在任务计算密集型和延迟敏感型的场景下,无人机辅助的移动边缘计算由于其高机动性和放置成本低的特点而被广泛研究.然而,无人机的能耗限制导致其无法长时间工作并且卸载任务内的不同模块往往存在着依赖关系.针对这种情况,以有向无环图(d...在任务计算密集型和延迟敏感型的场景下,无人机辅助的移动边缘计算由于其高机动性和放置成本低的特点而被广泛研究.然而,无人机的能耗限制导致其无法长时间工作并且卸载任务内的不同模块往往存在着依赖关系.针对这种情况,以有向无环图(direct acyclic graph,DAG)为基础对任务内部模块的依赖关系进行建模,综合考虑系统时延和能耗的影响,以最小化系统成本为优化目标得到最优的卸载策略.为了解决这一优化问题,提出了一种基于亚群、高斯变异和反向学习的二进制灰狼优化算法(binary grey wolf optimization algorithm based on subpopulation,Gaussian mutation,and reverse learning,BGWOSGR).仿真结果表明,所提出算法计算出的系统成本比其他4种对比方法分别降低了约19%、27%、16%、13%,并且收敛速度更快.展开更多
随着互联网技术的发展,云游戏、虚拟现实和互动直播等新兴交互式多媒体应用引起了广泛关注。当前智能设备的计算能力难以满足多媒体内容对超高渲染和实时交互的需求,且云端赋能方式因存在高带宽、高延迟、高能耗等问题,限制了其在移动...随着互联网技术的发展,云游戏、虚拟现实和互动直播等新兴交互式多媒体应用引起了广泛关注。当前智能设备的计算能力难以满足多媒体内容对超高渲染和实时交互的需求,且云端赋能方式因存在高带宽、高延迟、高能耗等问题,限制了其在移动网络中的实际应用。为应对这些挑战,提出一种边缘计算辅助交互式多媒体应用的系统框架,旨在确保满足用户服务质量需求的前提下降低系统能耗。构建融合非正交多址(Non-Orthogonal Multiple Access,NOMA)与移动边缘计算(Mobile Edge Computing,MEC)技术的网络通信模型,考虑到MEC服务器资源受限以及用户服务质量需求各异等因素,提出联合用户关联和资源分配的优化方案。为高效解决优化问题,结合遗传算法(Genetic Algorithm,GA)和粒子群优化(Particle Swarm Optimization,PSO)的优势,设计了分层自适应搜索算法(Hierarchical GA and PSO Based Adaptive Search Algorithm,HGPASA)。通过一系列仿真实验,充分验证了所提算法的有效性。展开更多
文摘在任务计算密集型和延迟敏感型的场景下,无人机辅助的移动边缘计算由于其高机动性和放置成本低的特点而被广泛研究.然而,无人机的能耗限制导致其无法长时间工作并且卸载任务内的不同模块往往存在着依赖关系.针对这种情况,以有向无环图(direct acyclic graph,DAG)为基础对任务内部模块的依赖关系进行建模,综合考虑系统时延和能耗的影响,以最小化系统成本为优化目标得到最优的卸载策略.为了解决这一优化问题,提出了一种基于亚群、高斯变异和反向学习的二进制灰狼优化算法(binary grey wolf optimization algorithm based on subpopulation,Gaussian mutation,and reverse learning,BGWOSGR).仿真结果表明,所提出算法计算出的系统成本比其他4种对比方法分别降低了约19%、27%、16%、13%,并且收敛速度更快.
文摘随着互联网技术的发展,云游戏、虚拟现实和互动直播等新兴交互式多媒体应用引起了广泛关注。当前智能设备的计算能力难以满足多媒体内容对超高渲染和实时交互的需求,且云端赋能方式因存在高带宽、高延迟、高能耗等问题,限制了其在移动网络中的实际应用。为应对这些挑战,提出一种边缘计算辅助交互式多媒体应用的系统框架,旨在确保满足用户服务质量需求的前提下降低系统能耗。构建融合非正交多址(Non-Orthogonal Multiple Access,NOMA)与移动边缘计算(Mobile Edge Computing,MEC)技术的网络通信模型,考虑到MEC服务器资源受限以及用户服务质量需求各异等因素,提出联合用户关联和资源分配的优化方案。为高效解决优化问题,结合遗传算法(Genetic Algorithm,GA)和粒子群优化(Particle Swarm Optimization,PSO)的优势,设计了分层自适应搜索算法(Hierarchical GA and PSO Based Adaptive Search Algorithm,HGPASA)。通过一系列仿真实验,充分验证了所提算法的有效性。
