CN111510477B - 基于改进合同网协议和bas的雾计算网络任务卸载方法 - Google Patents
基于改进合同网协议和bas的雾计算网络任务卸载方法 Download PDFInfo
- Publication number
- CN111510477B CN111510477B CN202010263014.8A CN202010263014A CN111510477B CN 111510477 B CN111510477 B CN 111510477B CN 202010263014 A CN202010263014 A CN 202010263014A CN 111510477 B CN111510477 B CN 111510477B
- Authority
- CN
- China
- Prior art keywords
- task
- fog
- node
- longicorn
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/59—Providing operational support to end devices by off-loading in the network or by emulation, e.g. when they are unavailable
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进合同网协议和天牛须搜索算法BAS的雾计算网络任务卸载方法,本发明首先提出了结合BAS和遗传算法的改进BAS算法来搜索最优结果,该方法中首先进行编码和初始化种群,然后进行天牛须搜索过程及更新,再对天牛种群进行繁殖,终止迭代后获得最佳结果。在本发明的雾计算网络任务卸载方法中,任务节点通过代理或非代理模式发布任务并收集投标信息,运行所优化的算法来解决优化问题并获得执行任务的最优解决方案,最后根据最优方案将任务划分为子任务,并将这些任务分配给雾节点。本发明基于改进合同网协议和天牛须搜索算法的雾计算网络任务卸载方法,能够快速有效地将任务卸载到雾节点,其性能优越,且易于实现。
Description
技术领域
本发明涉及雾计算网络任务卸载领域,具体涉及一种基于改进合同网协议和天牛须搜索算法(Beetle Antennae Search Algorithm,BAS)的雾计算网络任务卸载方法。
背景技术
在过去的三十年里,移动通信经历了从语音业务到移动宽带数据业务的飞跃式发展,面向2020年及未来,数据流量的千倍增长,千亿设备连接和多样化的业务需求都将对未来移动通信系统设计提出严峻挑战。思科于2011年最早提出雾计算这一概念,其采用半虚拟化架构的分布式服务计算模型,终端可以在任何时候,从任何地方基于任何联网设备访问自己的本地云(Local Cloud),也可称为雾节点。与云计算依赖集中式高性能计算,设备强调整体计算能力不同,雾计算以量制胜,强调计算节点数量,不管单个计算节点的能力强弱都要发挥作用。雾计算具有低延时和位置感知的特点,适合广泛的地理分布,并适合移动性的应用,能够支持更多的边缘节点,从而使得移动业务部署更加方便,能够满足更为广泛的节点接入需求。D2D通信的邻居节点发现、数据中继等功能以及低时延、高数据率等性能也为雾计算提供了技术支撑。
但雾计算的引入带来了一系列的挑战,快速有效地将任务卸载到雾节点是当前亟需解决的问题。因此,我们需要设计合理的雾计算网络任务卸载方法。
发明内容
发明目的:本发明目的是针对雾计算网络任务卸载问题,提供一种基于改进合同网协议和BAS的雾计算网络任务卸载方法,使其性能优越,更易于实现,快速有效地将任务卸载到雾节点。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种基于改进合同网协议和BAS的雾计算网络任务卸载方法,所述雾计算网络中,雾节点可以为需要服务的雾任务节点提供计算,通信或缓存功能。为了完成任务,任务节点可以启动任务投标机制。雾节点将单独竞标或与其他雾节点共同竞标。同时,根据合同完成任务后,中标者将获得奖励。在不失一般性的前提下,我们考虑N个雾节点参与一项任务,并且N个雾节点可以表示为F=F1,F2,...,FN,所述方法包括以下步骤:
任务节点将任务信息发送给代理,由代理将任务信息发布在公告板上,并从雾节点收集投标信息;或者任务节点直接发布任务信息并从雾节点收集投标信息;
任务节点或代理根据雾节点的投标信息,运行结合天牛须搜索算法BAS和遗传算法的改进BAS算法来解决优化问题并获得执行任务的最优解决方案;
任务节点或代理根据最优解决方案将任务划分为子任务,并将这些任务分配给对应的雾节点;
所述改进BAS算法包括如下步骤:
(2)天牛须搜索过程及更新:在每次迭代中,随机生成一个单位方向向量dir,天牛根据左须和右须对应的适应度函数的值更新位置,如果左须对应的适应度函数的值小于右须对应的适应度函数的值,则天牛将沿着左须的方向飞行,如果右须对应的适应度函数的值小于左须对应的适应度函数的值,则天牛将沿着右须的方向飞行;其中适应度函数的优化目标为最小化子任务的处理时延和总能耗的加权和。
(3)对天牛种群进行繁殖,每繁殖一代包括选择、交叉和修正过程;
(4)当达到最大迭代次数时,终止迭代并获得执行任务的最优解决方案。
所述步骤(2)中在每次迭代中,天牛将根据以下规则移动并更新其位置:
xt=xt-1-stept*dir*sign(f(xl)-f(xr))
其中xt-1指天牛在第t-1次迭代时的位置,xt指天牛在第t次迭代时的位置stept表示第t次迭代中移动的步长,步长随着每次迭代逐渐变短,stept=stept·eta,eta是取值范围为(0.1,1)的常数;sign(.)表示符号,函数f(xl)、f(xr)分别表示天牛左须和右须对应的适应度函数的值。
适应度函数f(x)表示为:
f(x)=min(γ1max(Di)+γ2E)
c2:0≤αi≤1
c3:βi>0
其中,Di为分配给雾节点i的子任务的处理时延,C0为任务的总流量,αi为分配给雾节点i的子任务占总任务的比例,CPi为雾节点i的计算能力或速率,CMi为任务节点和雾节点i之间的传输速率;E为总任务的总能耗,PT为雾节点的传输功率,F为N个雾节点集合,βi是雾节点i计算1bit能耗系数,γ1,γ2为代价因子。
所述步骤(3)中修正过程在选择和交叉操作后对原始种群和新种群的适应度函数值进行排序,并选择适应度函数值较小的个体作为新的后代,从而形成新的种群。
在任务卸载场景的合同网络协议中,有代理模式和非代理模式可供选择;在非代理模式下,任务节点根据商定的跳数将任务广播到所有邻居节点;在代理模式下,代理负责任务信息的发布以及来自雾节点的投标信息的收集。
有益效果:与现有技术相比,本发明基于改进合同网协议和BAS的雾计算网络任务卸载方法,针对天牛须搜索算法寻优精度不高,收敛速度慢,借鉴了遗传算法中种群的概念和交叉变异这些基本的操作,能够快速有效地将任务卸载到雾节点,其性能优越,且易于实现。
附图说明
图1是本发明实施例中改进的天牛须搜索算法的具体流程图;
图2是本发明实施例的总流程图;
图3是雾计算网络任务卸载的应用场景图;
图4是任务节点的代价对比图;
图5是在不同算法下任务节点代价的累积分布函数图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
下面详细分析一下场景的设定与参数的设置。
1.种群及雾节点数量
种群由M个个体组成,每个个体都代表一个可行的解决方案。在本发明中,N个雾节点协调完成一项任务,N个雾节点可以表示为F={F1,F2,...,FN}。然后,每个个体对应一个N维向量(α1,α2,...,αN),其中0≤αi≤1,αi代表分配给雾节点i的子任务(也记子任务i)占总任务的比例。
2.子任务i的处理时延
将雾节点i的计算能力或速率表示为CPi,雾节点i与任务节点之间的传输速率为其中B为信道带宽,PT为雾节点的传输功率,ri α为传输损耗,N0为噪声功率。众所周知,延迟和能耗是无线网络中非常重要的性能指标。在本发明中,对于雾节点i,子任务i的处理时延是传输时延和计算时延的总和C0为总任务的总流量,单位bits。
3.雾节点i的能耗
基于上述理论基础,本发明实施例公开的一种基于改进合同网协议和天牛须搜索算法的雾计算网络任务卸载方法,包括以下步骤:
首先提出了一种结合天牛须搜索算法和遗传算法的改进BAS算法来搜索最优结果。两种算法的组合表示为Algorithm1。然后Algorithm1的详细步骤如下。
(1)编码和初始化种群。种群由M个个体组成,每个个体都代表一个可行的解决方案。在我们的方案中,N个雾节点协调完成一项任务。然后,每个个体对应一个N维向量(α1,α2,...,αN),其中0≤αi≤1,
(2)天牛须搜索过程及更新。如图1所示,天牛须搜索算法的初始解x0对应为天牛的初始位置,t是迭代次数,xt表示天牛在t次迭代时的位置,在每次迭代中,我们将随机生成一个单位方向向量dir。天牛会根据方向伸展左须和右须,并感知食物的气味强度(即适应度函数的值)。如果左须感知到的气味强度小于右须感知到的气味强度,则天牛将沿着左须的方向飞行,反之亦然。同时,天牛的位置和最佳结果将被更新,随着迭代次数的增加,最终会得到一个收敛的解,从而可以求得较优解即将任务卸载给各个雾节点i的较优解和较优自适应函数值。我们认为天牛试图在k维空间寻找食物,在本场景中k=N。同时,天牛每次飞行的方向都是随机的,因此dir也是一个k维向量,dir的定义如下:
dir=rands(k,1)
dir=dir/norm(dir)
其中,rands(k,1)表示生成k行1列的随机列向量;norm(dir)表示向量的模,可以对方向向量进行标准化。
xl和xr是天牛左须和右须的位置,其中:
xl=x+dir*d0/2
xr=x-dir*d0/2
x表示天牛的当前位置,d0是左须与右须之间的距离,由天牛的步长step决定:d0=step/con,其中,con为2-10之间的常数。
在每次迭代中,天牛将根据以下规则移动并更新其位置:
xt=xt-1-stept*dir*sign(f(xl)-f(xr))
其中stept表示第t次迭代中移动的步长,一般来说,适当的步长衰减有利于算法不过早的陷入次优解,随着迭代次数的增加,天牛离最优解更近,缩短步长有利于最优解的寻找,因此搜索的步长随着每次迭代逐渐变短,stept=stept·eta,eta是取值范围为(0.1,1)靠近1的常数;sign(.)表示符号,函数f(xl)、f(xr)分别表示天牛左须和右须对应的适应度函数的值。
适应度函数f(x)表示为:
f(x)=min(γ1max(Di)+γ2E)
c2:0≤αi≤1
c3:βi>0
(3)对天牛种群进行繁殖,每繁殖一代包括选择、交叉、修正过程。具体为:
交叉:交叉操作是为了改善种群多样性。在交叉过程中,交叉点是随机产生的。通常,交叉概率Pc在0.7至0.9的范围内。
修正:修正过程在选择和交叉操作后对原始种群和新种群的适应度函数值进行排序,并选择M个适应度函数值较小的个体作为新的后代,从而形成新的种群。
(4)停止迭代,当达到最大迭代次数时,终止迭代并获得最佳结果。
在此基础上,结合合同网协议,提出了一种基于改进合同网协议和BAS算法的雾计算网络任务卸载方法(Algorithm2),如图2所示,该方案的详细步骤如下:
(1)参数初始化,这些参数包括雾节点的数量N、种群的数量M、雾节点的传输功率PT、噪声功率N0、信道带宽B、传输损耗因子α等。
(2)任务节点将任务信息发送给代理。
(3)代理将任务信息发布在公告板上,并从雾节点收集投标信息。
(4)根据雾节点的投标价格,运行优化算法(Algorithm1)来解决优化问题并获得把任务卸载给的各个雾节点i。
(5)代理根据i将任务划分为子任务,并将这些任务分配给雾节点。
Algorithm2步骤(2)中在任务卸载场景的合同网络协议中,有代理模式和非代理模式可供选择。在非代理模式下,任务节点需要根据商定的跳数将任务广播到所有邻居节点。在这种情况下,由于广播包过多,网络很容易变得拥塞。因此,在网络中部署一个代理来管理投标过程。代理负责任务信息的发布以及来自雾节点的投标报价的收集。除此之外,代理还扮演着鉴证服务的角色,它负责存储和检查招标书的质量。
图4详细比较了采用改进合同网协议和天牛须算法所得的任务节点的代价。为验证本发明方法比现有技术的优势,本发明设定如下仿真参数:雾节点个数N为10,种群数量M为10,雾节点的传输功率为10dBm,噪声功率为-105dBm,信道带宽为0.2MHZ,迭代次数为100,代价因子γ1,γ2分别为1000和1,α为4,种群交叉概率Pc为0.7,步长step为0.1。从图中可以看出,随机算法中由于任务卸载方案是完全随机的,而不考虑雾节点的计算和通信能力,因此随机算法的效果最差。等效算法由于不考虑雾节点的不同,因此性能较差。本发明提出的算法和传统的天牛须搜索算法的性能明显优于随机算法和等效算法。同时,由于该算法引入了遗传算法的优点,因此其性能优于传统的天牛须搜索算法。
图5用蒙特卡罗模拟方法描述了不同算法下任务节点成本的累积分布函数(CDF)。可以看出,随机算法和等分算法的代价性能最差。从图5可以看出,随机算法的平均代价约为1.77e+04,等分算法的平均代价约为1.61e+04。但该算法与传统的天牛须搜索算法相比,能取得令人满意的效果。传统的天牛须搜索算法的平均代价约为1.05e+04,提出的算法的平均代价约为1.01e+04。这进一步验证了该算法的有效性。
Claims (4)
1.一种基于改进合同网协议和BAS的雾计算网络任务卸载方法,所述雾计算网络中雾节点为任务节点提供计算、通信或缓存功能,设N个雾节点参与一项任务,N为大于1的整数,其特征在于,所述方法包括:
任务节点将任务信息发送给代理,由代理将任务信息发布在公告板上,并从雾节点收集投标信息;或者任务节点直接发布任务信息并从雾节点收集投标信息;
任务节点或代理根据雾节点的投标信息,运行结合天牛须搜索算法BAS和遗传算法的改进BAS算法来解决优化问题并获得执行任务的最优解决方案;
任务节点或代理根据最优解决方案将任务划分为子任务,并将这些任务分配给对应的雾节点;
所述改进BAS算法包括如下步骤:
(2)天牛须搜索过程及更新:在每次迭代中,随机生成一个单位方向向量,天牛根据左须和右须对应的适应度函数的值更新位置,如果左须对应的适应度函数的值小于右须对应的适应度函数的值,则天牛将沿着左须的方向飞行,如果右须对应的适应度函数的值小于左须对应的适应度函数的值,则天牛将沿着右须的方向飞行;其中适应度函数的优化目标为最小化子任务的处理时延和总能耗的加权和;适应度函数f(x)表示为:
f(x)=min(γ1max(Di)+γ2E)
c2:0≤αi≤1
c3:βi>0
其中,Di为分配给雾节点i的子任务的处理时延,C0为任务的总流量,αi为分配给雾节点i的子任务占总任务的比例,CPi为雾节点i的计算能力或速率,CMi为任务节点和雾节点i之间的传输速率;E为总任务的总能耗,PT为雾节点的传输功率,F为N个雾节点集合,βi是雾节点i计算1bit能耗系数,γ1,γ2为代价因子;
(3)对天牛种群进行繁殖,每繁殖一代包括选择、交叉和修正过程;
(4)当达到最大迭代次数时,终止迭代并获得执行任务的最优解决方案。
2.根据权利要求1所述的一种基于改进合同网协议和BAS的雾计算网络任务卸载方法,其特征在于,所述步骤(2)中在每次迭代中,天牛将根据以下规则移动并更新其位置:
xt=xt-1-stept*dir*sign(f(xl)-f(xr))
其中xt-1指天牛在第t-1次迭代时的位置,xt指天牛在第t次迭代时的位置,stept表示第t次迭代中移动的步长,步长随着每次迭代逐渐变短,stept=stept·eta,eta是取值范围为(0.1,1)的常数;dir表示方向向量,sign(.)表示符号,函数f(xl)、f(xr)分别表示天牛左须和右须对应的适应度函数的值。
3.根据权利要求1所述的一种基于改进合同网协议和BAS的雾计算网络任务卸载方法,其特征在于,所述步骤(3)中修正过程在选择和交叉操作后对原始种群和新种群的适应度函数值进行排序,并选择适应度函数值较小的个体作为新的后代,从而形成新的种群。
4.根据权利要求1所述的一种基于改进合同网协议和BAS的雾计算网络任务卸载方法,其特征在于,在任务卸载场景的合同网络协议中,有代理模式和非代理模式可供选择;在非代理模式下,任务节点根据商定的跳数将任务广播到所有邻居节点;在代理模式下,代理负责任务信息的发布以及来自雾节点的投标信息的收集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263014.8A CN111510477B (zh) | 2020-04-07 | 2020-04-07 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263014.8A CN111510477B (zh) | 2020-04-07 | 2020-04-07 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111510477A CN111510477A (zh) | 2020-08-07 |
CN111510477B true CN111510477B (zh) | 2021-05-11 |
Family
ID=71877407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263014.8A Active CN111510477B (zh) | 2020-04-07 | 2020-04-07 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111510477B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084025B (zh) * | 2020-09-01 | 2022-09-23 | 河海大学 | 一种基于改进粒子群算法的雾计算任务卸载时延优化方法 |
CN112256345A (zh) * | 2020-10-10 | 2021-01-22 | 深圳供电局有限公司 | 一种基于最先适应算法和遗传算法的计算任务卸载方法 |
CN112738263B (zh) * | 2020-12-31 | 2022-06-14 | 杭州电子科技大学 | 基于遗传算法的Fog-RAN网络缓存放置问题的决策方法 |
CN113553188B (zh) * | 2021-08-03 | 2023-06-23 | 南京邮电大学 | 一种基于改进天牛须算法的移动边缘计算卸载方法 |
CN113596169B (zh) * | 2021-08-03 | 2022-04-15 | 中国地质大学(武汉) | 一种基于黏菌算法选取代理节点管理雾计算网络的方法 |
CN113946429A (zh) * | 2021-11-03 | 2022-01-18 | 重庆邮电大学 | 一种基于成本效益的Kubernetes Pod调度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108156617A (zh) * | 2017-11-23 | 2018-06-12 | 东南大学 | 一种雾无线接入网中基于图论的协作缓存方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN108881445A (zh) * | 2018-06-22 | 2018-11-23 | 南京理工大学 | 一种雾计算中基于古诺博弈的协作缓存方法 |
CN109039494A (zh) * | 2018-07-25 | 2018-12-18 | 河海大学 | 一种基于改进和声搜索算法的5g通信系统资源分配方法 |
CN109756578A (zh) * | 2019-02-26 | 2019-05-14 | 上海科技大学 | 一种面向动态雾计算网络的低时延任务调度方法 |
CN109756910A (zh) * | 2019-01-02 | 2019-05-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN109802998A (zh) * | 2018-12-28 | 2019-05-24 | 上海无线通信研究中心 | 一种基于博弈的雾网络协同调度激励方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110650457B (zh) * | 2019-10-14 | 2020-07-14 | 河海大学 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
-
2020
- 2020-04-07 CN CN202010263014.8A patent/CN111510477B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108156617A (zh) * | 2017-11-23 | 2018-06-12 | 东南大学 | 一种雾无线接入网中基于图论的协作缓存方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN108881445A (zh) * | 2018-06-22 | 2018-11-23 | 南京理工大学 | 一种雾计算中基于古诺博弈的协作缓存方法 |
CN109039494A (zh) * | 2018-07-25 | 2018-12-18 | 河海大学 | 一种基于改进和声搜索算法的5g通信系统资源分配方法 |
CN109802998A (zh) * | 2018-12-28 | 2019-05-24 | 上海无线通信研究中心 | 一种基于博弈的雾网络协同调度激励方法及系统 |
CN109756910A (zh) * | 2019-01-02 | 2019-05-14 | 河海大学 | 基于改进天牛须搜索算法的无人机网络资源分配方法 |
CN109756578A (zh) * | 2019-02-26 | 2019-05-14 | 上海科技大学 | 一种面向动态雾计算网络的低时延任务调度方法 |
Non-Patent Citations (1)
Title |
---|
激励机制赋能高效雾网络;王蓓蓓等;《电信科学》;20190319;第2-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111510477A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111510477B (zh) | 基于改进合同网协议和bas的雾计算网络任务卸载方法 | |
Cui et al. | Novel method of mobile edge computation offloading based on evolutionary game strategy for IoT devices | |
Mohammed et al. | Distributed inference acceleration with adaptive DNN partitioning and offloading | |
Ndikumana et al. | Collaborative cache allocation and computation offloading in mobile edge computing | |
CN111757354B (zh) | 一种基于竞争博弈的多用户切片资源分配方法 | |
CN110717300B (zh) | 面向电力物联实时在线监测业务的边缘计算任务分配方法 | |
Hu et al. | Heterogeneous edge offloading with incomplete information: A minority game approach | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN115297171B (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
CN113766037B (zh) | 面向大规模边缘计算系统的任务卸载控制方法及系统 | |
Hu et al. | Dynamic task offloading in MEC-enabled IoT networks: A hybrid DDPG-D3QN approach | |
CN112559171B (zh) | 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法 | |
Wang et al. | Multi-access edge computing based vehicular network: Joint task scheduling and resource allocation strategy | |
CN113778550A (zh) | 一种基于移动边缘计算的任务卸载系统和方法 | |
Wang et al. | On Jointly optimizing partial offloading and SFC mapping: a cooperative dual-agent deep reinforcement learning approach | |
CN112596910A (zh) | 一种多用户mec系统中的云计算资源调度方法 | |
CN115499875B (zh) | 一种卫星互联网任务卸载方法、系统以及可读存储介质 | |
Yang et al. | A resource allocation method based on the core server in the collaborative space for mobile edge computing | |
CN116634450A (zh) | 一种基于强化学习的动态空地异构网络用户关联增强方法 | |
CN115904533A (zh) | 一种基于深度强化学习的边缘计算任务卸载方法 | |
CN115129387A (zh) | 一种基于多策略自适应蝙蝠算法的计算卸载方法 | |
Choi et al. | Deep Reinforcement Learning for Scalable Dynamic Bandwidth Allocation in RAN Slicing with Highly Mobile Users | |
CN111787594A (zh) | 基于决策树算法的无人机自组网dsr协议实现方法 | |
Yao et al. | Optimal capacity allocation and caching strategy for multi-UAV collaborative edge caching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |