低轨卫星网络基于Stackelberg博弈的任务卸载策略

针对单一卫星在过顶时间内难以完成复杂的任务计算问题,提出了一种应用于真实低轨卫星网络场景的星地边缘计算任务卸载方法。地面用户根据星地链路的连通条件建立与LEO卫星的任务协同计算关系,并基于Stackelberg博弈模型,构建双方关于任务时延的收益函数,采用分布式迭代算法求解满足纳什均衡下的任务卸载最优策略,从而优化任务时延。仿真结果表明,提出的Stackelberg博弈星地边缘计算方法与云计算及单一卫星计算相比,任务处理时延分别降低88%和46%;同时相比于任务卸载的传统算法,文中提出方法也具有明显的时延优势,证明了提出方法在任务卸载计算方面的有效性。

无人驾驶汽车跨区域的APSO联合任务卸载优化

为了解决车路协同中无人驾驶汽车跨区域计算任务卸载问题,构建了一种无人驾驶汽车和路侧单元(road side unit,RSU)的联合任务卸载优化模型,旨在将计算任务的总能耗和时延的加权和最小化,即求出计算任务的总能耗和时延的加权和的最小值,为此提出自适应粒子群优化算法(adaptive particle swarm optimization,APSO)优化车辆计算任务卸载过程中的任务卸载策略和任务发射功率来达到计算任务的总能耗和时延的加权和的最小值。结果表明:基于APSO的无人驾驶汽车的跨区域联合任务卸载优化模型能显著降低无人驾驶汽车计算任务的总能耗和时延的加权和,同时对于所构建的跨区域联合任务卸载优化模型采用APSO求解优于采用模拟退火算法(simulated annealing,SA)和遗传算法(genetic algorithm,GA)求解。

多核服务器边缘计算系统中任务卸载调度和功率分配的研究

在单用户多核服务器的移动边缘计算系统中,对多个独立计算任务的卸载调度策略和功率分配问题进行了研究。首先,基于混合流水车间调度模型对系统任务的卸载调度进行了建模,获得了系统时延的计算表达式,并在此基础上对系统能耗进行了建模;其次,利用混合编码方式的遗传算法,对系统时延和能耗的加权和最小化问题进行了求解,确定了最优的任务卸载调度策略和系统时延与能耗间的权衡关系。通过仿真分析,获得了最优的任务卸载甘特图;揭示了系统时延随任务数量线性增长;与随机任务卸载策略相比,同样条件下,文中所提出的卸载策略具有较小的系统时延;同时,可得到系统能耗和系统时延成反比的关系,在不增加系统时延的条件下找到了有效的节能方式。

基于模拟退火的多核多用户任务卸载调度

针对传统的集中式网络架构存在链路负载过重、时延较长的问题,将服务器下放至靠近用户端的移动边缘计算概念孕育而生。在移动边缘计算系统中,任务卸载调度策略的好坏影响到系统时延和用户体验,因此任务卸载调度问题依旧是移动边缘计算领域中的研究热点。在移动边缘计算的多用户多核系统中,该文对用户的多个独立任务的调度策略与功率分配进行了研究。为了降低任务卸载时延,首先利用混合流水车间模型对任务卸载调度策略进行了建模,获得了系统时延的表达式,其次利用模拟退火算法对系统时延与能耗的加权和最小化的问题进行了求解,获得了最优的任务卸载甘特图。与随机任务卸载调度策略相比,所提的卸载策略可以有效降低系统时延。最后通过权重的变化,找到一个合适的权重,在不增加时延的情况下,实现了能耗的节约。

面向车联网的多智能体强化学习边云协同卸载

车联网边缘计算是实现车联网系统低时延和高可靠性的关键技术,但现有方法普遍存在场景趋同和系统建模局限的问题,同时包含复杂的训练过程并面临维灾风险。通过结合云计算技术,提出一种基于多智能体强化学习的边云协同卸载方案。依据随机几何理论计算卸载节点覆盖概率,对车辆节点与卸载对象进行预配对。利用线性Q函数分解方法反映每个智能体多效用因子与任务决策间的映射关系,通过云端协同机制将智能体决策记录作为经验上传到云端,并在云端将训练更完备的神经网络反馈到边缘节点。仿真结果表明,该方案在功耗和延时方面性能优于单一固定边缘的计算策略,且算法复杂度较低,能够有效提升边云协同卸载能力,实现低时延、高可靠的任务卸载。