摘要：移动边缘计算中计算卸载技术将移动用户设备上的资源密集型应用程序卸载到边缘服务器,以解决移动设备在计算能力、存储容量以及能效等方面存在的不足。设计了一种移动边缘环境下能够联合优化多用户时延与移动边缘计算服务器资源分配平衡度的计算卸载方法。该方法以LTE应用为背景,首先设计了移动边缘计算系统模型;然后在此模型基础上,构造了联合优化平均卸载时延与资源分配平衡度的目标函数;最后,以最小化移动用户的卸载时延总和、同时平衡分配移动边缘计算服务器资源为目标,求解最优解,合理实施计算卸载。仿真结果表明,这种方法能够有效地减小多用户的平均卸载时延,同时平衡各移动边缘计算服务器的工作负荷。

摘要：为了实现万物绿色高效互联,智能反射面技术作为提升频谱效率和能量效率的有效技术被引入,以辅助无线通信系统,构建智能反射面辅助的边缘计算系统。研究多用户随机接入的边缘计算卸载,通过在无线信道部署有源和无源智能反射面元件,改变入射信号幅度和相位,以改善信道环境。为了进一步改善该网络的计算卸载时延,提出了一种以最小化计算时延的资源分配方案,设计了一种有效的交替优化的算法,实现计算卸载变量、线性接收矢量和对角相移矩阵的设计。仿真结果表明,所提算法有效性与低时延性。

摘要：为解决网络边缘服务器超负荷的问题,提出一个基于停车协同的边缘计算任务卸载框架.在该框架下,服务提供商利用停车场中停靠车辆的空闲计算资源扩展网络边缘服务器的计算能力,停靠车辆协同执行服务提供商卸载的计算任务,从而减少超负荷.为激励停靠车辆执行卸载的计算任务,设计一个基于契约论的激励方案,不仅能够使服务提供商的效益最大化,同时能够满足停靠车辆的效益.基于真实数据集的实验仿真结果证明所提的激励方案有效.

摘要：在多用户多任务场景下,使用传统的决策算法去对短时间内接踵而来的任务进行计算卸载决策,已经不能满足用户对决策效率和资源利用率的要求.因此有研究提出使用深度强化学习算法来进行卸载决策以满足各种场景下的需求,但是这些算法大多只考虑卸载优先的策略,这种策略使用户设备(UE)被大量闲置.我们提高了移动边缘计算(MEC)服务器和用户设备(UE)的资源利用率,降低计算卸载的错误率,提出了一种本地优先和改进TD3(twin delayed deep deterministic policy gradient)算法相结合的决策卸载模型,并设计了仿真实验,通过实验证明该模型确实可以提高MEC服务器和UE的资源利用率并降低错误率.

摘要：移动边缘计算是一种可以为用户提供比云计算更低延迟和更低能耗的智能服务,但边缘服务器的资源是有限的,并不能完全替代云计算。为了充分利用云计算中海量网络资源的优势,研究了一个多用户、多边缘服务器和一个云数据中心的边缘-云协同场景。首先以最小化时延和能耗的加权和为目标,建立边云协同系统模型。然后在计算资源约束下,设计了一个非线性混合整数卸载决策问题,并采用基于适应度值和迭代次数的惯性权重,结合模拟退火算法改进粒子群算法求解计算卸载决策。仿真结果表明,改进的粒子群算法相比标准粒子群算法具有更好的收敛性,降低了8.7%的系统成本。并且在性能上优于其他3种基准对比算法,最多降低了72.3%的系统成本,能够有效降低系统网络中执行任务的时延和能耗。

摘要：为了解决快速移动车辆在高维数据卸载过程中极易出现通信网络传输延迟波动和卸载丢包的问题,设计了一种基于优化李雅普诺夫的高维数据卸载算法(An Optimized Lyapunov Algorithm for Unloading High-dimensional Data,OLA-UHD),通过仿真对车载终端的卸载率和鲁棒性进行分析并讨论了2种环境下的时延情况。结果表明,OLA-UHD策略具有更强的鲁棒性、更高的卸载比例和更低的丢包率,面对少量卸载任务能够有效降低时延15.4%以上,在面对十万级计算卸载任务时,降低时延113.2%以上。

摘要：机器人控制中的计算资源需求量越来越大,移动边缘计算技术是一种解决该问题的手段;针对现在研究中的算法无法满足服务器多机器人协同任务场景中的求解需求,设计了一种简化策略算法,首先将问题简化为单服务器多机器人问题,而后使用强化学习算法进行求解,最后通过仿真实验与随机卸载及本地卸载进行对比,验证了算法的有效性。

摘要：移动边缘计算通过将计算资源迁移至网络边缘来降低时延并缩减能耗,相比云计算,边缘计算的计算资源有限,不能满足所有移动服务的需求。针对上述问题,提出一种云辅助移动边缘计算的计算卸载策略。将移动服务建模为具有优先约束关系的工作流模型来分析系统运行过程中的时延和能耗,并以系统总代价(时延和能耗的加权和)最小化为研究目标,将遗传算法作为基础算法,通过改进传统遗传算法的编码、交叉、变异等操作,设计基于改进遗传算法的计算卸载算法。仿真结果表明,与All-Local算法、Random算法和ECGA算法相比,该算法的系统总代价最小。

摘要：针对边缘计算环境中单用户多任务应用,通过分析服务缓存和任务执行过程,建立任务计算卸载系统模型,确定卸载目标,并将问题细化为服务缓存和任务卸载两个子问题,其中服务缓存问题被抽象为0-1背包问题,利用化学反应优化(CRO)算法得到其最优缓存策略;任务卸载问题转化为最优化问题,设计一种改进化学反应优化(ICRO)算法来得到其近似最优卸载决策。实验结果表明:ICRO算法比CRO算法的平均优化效果增强了5.0%左右,系统时延和设备能耗分别是极端情况下的33.3%、53.8%;无论服务器缓存空间是否充足,CRO算法总是能制定出合理的缓存方案,使服务缓存比例保持在一个合理的范围之内;ICRO算法比CRO算法的优化能力更强,它不仅可以明显降低系统总成本,还具有良好的全局搜索能力和可移植性,可以满足用户多样化需求,使用户获得更好的服务体验。

摘要：能源互联网是以固有电力系统为基础,结合大量智能终端、传感设备、云数据中心等连接构成的多层次网络系统。随着第五代移动通信技术(5th Generation Mobile Networks,5G)与能源互联网建设的快速发展,网络边缘设备数量呈现爆炸式增长。然而终端设备处理能力不足、资源有限等问题使得海量细粒度的用户侧数据无法得到有效应用。针对目前电力系统云计算模式中存在的诸如充分实现高带宽下的低延迟等问题,研究基于能源互联网的边缘计算系统,对其网络功能模块进行研究设计,使其能够合理调配电网中边缘节点资源进行计算卸载,以保障终端用户的服务质量(Quality of Service,QoS)。设计了一种基于Stackelberg博弈的卸载决策方法,将边缘云与用户终端分别视为博弈领导者和跟随者,证明该博弈存在使得效用最优的纳什均衡解。通过仿真分析,证明该卸载决策方法具有更优的性能。