VEC中多边缘节点协作卸载与资源分配算法

针对车载边缘计算(VEC)中任务计算成本高和边缘节点负载不均衡的问题，将软件定义网络(SDN)与多边缘计算相结合，构建了“端-多边-云”3层软件定义车载边缘计算模型，并提出了一种新的协作卸载和资源分配算法。使用SDN控制器从全局角度获取网络信息，对任务卸载和资源分配进行统一调度。将改进的k-means算法用于确定任务的初始卸载决策，将任务分别分配到本地簇、边缘节点簇和云服务器簇中。此外，利用深度Q网络算法获得了边缘节点簇中任务最优的卸载决策、卸载比例和资源分配策略。仿真实验结果表明，相较于对比算法，用所提算法使任务的计算成本降低了18.6%以上，提高了22.9%以上的边缘节点资源利用率，并实现了边缘节点间的负载均衡。     

改进多种群进化算法求解移动边缘计算中任务调度问题

移动边缘计算通过在靠近用户端的网络边缘部署服务器,为用户提供低时延的网络通信服务和类似云的计算服务。移动设备通过网络接入点将任务卸载到边缘服务器进行处理,能够有效地减少移动设备的能耗以及任务的完成时间。然而,用户在卸载任务时需要支付一定的通信成本。本文在构建包含多个用户和多个边缘计算节点的移动边缘计算环境的基础上,建立了最小化移动设备的任务完成时间、能耗以及通信成本的数学模型。为了解决上述问题,本文提出了一种改进多种群进化算法的任务调度优化算法。该调度算法通过优化卸载决策和资源分配决策来达到降低移动设备综合成本的目的。大量仿真实验说明,该任务调度算法与其他几种的任务调度算法相比,能够更有效地降低移动设备的综合成本。     

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算（MEC）任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习（DRL）算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.     

虚实映射误差条件下数字孪生辅助的无人机网络计算任务卸载及资源自适应优化机制

为了解决动态时变的无人机（Unmanned Aerial Vehicle, UAV）网络环境下,智能终端设备有限的计算和存储资源不能满足资源密集型任务需求,以及高传输时延和低可靠连接的问题,本文使用数字孪生技术在地面基站（Base Station, BS）构建无人机、智能终端以及无线网络环境的孪生网络模型,以对无人机网络运行状态进行模拟和仿真。进而,基于构建的孪生网络模型设计智能终端设备计算任务卸载机制。在满足智能终端设备计算任务最大容忍延迟的条件下,智能终端设备选择将计算任务全部卸载到无人机,或者在本地进行计算。然后,将计算卸载问题建模为马尔科夫决策过程,建立联合无人机悬停点、计算任务卸载决策、无人机计算资源分配的自适应资源优化模型,实现最大化无人机效用函数的目标。考虑孪生网络模型与真实无人机网络的虚实映射误差,提出近端策略优化算法（Proximal Policy Optimization,PPO）,求解自适应资源优化模型。仿真结果表明,与已有方案对比,所提算法可以有效提高无人机的效用。同时,在适应虚实映射误差方面优于传统深度强化学习算法。     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题，提出一种基于雾节点协作贡献度的计算卸载算法。首先，对协作可行性、协作公平性和协作稳定性进行了建模设计；其次，定义了协作贡献度和协作贡献比系数；然后，结合雾节点的剩余计算容量阈值和协作贡献度阈值，在满足任务可容忍的最大时延约束下，提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题，使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明，所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销，并且能够在协作可行性、协作公平性之间进行权衡处理。     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

智能反射面辅助的多用户边缘计算卸载研究

为了实现万物绿色高效互联,智能反射面技术作为提升频谱效率和能量效率的有效技术被引入,以辅助无线通信系统,构建智能反射面辅助的边缘计算系统。研究多用户随机接入的边缘计算卸载,通过在无线信道部署有源和无源智能反射面元件,改变入射信号幅度和相位,以改善信道环境。为了进一步改善该网络的计算卸载时延,提出了一种以最小化计算时延的资源分配方案,设计了一种有效的交替优化的算法,实现计算卸载变量、线性接收矢量和对角相移矩阵的设计。仿真结果表明,所提算法有效性与低时延性。     

异构网络中支持终端直通的联合模式资源复用算法

针对异构蜂窝网络中终端直通(D2D)通信复用频谱资源导致同频干扰,并影响系统通信性能的问题,提出了一种基于联合模式的支持终端直通的资源复用算法.为了综合考虑异构网络中蜂窝用户和D2D用户需要并平衡两类不同用户的资源分配,该算法在确定D2D通信限制距离的基础上,联合蜂窝与D2D两种模式构建CU-D2D组合集,以其加权吞吐量增益为用户优先级,并据此进行无线资源分配,从而实现了异构蜂窝网络环境下频谱资源的优化分配.结果表明,该算法在保证蜂窝用户传输速率的同时,有效地改善了D2D用户的通信速率,从而整体性地提升了异构蜂窝网络的系统通信性能.     

边缘计算架构中P2P的组合多资源任务卸载算法

为了解决点对点（P2P）系统中多种资源合作完成任务卸载的问题,提出了多资源组合交易卸载算法,设计了激励机制,促使设备加入任务卸载系统,同时保证系统内资源可以被高效地利用。通过严格的理论分析可知,所设计的多资源组合交易机制能满足计算效率可行性和个体理性的要求。通过实验模拟得出结论：提出的多资源组合交易卸载算法的资源交易数量虽然没有达到对比算法下的资源交易数量,但时间复杂度远远低于对比算法。     

基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性。该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN)。该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务动态分配处理,为不同的用户设备应用提供近似最优的任务分配卸载策略。实验表明,ECWS-RDQN算法比传统方案有更好的系统效能,提升了应用的服务质量。     

Edge offloading strategy for the multi-base station game in ultra-dense networks

Mobile edge computing provides powerful computing capabilities for the wireless network to enrich the user experience.However,in the current mobile edge computing network,the problems of small coverage density and hotspot overload of the central node should be skillfully overcome.The combination of the ultra-dense network and mobile edge computing can provide a feasible solution for addressing the above problems.A distributed edge computing architecture for ultra-dense networks is designed,and a multi-base station game offloading algorithm is proposed to minimize the system overhead.In the proposed algorithm,the lagrange multiplier method is used to solve the problem of computing resource allocation,and then the matching game theory is exploited to obtain the optimal offloading strategy,so that the mutual benefits of both users and mobile edge computing servers are maximized.Simulation results show that compared with the random and greedy offloading algorithms,the proposed algorithm achieves a significant reduction in the system overhead,with the average overhead saving being up to 28.66%.     

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展，车辆边缘计算越来越引起人们的注意。车辆如何有效地利用车辆周边的各种通信、计算和缓存资源，结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元，已经成为目前车联网研究的热点。由于车辆应用设备有限的计算资源，车辆用户的任务计算需求无法满足，需要充分利用车辆周边的计算资源来计算任务。本文研究了车辆边缘计算中任务的合作卸载机制，以最小化车辆任务的计算时延。首先，设计了任务合作卸载的三层系统架构，考虑了车辆周边停泊车辆的计算资源以及路边单元的计算资源，组成云服务器层、停泊车辆合作集群层和路边单元合作集群层的三层架构。通过路边单元合作集群和停泊车辆合作集群的合作卸载，充分利用系统的空闲计算资源，进一步提高了系统的资源利用率。然后，基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分，并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后，通过将本文算法和其他算法方案的进行实验对比，仿真结果表明，本文算法在系统时延和系统吞吐量方面具有更好的性能表现，可以降低23%的系统时延，并且能提升28%的系统吞吐量。     

面向车联网实时应用场景的任务卸载决策算法

为了解决当前车联网中节点处理任务的时效性问题,基于最优节点选取及任务卸载理论,提出了一种新的任务卸载决策方案.该方案对车联网场景下的任务卸载进行建模,构造出具有指向性的节点分布模型,利用最优节点选取算法对该模型进行节点预选取,通过一次或二次任务卸载预判机制,实现节点对任务的卸载决策.与传统的任务卸载决策相比,所提方案在任务卸载全过程中耗时更少,实时性更高.仿真结果验证了所提方法的有效性.     

无线传感器网络任务分配的粒子群优化算法

为延长网络生命周期,减少网络能量消耗和均衡网络负载,引入了粒子群优化算法,提出了一种基于离散粒子群优化的任务分配算法.该算法根据任务总完成时间和能量损耗,建立代价函数,实现优化任务分配策略.引入变异算子,较好地保持了种群的多样性并提高了算法的全局搜索能力.仿真实验结果表明算法是可行的和有效的.