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。     

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%.     

MEC网络中基于强化学习的任务卸载和资源分配

针对基于移动边缘计算（mobile edge computing, MEC）的双层蜂窝网络中由于移动设备的任务迁移而产生额外开销的问题,在移动感知下通过联合任务卸载和资源分配来减少任务迁移概率,进而最大化用户总收益。首先,提出了最大化用户总收益的最优化问题;其次,在考虑时变的计算任务和资源分配下,将最优化问题描述为一个马尔科夫决策过程(Markov decision process, MDP),同时,提出了一个新颖的采用基于Q-学习的强化学习算法（reinforcement learning-based algorithm with Q-learning method, RLAQM）进行求解;最后,仿真验证了所提出的算法与其他算法相比能明显提高用户总收益。     

MEC系统中面向网络切片的3C联合资源分配算法

移动边缘计算（MEC）相关研究已经成为未来移动网络的热点研究之一.在基于网络切片的雾无线接入网络中,提出了一种面向网络切片的MEC系统通信计算缓存（3C）联合的资源分配算法.给出了面向网络切片的多MEC协作资源分配模型,其中考虑了无线接入带宽与回程链路带宽的限制以及MEC系统计算与缓存资源分配对网络切片服务时延的影响;基于服务时延定义了用户获得资源的效用值,构造了系统效用值最大化问题优化不同网络切片下的用户接入、计算与缓存资源分配,并采用连续凸近似交替迭代方法获得近似最优解.对所提算法性能进行了仿真验证,仿真结果表明,所提算法实现了系统总效用值优化,提高了面向网络切片的MEC系统资源利用效率.     

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。     

基于相关信道的多用户MIMO-OFDM下行链路资源分配

为了最小化多用户多输入多输出-正交频分复用(MIMO-OFDM)系统下行链路发射功率,基于相关信道,提出按用户空间相关性分组的子载波共享方式与独占方式相结合的资源分配算法．不同用户组共享全部子载波,利用基于各组边缘用户中心角导引向量的组迫零方法实现各用户组的共道干扰抑制;各组内用户以独占方式分配子载波、比特、功率．仿真结果表明,新算法在不同速率及误比特率时,系统所需功率小于独占方式及基本迫零共享方式,且频谱利用率高于独占方式,基站所需发射天线数及计算复杂度小于基本迫零共享方式．     

无人机认知边缘计算资源分配与轨迹优化方案

为了缓解移动边缘计算(Mobile Edge Computing,MEC)网络任务卸载中面临的频谱资源稀缺问题,研究了一种无人机辅助的认知M EC网络架构.将认知无线电技术与边缘计算相结合,在同一个频段内存在多个主用户的情况下,利用无人机搭载的边缘计算服务器为次用户提供计算服务,以进一步提高边缘计算网络的频谱利用率.以...     

大规模MIMO系统中基于OMP的混合波束赋形方法

为了在大规模多输入多输出（MIMO）系统中实现低开销、低成本的可靠通信,通过基于正交匹配追踪（OMP）算法的混合波束赋形,在低开销硬件限制下,探究了射频链路的数量、模数转换器数量、有限移相器精度的变化对混合波束赋形系统性能的影响,并与理想情况下的数字波束赋形性能进行对比.仿真结果表明,在射频链路中模数转换器数量较少和移相器精度较低时,基于此算法的波束赋形方案能够达到与理想数字波束赋形系统相近的性能指标.     

MEC中面向动态环境的工作流D2D协同卸载方法

为解决现实场景中终端设备的移动性与性能波动对工作流D2D(device-to-device)协同卸载带来的问题,提出一种面向动态环境的工作流D2D协同卸载方法,以尽可能小的卸载成本保证工作流在时间约束内得到及时响应。在工作流的卸载执行过程中感知其执行时间状态,并提出贪婪有序自适应搜索算法进行高效的工作流D2D卸载决策,根据环境变化及工作流执行时间状态在线调整卸载方案。仿真结果表明,该卸载方法在动态环境中具有有效性,并且卸载决策所需的计算开销很低(仅为粒子群优化算法的1.63%),具有较高的实时性。     

基于增强CVAE的三维射线重构方法

射线追踪数据的样本空间不完备性是造成大规模多输入多输出信道幅值预测出现高预测误差用户较多的主要原因。 为了更全面地表征所有用户的信道传播特征,提出了一种基于扩展概率分布的条件变分自编码器(CVAE)的三维射线重构方法。 该方法基于用户射线样本的稀疏度选择先验概率分布,通过增强 CVAE 为高误差用户生成新的射线样本训练集,使射线追踪数据的隐变量分布更符合高误差用户的特征。 仿真结果表明,基于所提出的方法在原有射线样本训练集中扩充新样本后,可将高预测误差用户数降低到原来的 53.59% ;使用新训练集训练的神经网络在得到大幅降低预测信道幅值时间开销的同时,将信道幅值预测精度提升了 7.8% 。     

基于计算吞吐量最大化的能量采集边缘计算系统在线资源优化配置

在基于可再生能量收集技术的移动边缘计算(Mobile Edge Computing, MEC)系统中,可再生能量到达和计算卸载无线信道呈现较强的时空变化特性,因此该系统的无线及计算资源管理与用户任务计算之间存在着动态适配的挑战。针对此类问题,本文研究多时隙多用户的能量采集边缘计算系统,建立可再生能量随机到达和无线信道模型以及预测误差模型,以系统总计算吞吐量最大化为准则,通过逐时隙联合优化用户本地计算和计算卸载模块,提出了一种在线滑动窗设计方案, 需要通过调整滑动窗长度M来实现。该方案逐时隙求解凸优化问题,基于离线资源动态管控的最优结构,实时制定资源管理策略,具有较低的计算复杂度。仿真实验结果表明,提出的在线滑动窗设计方案在系统计算吞吐量性能方面优于已有的基准方案,并在对抗信道/能量状态信息预测误差方面有较好的鲁棒性能。     

基于统计特性的多天线能效优化

针对多天线链路,提出基于信道统计特性的传输与能效优化方案.接收端采用基于训练序列的最小均方误差估计获得信道估计值,并基于码本进行有限反馈,从而使得发送端获得信道状态信息并进行波束赋形的数据传输.针对这一传输过程进行能效优化,根据其信道统计特性对最小均方误差估计值和估计误差及码本反馈量化值和反馈误差进行统计分析,进而形成针对能效度量的统计分析和能效优化模型,并给出能效最大化的训练功率及数据功率分配方案.仿真结果表明,与已有静态功率分配方案相比,提出方案可以有效地提高系统能效性,且在快速时变信道环境下,以极低复杂度获得趋近于已有动态功率分配方案的性能.     

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.     

能量有效的无线传感器网络协作路由策略研究

基于协作通信技术,提出了一种协作路由策略,考虑了协作节点个数、星座体积和最优跳数的影响,通过理论证明和优化算法给出了其协作路由策略理想上限,并分析了其能量效率。理论分析及仿真结果表明,基于文中方案,通过选取合适的协作节点数和每跳距离可以有效提高无线传感器网的端到端能量效率,其性能要优于传统理想多跳路由方案。     

异构网络中任务卸载与资源分配联合优化算法

在有限的网络边缘资源约束下,考虑到业务的多样性和网络接入的异构性对任务卸载和计算资源分配的影响,在本地和服务器共同处理任务的背景下,提出了一种异构网络场景下结合李雅普诺夫优化理论和搜索树算法对任务卸载和计算资源分配的联合优化方法,分析了卸载收益与延迟之间的折中关系,优化了任务卸载与计算资源分配。同时,为了对搜索树进行快速分支定界,设计了一种卸载优先级准则。最后,通过仿真实验验证了所提算法的有效性和合理性。     

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%.     

一种基于EP的自适应大规模MIMO信号检测算法

大规模天线下信号检测必须兼顾运算复杂度和性能,而传统算法难以满足要求,为此,结合循环冗余校验码,提出了一种基于期望传播的自适应大规模多输入多输出系统信号检测算法.仿真结果表明,该算法能降低运算复杂度,并保持良好的性能.     

多业务组播系统中基于公平性的高效资源分配

提出了多业务组播系统中最大化系统吞吐量的自适应子载波和功率分配算法.根据各组播业务的数据率要求进行业务间功率和子载波的分配,达到业务间公平性的目标;设计了子载波协作传输方案及其简化方案来传输数据,在保证订阅相同业务各用户间公平性的同时提高了系统容量;对每个组播业务进行子载波间的功率调整,进一步增强系统容量.仿真结果显示,所提出的多播算法在保证业务间公平和订阅相同业务的用户间公平的条件下,显著地增大了系统容量.     

基于PSO算法的RIS-MIMO联合波束成形方案

在可重构智能表面(RIS)辅助的多输入多输出(MIMO)系统中,为了最大化系统的频谱效率,波束成形需要联合考虑基站的主动波束成形和RIS的相移设计。对此,提出了一种基于改进粒子群(PSO)算法的波束成形方案。首先,利用交替优化思想,将联合波束成形问题分解为基站处的有源波束成形和RIS处的相移设计。然后,利用注水功率分配和改进的PSO算法分别对这两个问题进行交替优化求解。最后,将所提方案推广到实用相移模型的RIS中。实验结果表明,所提方案可以有效地解决此波束成形问题,并能大幅提升系统的频谱效率。