CN112799812A - 一种多智能设备协同优化系统 - Google Patents
一种多智能设备协同优化系统 Download PDFInfo
- Publication number
- CN112799812A CN112799812A CN202110113400.3A CN202110113400A CN112799812A CN 112799812 A CN112799812 A CN 112799812A CN 202110113400 A CN202110113400 A CN 202110113400A CN 112799812 A CN112799812 A CN 112799812A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- task
- edge server
- total
- tasks
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000013508 migration Methods 0.000 claims abstract description 6
- 230000005012 migration Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 abstract description 15
- 238000000034 method Methods 0.000 abstract description 12
- 238000013468 resource allocation Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了智能建筑物技术领域中一种多智能设备协同优化系统，所述系统包括智能设备单元、分解计算任务单元、任务迁移单元、模型转化单元；所述系统利用频分多址来对智能建筑物中能量密集型计算任务进行计算分流，并提出了对多智能设备、FDMA传输和计算资源分配的联合优化，并制定了联合优化多智能设备单任务的能量密集型计算任务卸载的方法，最大限度地减少智能建筑物体中智能设备的总能耗，以完成其所需的延迟限制下的任务。
Description
技术领域
本发明涉及智能建筑物技术领域，特别涉及一种多智能设备协同优化系统。
背景技术
智能建筑物中包括很多智能设备，这些智能设备时刻在进行各种复杂的能量密集型的计算任务，智能建筑中的智能设备由于本身计算能力的限制，在处理这些复杂计算任务的时候，会产生相当大的能量消耗，这与智能建筑物系统的绿色节能理念相违背，因此找到一种合理的方案来辅助智能建筑物中的各类智能设备进行节能是很有必要的。另外一方面，随着边缘计算技术和无线通信网络技术的发展，不断涌现的新技术为智能建筑物系统的总体能量优化提供了可以改善优化的方案。在智能建筑物中的需要智能设备通过无线网络传输技术，将本地的一些复杂能量密集型计算任务卸载到边缘服务器，通过借助边缘服务器丰富的计算资源联合协作来完成这些复杂的计算任务，以此实现整个智能建筑系统的绿色节能目标。
随着对绿色无线系统的关注日益增长，在过去的几十年中，许多研究工作一直致力于研究节能型边缘(EC)计算服务：如致力于对节能工作量卸载问题进行了研究，并提出了诸如基于乘数共识交替方向法的分布式解决方案；或者，提出了工作量卸载和功率控制的联合优化，以最大程度地减少能耗；或者，提出了一种用于多用户雾计算系统的能源效率优化问题，目的是在执行延迟约束的情况下将能耗降至最低；或者，提出了一种随机优化问题，用于通过EC进行任务卸载，目的是在保证平均队列长度的同时将能耗降至最低。
尽管已有上述研究，但是基于边缘计算服务的智能建筑物系统中智能设备的节能优化方面还存在一定的问题。因为智能建筑系统中，不同的智能设备分布相对比较集中，密集的设备同时产生的能量是一个不可忽略的数据。另外，智能建筑系统中设备种类繁多，不同的设备需要进行处理的计算任务总量不相同，不同设备自己本身携带的计算资源效率也不相同。部分设备的发送功率的限制存在很大的差异，如电子智能监控，空调等智能设备。不同设备需要处理的计算任务对于时间延迟的敏感程度都存在很大的差异。因此，从提高能源效率的角度来看，如何将不同任务的工作负载正确地卸载到边缘计算服务器是一个亟需解决的技术问题。
发明内容
本发明解决了现有技术中无法将不同任务的工作负载正确、高效地卸载到边缘计算服务器的技术问题，提供一种多智能设备协同优化方法，包括通过FDMA技术辅助智能建筑物中的智能设备进行能量优化，建立联合优化模型并制定了联合优化多智能设备单任务的能量密集型计算任务卸载的方法，在满足每个任务的延迟限制的同时最大程度地减少智能建筑物中的总能耗。
为了实现上述目的，本发明采用了如下技术方案：一种多智能设备协同优化系统，其特征在于，包括：智能设备单元，所述智能设备单元包含m个智能设备SD，每个智能设备SD选择一个距离其最近的边缘服务器进行计算任务卸载，每个智能设备的需要完成的总的计算任务量通过SDm表示；分解计算任务单元，所述分解计算任务单元将每个智能设备中的计算任务SDm分成通过无线传输网络卸载到边缘服务器的计算任务Sm和智能设备本地完成的计算任务
其中，tot为total简写；任务迁移单元，所述任务迁移单元将不同的智能设备的总任务量
(M表示智能设备端总的个数)通过频分多址(FDMA)迁移到边缘服务器组；模型转化单元，所述模型转化单元计算所述智能设备将任务通过FDMA卸载到边缘服务器发送的传输功率，将系统转化为所有智能设备在满足时延约束的条件下完成所有任务的总能量最小化模型。
优选的，所述系统包括K个边缘服务器，所述边缘服务器按序是：g1＞g2＞...＞gk，其中，gk表示从用户到边缘服务器k的信道功率增益；所有智能设备将总任务通过FDMA卸载到边缘服务器发送的总传输功率为：
其中，参数W表示信道带宽，sm表示第m个设备卸载到边缘服务器的卸载的计算任务量，参数n0表示背景噪声的功率密度，t表示卸载任务至边缘服务器的时间。
优选的，所述智能设备卸载花费的总能量EOC为：
其中，
表示边缘卸载能耗。
优选的，每个智能设备完成其的总体计算任务量总体延迟
为:
其中，μL,m表示第m个智能设备的计算速度，单位bit/s；μE表示边缘服务器的计算速度，单位bit/s；
表示智能设备迁移其工作负载到边缘服务器的总延迟。
优选的，所述系统中，发射功率不超过智能设备的功率预算，所述智能设备的卸载总延迟不超过最大延迟限制。
优选的，所述模型转化单元将非凸的最小化模型(P1)转化为凸优化模型(P1-Sub)，(P1)：Min(EOC+ELC)。
优选的，所述模型转化单元可以将优化模型(P1)转化为模型(P1-E)：
(P1-E)：Min
其中
变量为:t和
优选的，本地CPU计算能耗取决于动态电压，本地CPU的计算功率取决于计算速度。
优选的，所述任务迁移单元将不同的智能设备将任务SDm的计算任务量
同时迁移到边缘服务器组。
优选的，所述系统应用于智能建筑物系统中。
本发明相比现有技术具有以下优点：
通过FDMA技术辅助智能建筑物中的智能设备进行能量优化，考虑了多智能设备的场景，并制定了联合优化多智能设备单任务的能量密集型计算任务卸载的方法，最大程度地减少智能建筑物中的总能耗同时完成其任务，所述基于FDMA的计算任务卸载来辅助智能设备进行能量密集型计算任务处理的的方案大大优于计算任务全部智能设备本地处理的方案。
附图说明
图1是系统模型图；
图2是顶层算法在t上线性搜索的收敛图；
图3是顶层算法求解与LINGO求解的准确性对比图；
图4是本发明算法与本地计算方案的能量节省效率仿真对比图；
图5是本发明算法与本地计算方案的时延优势对比图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明，但本发明并不受这些实施例所限制。对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换，而不脱离本发明方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
实施例1：
建立一个如图1所示的智能建筑物系统模型，智能建筑系统中有m个智能设备SD，每个智能设备智能选择一个边缘服务器进行计算任务卸载，每个智能设备的需要完成的总的计算任务量通过SDm表示。
为了减少本地计算延迟，将智能设备中的计算任务SDm分成Sm和
两部分：通过无线网络传输技术FDMA卸载到边缘服务器的计算任务为Sm智能设备本地完成的计算任务是
用户采用FDMA的传输方式，在智能建筑物中，不同的智能设备将任务SDm的计算任务量
同时迁移到边缘服务器组，令N＝{1，2，3...M}；如图1所示。本发明使用gk表示从用户到边缘服务器k的信道功率增益。为了便于演示，我们假设k个边缘服务器按序是：
g1＞g2＞...＞gk (1)
基于(1)，整个智能建筑物中，所有智能设备将任务卸载到边缘服务器发送的最小总传输功率(持续时间为t)
式(2)中，参数W表示信道带宽，sm表示第m个设备卸载到边缘服务器的卸载的计算任务量，参数n0表示背景噪声的功率密度。在上述场景下，我们首先研究智能建筑系统中，不同的智能设备(SD)如何决定：
1)sm表示每个智能设备的分流计算量，单位bit；
2)将计算任务量
传送到各个边缘服务器的传输时间t，单位s；
3)在本地为每个任务安排的计算速度μL，m，单位为bit/s。
由此，智能设备完成其的总体计算任务量总体延迟为：
无线网络传输时间
表示每个智能设备迁移其工作负载到边缘服务器的总延迟。目的是最小化智能系统的所有智能设备完成所有任务的总能量(“ECM，EnergyConsumption Minimize”表示“能量最小化”)：Min EOC+ELC
约束：
变量：
t和
其中
表示SD迁移负载能耗，
表示本地CPU计算能耗(基于动态电压调整原理，本地CPU的计算功率是计算速度的三次方，ρ是系数，由芯片结构决定)。约束(5)指的是FDMA传输功率不能超过智能设备功率预算Pmax。约束(6)表示智能设备的卸载总延迟不能超过最大延迟限制。约束(7)表示智能设备本地的总CPU计算速度不能超过
由式子(6)可以得到，，
即：
表示SD在本地执行任务所需要计算速度的最小值。此外
将式(7)带入目标(4)，可将优化问题(P1)转化为
约束:
变量:t和
由式(4)可知，在给定t下优化问题是一个凸优化问题，因此分两步解决问题(P1)。
第一步：在给定t下，求解：
约束:
变量:
第二步求解：
P1-top:Min V(t)
约束：
变量:t
我们首先通过识别以下重要特征，提出一种分层线性搜索的算法来解决问题(P1)。第一步是先在给定t的情况下求解底层问题(P1-sub)，具体求解方法和推导过程在下面的推理证明过程中给出。问题的第二部是求解顶层问题，V(t)是智能建筑系统的总体能量开销，他是通过求解了底层问题P1-sub之后获得的目标函数的对于t的解析解。接下来求解P1-top问题找到一个最优的t值用来获得目标函数的最优值的数值解，也就是智能建筑系统的最小能量消耗。本发明还提出了一种基于线性搜索算法寻找智能建筑系统的最小能量消耗的同时获得对应的最优能量分配。通过上述引理证明可以得知，对于底层问题(P1-sub)是一个严格的凸优化问题，可以直接采用MATLAB的凸优化工具箱CVX进行求解底层问题。通过CVX求解可以轻易获得目标函数对于t的解析形势。当顶层问题P1-top将计算任务在信道中的确定传输时间给定，那么智能建筑系统即可通过该CVX工具箱获得系统的整体卸载策略以及最小的能量消耗。CVX解决问题(P1-Sub)的一个重要优点是它不需要智能建筑系统和边缘服务器公开各自的本地信息彼此之间，从而有助于保护各自的隐私。具体而言，在CVX中，智能建筑系统仅需要根据计算任务传输到边缘服务器过程消耗的传输时间，来确定其卸载到边缘服务器消耗的总体能量，并且智能建筑系统的智能设备不需要公开其本地信息(例如{
和
)添加到边缘服务器。而针对分解后的通过顶层问题(P1-Top)，本发明提出了一种基于线性搜索的算法进行寻找最优的t，同时得到最优的分配策略。到目前为止，我们可以使用CVX解决问题(P1-Sub)，并为每个给定的t值获得一个解析解V(t)，的接下来我们解决问题(P1-Top)。因为它是一个单变量优化问题，t落在固定间隔内。因此，我们提出了顶层算法，以一个小步长Δ来线性搜索t，用来获得(P1-Top)的数值解。在顶层算法中，每一轮给定当前评估的t，智能建筑系统和边缘服务器进行迭代调用(P1-sub)的算法以获得V(t)的值。如果V(t)小于当前的最优值，智能建筑系统更新当前的最佳解决方案，t以及V(t)。通过整套基于线性搜索的算法，智能建筑系统可以获得其最小的能量消耗，最佳传输持续时间t*以及相应的最优分配卸载决策
实施例2：
本发明验证了提出的算法在一个智能建筑物中有3个智能设备(SD)和3个边缘服务器情况下的性能。本发明建立了一个3-ES场景，其中三个边缘服务器分别位于(500，0)、(-500，0)和(0，500)。同时智能设备在智能化建筑物中随机分布，智能建筑物位于3个边缘服务器构成的圆形的圆心，3个智能设备(SD)分别在一个半径为10的圆内随机分布，根据距离模型生成从SD到ES的连续信道功率增益为{gi}i∈I＝{5.7672*10-7，6.5859*10-7，8.7035*10-7}。带宽W＝8MHz，n0＝10-8。本发明设置服务器计算速度μ＝15bit/s。
图2显示了顶层算法中t上的线性搜索，其中有[S1 tot，S2 tot，S3 tot]的取值分别为(4，6，8)bits，(6，8，10)bits，(8，10，12)bits。其中每个用户的计算资源限制
如图2显示，传输时间t太小或传输时间t太长，都不利于最小化智能建筑系统的总能耗，因此表明了寻找最佳t的重要性。
与LINGO相比，图3验证了我们的基于线性搜索算法在解决问题(P1)方面的准确性。图3中的所有测试案例表明，我们的算法可以达到与LINGO全局求解器几乎相同的结果，而差异可忽略不计。
图4显示了本发明提出的在智能建筑物体中多用户采用基于FDMA的EC进行计算任务卸载的方案与全部计算任务在智能建筑物本地计算的方案之间的性能比较。具体来说，全部计算任务在本地处理的方案是指：智能建筑物中的所有用户将能量密集型的计算任务全部采用智能设备本地的计算资源进行处理，而没有边缘计算的任务卸载。图4的结果表明，本发明提出的基于FDMA的MEC计算任务卸载来辅助智能设备进行能量密集型计算任务处理的的方案进行的方案可以大大优于计算任务全部智能设备本地处理的方案。该优势源自边缘服务器丰富的计算资源，以及无线通信技术进行低延迟计算任务卸载操作，整体的能量效率提升可以达到将近20％。
通过对比本地计算和本发明提出边缘服务器辅助计算的两种方案，由图5可以发现在处理完相同的计算任务量时本发明提出的边缘服务器辅助计算任务消耗时间是要明显优于全部在本地计算的方案。
以上是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均属于发明技术方案的范围内。
Claims (10)
1.一种多智能设备协同优化系统，其特征在于，包括：
智能设备单元，所述智能设备单元包含m个智能设备SD，每个智能设备SD选择一个距离其最近的边缘服务器进行计算任务卸载，每个智能设备SD的需要完成的总的计算任务量通过SDm表示；
分解计算任务单元，所述分解计算任务单元将每个智能设备中的计算任务SDm分成通过无线传输网络卸载到边缘服务器的计算任务Sm和智能设备本地完成的计算任务
任务迁移单元，所述任务迁移单元将不同的智能设备的总任务量
M表示智能设备端总的个数，通过FDMA迁移到边缘服务器组；
模型转化单元，所述模型转化单元计算所述智能设备将任务通过FDMA卸载到边缘服务器发送的传输功率，将系统转化为所有智能设备在满足时延约束的条件下完成所有任务的总能量最小化模型。
2.根据权利要求1所述的一种多智能设备协同优化系统，其特征在于：所述系统包括K个边缘服务器，所述边缘服务器按序是：g1＞g2＞...＞gk，其中，gk表示从用户到边缘服务器k的信道功率增益；所述智能设备将总任务通过FDMA卸载到边缘服务器发送的总传输功率为：
其中，参数W表示信道带宽，sm表示第m个设备卸载到边缘服务器的卸载的计算任务量，参数n0表示背景噪声的功率密度，t表示卸载任务至边缘服务器的时间。
3.根据权利要求2所述的一种多智能设备协同优化系统，其特征在于：所述智能设备卸载花费的总能量EOC为：
4.根据权利要求3所述的一种多智能设备协同优化系统，其特征在于：每个智能设备完成其的总体计算任务量总体延迟
为:
其中，μL,m表示第m个智能设备的计算速度，单位bit/s；μE表示边缘服务器的计算速度，单位bit/s；
表示智能设备迁移其工作负载到边缘服务器的总延迟。
5.根据权利要求1所述的一种多智能设备协同优化系统，其特征在于：所述系统中，发射功率不超过智能设备的功率预算，所述智能设备的卸载总延迟不超过最大延迟限制。
6.根据权利要求1所述的一种多智能设备协同优化系统，其特征在于：所述模型转化单元将非凸的最小化模型(P1)转化为凸优化模型(P1-Sub)，其中，(P1)：Min(EOC+ELC)。
7.根据权利要求6所述的一种多智能设备协同优化系统，其特征在于：所述模型转化单元可以将优化模型(P1)转化为(P1-E)：
(P1-E)：Min
其中
变量为:t和
8.根据权利要求7所述的一种多智能设备协同优化系统，其特征在于：本地CPU计算能耗取决于动态电压，本地CPU的计算功率取决于计算速度。
9.根据权利要求1所述的一种多智能设备协同优化系统，其特征在于：所述任务迁移单元将不同的智能设备将任务SDm的计算任务量
同时迁移到边缘服务器组。
10.根据权利要求1-9任一所述的一种多智能设备协同优化系统，其特征在于：所述系统应用于智能建筑物系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110113400.3A CN112799812B (zh) | 2021-01-27 | 2021-01-27 | 一种多智能设备协同优化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110113400.3A CN112799812B (zh) | 2021-01-27 | 2021-01-27 | 一种多智能设备协同优化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112799812A true CN112799812A (zh) | 2021-05-14 |
| CN112799812B CN112799812B (zh) | 2022-01-21 |
Family
ID=75812272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110113400.3A Active CN112799812B (zh) | 2021-01-27 | 2021-01-27 | 一种多智能设备协同优化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112799812B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115190126A (zh) * | 2022-07-01 | 2022-10-14 | 北京理工大学长三角研究院(嘉兴) | 一种协调计算与传输的移动边缘计算系统及最优卸载方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
| CN109089272A (zh) * | 2018-09-21 | 2018-12-25 | 浙江工业大学 | 在多基站场景中的基于非正交多址接入的移动边缘计算布伦特式时延优化方法 |
| CN109710336A (zh) * | 2019-01-11 | 2019-05-03 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
| CN110190981A (zh) * | 2019-04-11 | 2019-08-30 | 浙江工业大学 | 一种基于非正交多址接入的多任务计算迁移能耗优化方法 |
| CN111148134A (zh) * | 2019-12-19 | 2020-05-12 | 南京大学 | 一种基于移动边缘计算的多用户多任务卸载方法 |
| CN111158902A (zh) * | 2019-12-09 | 2020-05-15 | 广东工业大学 | 一种移动边缘分布式机器学习系统和方法 |
| CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
| CN111464208A (zh) * | 2020-03-09 | 2020-07-28 | 深圳大学 | 基于扩频通信的无源边缘计算系统、任务卸载方法及存储介质 |
-
2021
- 2021-01-27 CN CN202110113400.3A patent/CN112799812B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
| CN109089272A (zh) * | 2018-09-21 | 2018-12-25 | 浙江工业大学 | 在多基站场景中的基于非正交多址接入的移动边缘计算布伦特式时延优化方法 |
| CN109710336A (zh) * | 2019-01-11 | 2019-05-03 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
| CN110190981A (zh) * | 2019-04-11 | 2019-08-30 | 浙江工业大学 | 一种基于非正交多址接入的多任务计算迁移能耗优化方法 |
| CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
| CN111158902A (zh) * | 2019-12-09 | 2020-05-15 | 广东工业大学 | 一种移动边缘分布式机器学习系统和方法 |
| CN111148134A (zh) * | 2019-12-19 | 2020-05-12 | 南京大学 | 一种基于移动边缘计算的多用户多任务卸载方法 |
| CN111464208A (zh) * | 2020-03-09 | 2020-07-28 | 深圳大学 | 基于扩频通信的无源边缘计算系统、任务卸载方法及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115190126A (zh) * | 2022-07-01 | 2022-10-14 | 北京理工大学长三角研究院(嘉兴) | 一种协调计算与传输的移动边缘计算系统及最优卸载方法 |
| CN115190126B (zh) * | 2022-07-01 | 2023-08-18 | 北京理工大学长三角研究院(嘉兴) | 一种协调计算与传输的移动边缘计算系统及最优卸载方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112799812B (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
| CN112004239A (zh) | 一种基于云边协同的计算卸载方法及系统 | |
| CN113377447B (zh) | 一种基于李雅普诺夫优化的多用户计算卸载方法 | |
| CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
| CN112738185B (zh) | 基于非正交多址的边缘计算系统控制联合优化方法及应用 | |
| CN112416603B (zh) | 一种基于雾计算的联合优化系统和方法 | |
| CN110187964A (zh) | 物联网场景中完成时间最小化雾计算迁移方法 | |
| CN113115459A (zh) | 一种面向电力物联网海量终端的多尺度多维资源分配方法 | |
| CN112799812B (zh) | 一种多智能设备协同优化系统 | |
| CN116233927A (zh) | 一种在移动边缘计算中负载感知的计算卸载节能优化方法 | |
| Du et al. | Computation energy efficiency maximization for NOMA-based and wireless-powered mobile edge computing with backscatter communication | |
| Yin et al. | Time-critical tasks implementation in MEC based multi-robot cooperation systems | |
| CN110266757B (zh) | 一种面向任务协同场景的边缘计算资源优化方法 | |
| CN115413044A (zh) | 一种工业无线网络的计算和通信资源联合分配方法 | |
| CN112769910B (zh) | 基于动态电压调节技术的雾计算任务卸载方法 | |
| CN114116061A (zh) | 一种移动边缘计算环境下的工作流任务卸载方法及系统 | |
| CN111294886B (zh) | 一种基于无线能量驱动的移动边缘计算方法及装置 | |
| CN112486685A (zh) | 一种电力物联网的计算任务分配方法、装置及计算机设备 | |
| CN111162852B (zh) | 一种基于匹配学习的泛在电力物联网接入方法 | |
| Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
| CN116582893A (zh) | 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法 | |
| CN112720506B (zh) | 一种基于边缘计算的安防机器人系统节能方法 | |
| CN116419325A (zh) | 一种多无人机协同计算的任务卸载、资源分配与轨迹规划方法及其系统 | |
| CN116347522A (zh) | 云边协同下基于近似计算复用的任务卸载方法及装置 | |
| CN113452625B (zh) | 基于深度强化学习的卸载调度与资源分配方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221219 Address after: Plant 1, No. 19, Xiangpu Road, Shengpu, Suzhou Industrial Park, Jiangsu Province, 215000 Patentee after: Sanhangda Electromechanical Technology (Suzhou) Co.,Ltd. Address before: 215000 99 Xuefu Road, Huqiu District, Suzhou City, Jiangsu Province Patentee before: SUZHOU University OF SCIENCE AND TECHNOLOGY |
|
| TR01 | Transfer of patent right |