一种基于K-shell影响力最大化的路径择优计算迁移算法

在移动边缘计算网络中,高效的计算迁移算法是移动边缘计算的重要问题之一.为了提高计算迁移算法性能,应用同类问题的相互转换性和最大化影响力模型,利用K-shell算法对边缘服务器进行等级划分,考虑边缘服务器负载过重问题,构建路径重叠(path overlap,PO)算法,引入通信质量、交互强度、列队处理能力等指标进行边缘服务器路径优化,将优化计算任务迁移路径问题转化为社会网络影响力最大化问题求解.基于K-shell影响力最大化思想,联合优化改进贪心与启发式算法,提出一种K-shell影响力最大化计算迁移(K-shell influence maximization computation offloading,Ks-IMCO)算法,求解计算迁移问题.与随机分配(random allocation,RA)算法、支持路径切换选择的(path selection with handovers,PSwH)算法在不同实验场景下对比分析,Ks-IMCO算法的能耗、延迟等明显提升,能有效提高边缘计算网络计算迁移的效率.

基于库仑力模型的动态社会网络积极影响力最大化算法

影响力最大化问题已经成为社会网络中重要的研究内容,其影响力传播模型和求解算法是关键的核心问题。为了提高预测传播结果的准确度,引入传播过程中激活节点数量动态变化与节点间信任关系对IC模型进行改进,结合社会影响力与库仑力之间的相似性,提出一种基于信任关系的动态社会库仑力(dynamic social Coulomb forces based on trust relationship,DSC-TR)模型,构建一种优化的随机贪心(random greedy,RG-DPIM)算法求解影响最大化问题。仿真实验结果表明,DSC-TR模型的预测准确度明显优于SC-B、IC模型;RG-DPIM算法性能优于G-DPIM、IPA、TDIA算法。