期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
NOMA-MEC系统中基于改进遗传算法的协作式计算卸载与资源管理
被引量：
11
1
作者
周天清
胡海琴
曾新亮
《电子与信息学报》
EI
CSCD
北大核心
2022年第9期3014-3023,共10页
为平衡网络负载与充分利用网络资源,针对超密集异构的多用户和多任务边缘计算网络,在用户时延约束下,该文构造了协作式计算任务卸载与无线资源管理的联合优化问题以最小化系统能耗。问题建模时,为应对基站超密集部署导致的严重干扰问题...
为平衡网络负载与充分利用网络资源,针对超密集异构的多用户和多任务边缘计算网络,在用户时延约束下,该文构造了协作式计算任务卸载与无线资源管理的联合优化问题以最小化系统能耗。问题建模时,为应对基站超密集部署导致的严重干扰问题,该文采用了频带划分机制,并引入了非正交多址技术(NOMA)以提升上行频谱利用率。鉴于该目标优化问题具备非线性混合整数的形式,根据多样性引导变异的自适应遗传算法(AGADGM),设计出了协作式计算卸载与资源分配算法。仿真结果表明,在严格满足时延约束条件下,该算法能获取较其他算法更低的系统能耗。
展开更多
关键词
超密集异构网
边缘计算
协作式任务卸载
频谱划分
非正交多址技术
自适应遗传算法
在线阅读
下载PDF
职称材料
车联网中深度强化学习辅助的RAN切片和任务卸载联合优化
被引量：
1
2
作者
田一博
沈航
+1 位作者
白光伟
王天荆
《小型微型计算机系统》
CSCD
北大核心
2024年第4期910-918,共9页
车联网特点包括多种业务并存、车辆高速移动、车流在时域和空域分布不匀等,使得任务卸载和资源分配面临许多挑战性问题.本文提出一种深度强化学习辅助的无线接入网(Radio Access Network,RAN)切片和任务卸载联合优化方法,目的是最大化...
车联网特点包括多种业务并存、车辆高速移动、车流在时域和空域分布不匀等,使得任务卸载和资源分配面临许多挑战性问题.本文提出一种深度强化学习辅助的无线接入网(Radio Access Network,RAN)切片和任务卸载联合优化方法,目的是最大化车联网任务完成数量.设计一种多时间尺度、多维资源切片框架,为不同类型任务的卸载提供差异化服务质量(Quality-of-Service,QoS)保障.在该框架下,任务完成数量最大化问题被建模为一个带约束的长时累积优化问题.该问题被解耦为大时间尺度上的RAN切片子问题与小时间尺度上的任务调度子问题.每当一个新切片窗口到来,控制器通过一种最优化方法为切片分配频谱和计算资源.切片窗口内各个时隙的工作流调度由一种基于深度强化学习的任务调度算法决定.该算法综合考虑车速、行驶方向、基站资源等因素,可以根据网络态势变化动态地在不同基站之间分配任务,实现全网资源的高效利用.仿真结果表明,所提方案在任务完成率、环境适应性等方面优于现有典型的基准方法.
展开更多
关键词
车联网
协作式任务卸载
多时间尺度
RAN切片
深度强化学习
在线阅读
下载PDF
职称材料
题名
NOMA-MEC系统中基于改进遗传算法的协作式计算卸载与资源管理
被引量：
11
1
作者
周天清
胡海琴
曾新亮
机构
华东交通大学信息工程学院
出处
《电子与信息学报》
EI
CSCD
北大核心
2022年第9期3014-3023,共10页
基金
国家自然科学基金(61861017,61861018,61961020,62171119)
国家重点研究开发计划(2020YFB1807201)。
文摘
为平衡网络负载与充分利用网络资源,针对超密集异构的多用户和多任务边缘计算网络,在用户时延约束下,该文构造了协作式计算任务卸载与无线资源管理的联合优化问题以最小化系统能耗。问题建模时,为应对基站超密集部署导致的严重干扰问题,该文采用了频带划分机制,并引入了非正交多址技术(NOMA)以提升上行频谱利用率。鉴于该目标优化问题具备非线性混合整数的形式,根据多样性引导变异的自适应遗传算法(AGADGM),设计出了协作式计算卸载与资源分配算法。仿真结果表明,在严格满足时延约束条件下,该算法能获取较其他算法更低的系统能耗。
关键词
超密集异构网
边缘计算
协作式任务卸载
频谱划分
非正交多址技术
自适应遗传算法
Keywords
Ultra-Dense Heterogeneous Networks(UDHN)
Edge computing
Cooperative computation offloading
Frequency spectrum partitioning
Non-Orthogonal Multiple Access(NOMA)
Adaptive Genetic Algorithm(AGA)
分类号
TN929.5 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
车联网中深度强化学习辅助的RAN切片和任务卸载联合优化
被引量：
1
2
作者
田一博
沈航
白光伟
王天荆
机构
南京工业大学计算机科学与技术学院
出处
《小型微型计算机系统》
CSCD
北大核心
2024年第4期910-918,共9页
基金
国家自然科学基金项目(61502230)资助
江苏省自然科学基金项目(BK20201357)资助
+1 种基金
江苏省“六大人才高峰”高层次人才资助项目(RJFW-020)资助
江苏省研究生科研与实践创新计划项目(KYCX21_1141)资助.
文摘
车联网特点包括多种业务并存、车辆高速移动、车流在时域和空域分布不匀等,使得任务卸载和资源分配面临许多挑战性问题.本文提出一种深度强化学习辅助的无线接入网(Radio Access Network,RAN)切片和任务卸载联合优化方法,目的是最大化车联网任务完成数量.设计一种多时间尺度、多维资源切片框架,为不同类型任务的卸载提供差异化服务质量(Quality-of-Service,QoS)保障.在该框架下,任务完成数量最大化问题被建模为一个带约束的长时累积优化问题.该问题被解耦为大时间尺度上的RAN切片子问题与小时间尺度上的任务调度子问题.每当一个新切片窗口到来,控制器通过一种最优化方法为切片分配频谱和计算资源.切片窗口内各个时隙的工作流调度由一种基于深度强化学习的任务调度算法决定.该算法综合考虑车速、行驶方向、基站资源等因素,可以根据网络态势变化动态地在不同基站之间分配任务,实现全网资源的高效利用.仿真结果表明,所提方案在任务完成率、环境适应性等方面优于现有典型的基准方法.
关键词
车联网
协作式任务卸载
多时间尺度
RAN切片
深度强化学习
Keywords
internet of vehicles
collaborative task offloading
multi-timescale
RAN slicing
deep reinforcement learning
分类号
TP393 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
NOMA-MEC系统中基于改进遗传算法的协作式计算卸载与资源管理
周天清
胡海琴
曾新亮
《电子与信息学报》
EI
CSCD
北大核心
2022
11
在线阅读
下载PDF
职称材料
2
车联网中深度强化学习辅助的RAN切片和任务卸载联合优化
田一博
沈航
白光伟
王天荆
《小型微型计算机系统》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
