智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能和效...智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能和效率过低。提出了一种基于双重延迟深度确定性策略梯度的多无人机辅助计算迁移算法(Collaborative Cloud‑Edge Computing Offload‑ing Based on TD3,CeCO‑TD3),该算法构建了一个联合无人机飞行角度、距离、迁移服务选择和任务迁移比的多目标优化函数,以最小化系统的计算时延与能耗,利用深度强化学习算法对问题求解。并且引入云边协作框架和带有优先级的云端策略经验池,进一步保障了多无人机的计算迁移服务质量。实验结果表明,所提算法在缩减任务传输时延和降低计算能耗方面优于传统优化算法。展开更多
雾计算网络场景下移动设备因其电池寿命有限而大大制约了其工作能力,简单的计算迁移方案已无法满足用户的服务需求。因此,文中提出了一种融合无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的可充电雾计...雾计算网络场景下移动设备因其电池寿命有限而大大制约了其工作能力,简单的计算迁移方案已无法满足用户的服务需求。因此,文中提出了一种融合无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的可充电雾计算迁移机制。具体地,通过充分考虑任务迁移比、传输时间和功率分割比的联合优化,构建了一个多用户场景下最小化所有任务完成总能耗的优化问题。基于上述非凸优化问题,提出了一个基于凸差规划与加速梯度的交替优化算法,该算法基于凸差规划和交替优化理论,将非凸优化问题转化成两个凸优化子问题进行交替求解;同时,结合加速梯度下降方法,实现任务迁移比、传输时间和功率分割比等最优解的快速求解。特别地,通过在传统FC模型中融合SWIPT技术,使得智能设备从射频信号中解码结果信息的同时可以从中采集能量,以延长电池的使用寿命。最后,仿真结果表明文中所提出的可充电雾计算迁移机制可以有效降低任务处理能耗,较DGECO方案能耗平均降低了约12.8%。展开更多
为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求,提出了一种面向车联网边缘计算的智能计算迁移方法(intelligent computing offloading method,ICOM).首先构建了车联网边缘计算系统资源模型、执行时间...为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求,提出了一种面向车联网边缘计算的智能计算迁移方法(intelligent computing offloading method,ICOM).首先构建了车联网边缘计算系统资源模型、执行时间模型、边缘设备负载均衡模型;然后利用非支配排序遗传算法(non-dominant sorting genetic algorithm,NSGA-II)实现了对车载计算任务的迁移时间和边缘设备的负载均衡进行联合优化,从而为车载计算任务找到有效的计算迁移策略;最后根据多目标决策准则(multi-criteria decision making,MCDM)和逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)选择出最优的计算迁移策略.实验结果表明,ICOM方法能够使车载计算任务在期望时间内完成,同时也保证边缘设备的负载均衡.展开更多
文摘智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能和效率过低。提出了一种基于双重延迟深度确定性策略梯度的多无人机辅助计算迁移算法(Collaborative Cloud‑Edge Computing Offload‑ing Based on TD3,CeCO‑TD3),该算法构建了一个联合无人机飞行角度、距离、迁移服务选择和任务迁移比的多目标优化函数,以最小化系统的计算时延与能耗,利用深度强化学习算法对问题求解。并且引入云边协作框架和带有优先级的云端策略经验池,进一步保障了多无人机的计算迁移服务质量。实验结果表明,所提算法在缩减任务传输时延和降低计算能耗方面优于传统优化算法。
文摘雾计算网络场景下移动设备因其电池寿命有限而大大制约了其工作能力,简单的计算迁移方案已无法满足用户的服务需求。因此,文中提出了一种融合无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的可充电雾计算迁移机制。具体地,通过充分考虑任务迁移比、传输时间和功率分割比的联合优化,构建了一个多用户场景下最小化所有任务完成总能耗的优化问题。基于上述非凸优化问题,提出了一个基于凸差规划与加速梯度的交替优化算法,该算法基于凸差规划和交替优化理论,将非凸优化问题转化成两个凸优化子问题进行交替求解;同时,结合加速梯度下降方法,实现任务迁移比、传输时间和功率分割比等最优解的快速求解。特别地,通过在传统FC模型中融合SWIPT技术,使得智能设备从射频信号中解码结果信息的同时可以从中采集能量,以延长电池的使用寿命。最后,仿真结果表明文中所提出的可充电雾计算迁移机制可以有效降低任务处理能耗,较DGECO方案能耗平均降低了约12.8%。
文摘为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求,提出了一种面向车联网边缘计算的智能计算迁移方法(intelligent computing offloading method,ICOM).首先构建了车联网边缘计算系统资源模型、执行时间模型、边缘设备负载均衡模型;然后利用非支配排序遗传算法(non-dominant sorting genetic algorithm,NSGA-II)实现了对车载计算任务的迁移时间和边缘设备的负载均衡进行联合优化,从而为车载计算任务找到有效的计算迁移策略;最后根据多目标决策准则(multi-criteria decision making,MCDM)和逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)选择出最优的计算迁移策略.实验结果表明,ICOM方法能够使车载计算任务在期望时间内完成,同时也保证边缘设备的负载均衡.
