辆边缘计算系统,对系统的卸载决策、缓存决策、计算和缓存资源的分配进行联合优化.由于车辆需要在动态网络环境下实时确定任务卸载和缓存策略,提出了一个以移动边缘计算服务器平均能耗最小化为目标的随机...     

车联网中自适应联合计算卸载资源分配算法

为降低车联网(C-V2 X)中计算任务的时延与能耗,提出一种自适应的联合计算卸载资源分配算法.考虑多因素,多平台(本地计算、云计算、移动边缘计算(MEC)、空闲车辆计算)卸载,将计算卸载决策和资源分配建模为多约束优化问题.在粒子群算法基础上,提出粒子矩阵编码方式,联合优化车辆卸载决策、各平台任务卸载比例、MEC资源分配.提出粒子修正算法,结合罚函数法,解决多约束优化问题.仿真结果表明,与其它算法相比,该算法能在满足最大容忍时延的同时,最小化系统总成本.     

关于Sontag-Type控制的注记

基于控制李雅普诺夫函数的Sontag-Type控制是仿射系统鲁棒镇定中的重要控制律.首先揭示该控制律本质上是一种变结构控制且闭环的切换面总可达,受此启发并为了相对容易地构造控制李雅普诺夫函数,运用零状态可检测概念定义弱控制李雅普诺夫函数,并证明了基于弱控制李雅普诺夫函数的Sontag-Type控制的优化镇定性.文中还证明,在温和条件下,基于弱控制李雅普诺夫函数的Sontag＿Type控制为仿射系统的输入到状态镇定控制.     

基于李雅普诺夫优化的容器云队列在线任务和资源调度设计

为在保证任务服务质量（QoS）的条件下提高容器云资源利用率，提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先，在云计算服务排队模型的基础上，通过李雅普诺夫函数分析任务队列长度的变化；然后，在任务QoS的约束下，构建资源功耗的最小化目标函数；最后，利用李雅普诺夫优化方法求解最小资源功耗目标函数，获得在线的任务和容器资源的优化调度策略，实现对任务和资源调度进行整体优化，从而保证任务的QoS并提高资源利用率。CloudSim仿真结果表明，所提的任务和资源调度策略在保证任务QoS的条件下能获得高的资源利用率，实现容器云在线任务和资源优化调度，并且为基于排队模型的云计算任务和资源整体优化提供必要的参考。     

基于长短期记忆神经网络的车辆边缘计算卸载策略

传统的集中式云计算能够较好地减轻本地负担,但带来了大量延迟.移动边缘计算通过利用移动边缘设备有限的计算能力和资源存储能力弥补了云计算在此方面的不足,也满足了在车联网中车辆的计算需求.为了使车辆能够在笔直的道路环境模型上完成计算任务,提出基于长短期记忆神经网络的卸载决策.通过仿真,该方法在任务较大的情况下可以高效利用边缘设备资源,降低延迟,对于高速动态变化的时间序列具有更低的响应时间.     

贵州电网短期负荷时间序列的混沌性仿真检验

不直接考虑气候等随机因素,根据过去贵州电网短期负荷时间序列.利用小数据量方法计算最大李雅普诺夫指数,并通过李雅普诺夫指数定义的性质对贵州电网短期负荷时间序列进行混沌性仿真检验,结果具有混沌性.     

面向多源大数据云端处理的成本最小化方法

云计算为大数据处理提供了一种强大而高效的解决方案.在此模式下,数据管理者（Data Manager,DM）可以租用多个数据中心以实时处理地理分散的数据.然而,由于数据产生的动态性以及资源价格的波动性,将数据迁移至哪些数据中心并提供合适的计算资源来处理它们成为DM低成本处理多源数据的一大问题.本文首先将以上问题转换成联合随机优化问题,然后利用李雅普诺夫（Lyapunov）优化框架将原问题分解成两个独立的子问题进行求解,最后基于求解结果设计在线算法.理论分析表明,所提算法可不断趋近线下最优解并能够保证数据处理时延.在WorldCup98和Youtube数据集上的实验验证了理论分析结果的正确性以及本方法的优越性.     

多设备间任务依赖的最佳卸载决策和资源分配

考虑了多个设备的移动边缘计算(mobile edge computing, MEC)与端对端(device-to-device, D2D)技术协作网络, 其中多个无线设备的最终输出作为另一个设备上某个子任务的输入. 为了最小化无线设备的能耗和任务完成时间的加权和, 研究了最优的资源分配(卸载发射功率和本地CPU频率)和任务卸载决策问题. 首先固定卸载决策, 推导出卸载发射功率和本地CPU频率的闭合表达式, 运用凸优化方法求出该问题的解. 然后基于一次爬升策略提出了一种低复杂度线性搜索算法, 该算法可以在线性时间内获得最佳卸载决策. 数值结果表明, 该策略的性能明显优于其他有代表性的基准测试.     

MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了“云-边-端”三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略。首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡传输性能的信道分配算法为卸载任务分配信道资源,对于卸载至同一边缘服务器上的任务以最大化资源收益为目标进行资源竞争,实现计算资源最优配置;最后,基于博弈论证明优化问题为关于卸载决策的势函数,即存在纳什均衡,并利用迭代增益值比较法得到了纳什均衡下的卸载决策方案。仿真结果表明,所提联合优化策略在满足用户处理时延要求的情况下最大化系统总增益,有效地提高了计算卸载的性能。     

基于终端直通通信的多用户计算卸载资源优化决策

随着计算密集和时延敏感类应用的激增,移动边缘计算（MEC）被提出应用在网络边缘为用户提供计算服务。针对基站（BS）端边缘服务器计算资源有限以及网络边缘用户远距离计算卸载的时延较长等问题,提出了基于终端直通（D2D）通信的多用户计算卸载资源优化决策,将D2D融入MEC网络使用户以D2D方式直接卸载任务到相邻用户处执行,从而能够进一步降低卸载时延和能耗。首先,以最小化包括时延和能耗的系统计算总开销为优化目标,建模多用户计算卸载和多用户计算资源分配的联合优化问题;然后,将求解该问题看作是一个D2D配对过程,并提出基于稳定匹配的低复杂度的多用户计算卸载资源优化决策算法;最后,迭代求解D2D卸载的优化分配决策。通过理论证明分析了所提算法的稳定性、最优性和复杂度等特性。仿真结果表明,所提算法相较于随机匹配算法能够有效降低10%~33%的系统计算总开销,并且其性能非常接近最优的穷举搜索算法。可见,所提基于D2D卸载的决策有利于改善时延和能耗开销性能。     

面向海洋节能边缘计算的任务卸载研究

针对海洋通信网络能源不稳定、时延较长的问题,提出一种混合能量供应的边缘计算卸载方案。对于能量供应问题,移动边缘计算(MEC)服务器集成混合电源和混合接入点,混合电源利用可再生能源为MEC服务器供应能量,采用电力电网作为其补充能源,保证边缘计算系统的可靠运行,船舶用户通过混合接入点广播的射频(RF)信号收集能量。针对任务卸载优化问题,以能耗-时延权衡优化为目标,联合能量收集方法制定任务卸载比例、本地计算能力和发射功率的优化方案,最后利用降维优化算法,将目标函数简化为关于任务卸载比例的一维多约束问题,并利用改进的鲸鱼优化算法获得最优的执行总代价。利用边缘云模拟器EdgeCloudSim仿真的结果表明,所提方案较具有能量收集的资源分配方案和基本海上通信网络优化的方案执行成本分别降低了13.4%和9.6%。     

考虑任务依赖的卫星边缘计算资源分配与卸载决策算法

针对高低轨卫星网络协同边缘计算的卸载决策问题,提出了一种考虑任务依赖的联合计算资源、无线资源分配与任务调度的卫星网络边缘计算卸载决策算法。首先,将任务卸载问题建模为最小化任务延迟和能量消耗的联合优化问题;然后,将能源消耗和时延引入子任务优先级定义中,基于动态优先级进行启发式卸载策略搜索。该算法保证了子任务之间的依赖性并同时考虑了无线资源分配。仿真结果表明,与已有研究相比,该算法能缩短高低轨卫星协同计算的任务执行延迟,且能够降低低轨卫星功耗。     

MEC联合资源分配与计算卸载的效益

针对资源受限的移动边缘计算(MEC)卸载问题,提出一种基于遗传算法优化的卸载决策与计算资源分配方法(GAO).建立联合时延、能耗以及卸载费用的系统卸载效益模型,提出最小资源分配阈值;引入改进的遗传算法求解效益最大化问题,针对该问题提出一种两段式的染色体结构和遗传算子.进行仿真实验,对比分析随机卸载决策与平均计算资源分配...     

C‑V2X车联网中基于模拟退火算法的任务卸载与资源分配

网联车辆节点产生的不同属性的大数据流量计算任务进行传输并卸载时,通常引起通信系统中时延抖动、计算能耗与系统开销大等问题,因此,根据实际通信环境,提出一种C-V2X车联网（IoV）中基于模拟退火算法（SAA）的任务卸载与资源分配方案。首先,根据任务处理优先程度,对处理优先程度较高的任务进行协同卸载计算处理;其次,通过全局搜索最优卸载比例因子的方式,制定了一种基于SAA的任务卸载策略,且分析并优化了任务卸载比例因子;最后,在任务卸载比例因子更新过程中,将系统开销最小化问题转化为功率和计算资源分配凸优化问题,并利用拉格朗日乘子法获取最优解。通过对所提算法与本地卸载、自适应遗传算法等作比较可知,随着计算任务的数据量不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了5.97%、49.40%、49.36%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了6.35%、92.27%、91.7%;随着计算任务CPU周期数不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了16.4%、49.58%、49.23%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了19.61%、94.39%、89.88%。实验结果表明,SAA不仅能降低通信系统时延、能耗及系统开销,还可以使结果加速收敛。     

基于能耗与延迟优化的移动边缘计算任务卸载模型及算法

随着移动边缘计算的兴起,如何处理边缘计算任务卸载成为研究热点问题之一。针对多任务-多边缘服务器的场景,本文首先提出一种基于能量延迟优化的移动边缘计算任务卸载模型,该模型考虑边缘设备的剩余电量,使用时延、能耗加权因子计算边缘设备的总开销,具有延长设备使用时间、减少任务卸载时延和能耗的优点。进一步提出一种基于改进遗传算法的移动边缘计算任务卸载算法,将求解最优卸载决策的问题转化为求解种群最优解的问题。对比仿真实验结果表明,本文提出的任务卸载模型和算法能够有效求解任务卸载问题,改进后的任务卸载算法求解更精确,能够避免局部最优解,利于寻找最优任务卸载决策。     

Resource pricing and offloading decisions in mobile edge computing based on the Stackelberg game

We propose a new approach for the organic integration of edge cloud offloading decision and Stackelberg game pricing to address the problem that the current Stackelberg games all allocate edge cloud computing resources equally and ignore the difference of different users’ demand for computing resources. Firstly, the Stackelberg game theory is used to establish a model of the optimal amount of data to be offloaded by users and the optimal number of computing resource blocks to be purchased, which converts the multivariate offloading decision problem of users into a univariate optimization problem, simplifies the offloading decision problem of users, and proves the existence of Nash equilibrium. Secondly, the KKT condition is applied to realize the offloading decision of users to purchase the optimal computing resource blocks. The upper and lower bounds of edge cloud pricing are established. Finally, a dynamic programming-based offloading (DPPO) algorithm for edge cloud pricing is proposed to achieve the optimal pricing of edge cloud utility and maximize each user’s own utility. The simulation results show that the proposed method not only achieves the equilibrium of edge cloud utility and user utility, but also has good convergence and scalability. The DPPO algorithm yields better results than with different pricing and offloading strategies.