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.     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

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%.     

面向移动边缘计算的动态规划算法研究

移动边缘计算可以将用户任务卸载至边缘服务器,以减少移动设备的能耗与时延。通过研究边缘计算场景,提出了一种自适应动态规划算法,以优化用户的卸载决策。所提算法采用创新的比特流填表方式以节省计算时间,同时在满足时间约束的条件下减小能耗与时延。结果表明,该算法可在满足应用程序执行时间约束的前提下找到近似最优解,同时在不损失计算效率的前提下处理较大的卸载问题。     

基于mMIMO的MEC安全节能资源分配方法

移动边缘计算（MEC）系统在恶意用户干扰攻击和窃听的双重威胁下,会带来上行卸载受阻、用户信息泄露、系统能源利用率低等问题.对此,利用物理层安全技术防止窃听,并利用大规模多输入多输出（mMIMO）技术来减少干扰及用户能耗.此外,在时延受限的条件下,通过联合优化用户的卸载决策、发射功率以及卸载速率,实现用户总能耗最小化.针对此非凸的多目标优化问题,首先利用拉格朗日乘数法得到用户卸载数据量的闭合表达式,然后利用迭代算法得到用户最优的发射功率以及最大卸载速率.仿真结果表明,所提出的mMIMO-MEC安全卸载方案在解决干扰和窃听等安全问题的同时,有效地降低了系统的总能耗.     

车联网边缘场景下基于免疫算法的计算卸载优化

为了解决如何在降低车载终端计算时延的同时保证服务器的低能耗和负载均衡问题,本文首先构建了基于车对车通信的系统模型、时延模型、负载均衡模型、能耗模型和目标优化模型;然后提出了一种基于多目标免疫优化算法的计算卸载方案;最后将本文方案与多种卸载方案进行了对比实验。实验结果表明,本文方案能够有效降低用户的平均卸载时延,优化服务器之间的工作负载并有效降低能耗,且性能较各卸载方案有所提升。     

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。     

无线MEC系统中队列状态感知的卸载和 传输联合优化

针对多用户-多移动边缘计算服务器系统的动态计算任务卸载问题,基于用户端和服务器端的任务队列模型,以系统的长期平均时延和长期平均功耗为优化目标,求解最优的卸载策略及相应的上行预编码.通过李雅普诺夫优化方法将长期平均问题转化成单阶段目标优化问题,考虑到卸载策略和预编码之间存在范数约束关系,通过连续近似和半正定松弛,可转化成典型的DC规划求预编码解问题.仿真结果表明,所提方案比传统方法具有更低的时延和功耗.     

移动边缘计算中基于能量收集的能效优化方案

移动边缘计算（MEC）系统中密集的计算任务卸载使得资源受限的终端设备能量效率低,能量服务单一,对此,提出了一种基于能量收集的系统能效优化方案.该方案首先在满足卸载发送功率限制等约束条件下,分析了能量收集状态及用户功率分配,建立了最大化系统能效的联合优化模型;其次,利用广义分数规划理论将卸载能效转化为标准凸优化问题,并通过构建拉格朗日函数对目标函数进行迭代优化,获得最优的能量指示变量和功率分配.仿真结果表明,所提方案可以有效提升MEC系统中的用户能量效率,同时保证了用户服务质量,实现了绿色通信.     

基于MDP的协作认知边缘计算网络资源分配方案

为了缓解移动边缘计算网络中用户设备续航有限、频谱稀缺的问题,提出一种可无线充能的认知边缘计算网络中的资源优化方案。主用户可以对次用户进行无线充能与协作中继,尽快完成自身数据传输后使信道空闲,次用户接入信道后进行边缘计算。利用马尔科夫决策过程(Markov Decision Proces, MDP)对次用户的能量收集时间长度、卸载能耗和操作模式等进行联合优化设计,最大化次用户能获得的长期期望计算量。仿真结果表明,所提方案能够提升系统频谱效率,并且所提方案获得的长期期望计算量就短期优化方案而言具有显著提升。     

移动边缘计算场景下基于免疫优化的任务卸载

移动边缘计算通过将计算资源和存储资源下沉到移动网络的边缘,可以减少移动终端的任务计算时延和能耗,从而有效满足移动互联网、物联网高速发展所需的高回传带宽、低时延的要求.计算卸载作为移动边缘计算的一个主要优势,它通过将繁重的计算任务迁移到边缘服务器来提高移动服务能力.针对移动边缘计算场景下移动终端应用的低时延和低能耗的卸载...     

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。     

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。     

基于多代理模仿学习的普适边缘计算资源分配

普适边缘计算允许对等设备之间建立独立通信连接,能帮助用户以较低的时延处理海量的计算任务.然而,分散的设备中不能实时获取到网络的全局系统状态,无法保证设备资源利用的公平性.针对该问题,提出了一种基于生成对抗网络(Generative Adversarial Network,GAN)的普适边缘计算资源分配方案.首先基于最小化时延与能耗建立多目标优化问题,然后根据随机博弈理论将优化问题转化为最大奖励问题,接着提出一种基于多代理模仿学习的计算卸载算法,该算法将多代理生成对抗模仿学习(GAIL)和马尔可夫策略(Markov Decision Process,MDP)相结合以逼近专家性能,实现了算法的在线执行,最后结合非支配排序遗传算法Ⅱ(Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)对时延和能耗进行了联合优化.仿真结果表明,所提出的解决方案与其他边缘计算资源分配方案相比,时延缩短了30.8%,能耗降低了34.3%.     

基于可靠性约束的工作流调度算法

移动边缘计算(Mobile Edge Computing, MEC)环境中,工作流调度算法存在可靠性约束的问题,为此,提出一种基于可靠性约束的工作流调度算法。首先,根据工作流子任务依赖关系生成优先级就绪队列;其次,根据不同服务器的故障率建立可靠性模型,保证工作流调度方案满足工作流可靠性的要求;然后,针对未分配调度位置的任务,根据服务器可靠性信息,按照执行队列顺序进行初始化,得到满足可靠性约束的初始种群;最后,采用改进的非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)求解工作流的最优卸载位置,并生成调度方案。仿真实验表明,相较于轮询调度算法、贪心算法和粒子群算法,提出算法降低了移动设备的能耗,减少了任务时延,提高了工作流执行可靠性。     

面向硬件感知的边缘计算卸载和资源分配

传统的边缘计算卸载研究并未涉及计算机硬件实现的细节,计算模型建模粗糙,优化方案精准度低。为此,提出了基于硬件实现的多用户多边缘服务器计算卸载和资源分配联合优化方案,充分考虑了计算过程硬件实现的细节,从计算机指令执行粒度出发,综合计算机输入/输出瓶颈和内存功能模块的能耗,重新建立联合优化模型,并在满足卸载任务时延要求的前提下最小化系统能耗。 此外,为解决动作空间高维的问题,采用了基于深度确定性策略梯度的混合在线二部匹配算法。仿真结果表明,计算过程中的内存能耗不可忽略,且所提出的优化算法能够有效学习最优策略,对降低系统能耗具有显著作用。     

智慧医疗场景下考虑终端移动性的任务卸载策略

针对工作流任务、边缘服务器无线信号覆盖范围、智慧医疗场景以及终端移动路径,分别构建模型进行描述,根据移动终端的实时位置和移动速率构建基于移动路径的工作流任务执行时间及能耗模型. 根据边缘服务器的无线通信模型,引入任务执行延迟和任务迁移2种情况以保障服务的连续性和执行时间限制. 从全局角度综合考虑任务在云端、边缘服务器和本地的执行效益,设计工作流任务优先级划分算法和边缘服务器卸载优化算法,并使用遗传算法设计基于最佳移动路径的工作流任务卸载决策及调度算法,在可选路径中搜索满足用户响应时间约束,且移动端能耗最低的最佳路径和相应的任务卸载、调度方案. 仿真结果说明：该算法能够合理地分配计算资源,在用户响应时间约束下充分降低移动终端能耗,相较未考虑终端移动性的卸载算法,移动端能耗降低了19.8%.     

基于机器学习的MEC随机任务迁移算法

针对移动边缘计算（MEC）,提出了一种基于机器学习的随机任务迁移算法,通过将任务划分为可迁移组件和不可迁移组件,结合改进的Q学习和深度学习算法生成随机任务最优迁移策略,以最小化移动设备能耗与时延的加权和.仿真结果表明,该算法的时延与能耗加权和与移动设备本地执行算法相比节约了38.1%.     

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。     

智慧社区边缘计算场景下基于免疫算法的卸载决策优化

边缘计算通过将云计算中心的计算和存储资源下沉至距离用户更近的网络边缘,用户可将任务卸载至边缘计算节点执行,以获得更低的任务时延和能耗.针对智慧社区场景下的任务卸载决策问题,构建了联合优化任务时延和能耗的卸载决策优化模型;在免疫算法中引入交叉操作,并对克隆算子、变异算子进行了改进,给出了一种基于改进免疫算法的任务卸载方案,并对该模型进行仿真实验.结果表明：该方案优于基于粒子群优化算法方案、基于遗传算法方案和基于免疫算法的卸载方案,可以有效降低任务时延和能耗.