摘要：移动云计算可以通过计算卸载改善移动设备的能效和应用的执行延时。然而面对云端的多重服务选择时,计算卸载决策是NP问题。为了解决这一问题,提出一种遗传算法寻找计算卸载的最优应用分割决策解。遗传种群初始化中,算法联立预定义和随机染色体方法进行初始种群的生成,减少了无效染色体的发生比例。同时,算法为预定义的预留种群设计一种特定的基于汉明距离函数的适应度函数,更好地衡量了染色体间的差异。种群交叉中分别利用近亲交配与杂交繁育丰富了种群个体。算法通过修正的遗传操作减少了无效解的产生,以更合理的时间代价获得了应用分割的最优可行解。应用现实的移动应用任务图进行仿真实验评估了算法效率。评估结论表明,所设计的遗传算法在应用执行能耗、执行时间以及综合权重代价方面均优于对比算法。

摘要：在车载边缘计算(Vehicular Edge Computing,VEC)网络中,车辆计算资源受限导致无法处理海量的计算任务,需要将车载应用产生的计算任务卸载到VEC服务器上进行处理。但车辆的移动性和区域部署的差异性易导致VEC服务器负载不均衡,造成了计算卸载效率和资源利用率降低。为解决该问题,提出一种计算卸载和资源分配方案,以使用户效用最大化。将用户效用最大化问题转化成服务器选择决策和卸载比例与计算资源分配联合优化两个子问题,在此基础上设计基于匹配的服务器选择决策算法和基于Adam梯度优化法的计算任务卸载比例与资源分配联合优化算法,并对上述两种算法进行联合迭代,直至收敛,从而得到近似最优解以达到负载均衡。仿真结果表明,相比最近卸载方案和预测卸载方案,该方案能有效降低计算任务处理时延和车辆能耗,增大车辆效用,促进负载均衡。

摘要：为了解决移动边缘计算中移动用户的计算卸载决策问题,设计了一种基于Stackelberg博弈的卸载决策方法.方法将边缘云和移动用户分别视为博弈主导者和跟随者,边缘云通过对自身计算能力的定价实现有限计算能力下的效用最大化,而移动用户针对边缘云的定价策略,作出数据卸载的相应决策,实现效用最大化,通过单主多从Stackelberg博弈过程中策略的相互影响与进化,实现了双方效用的最优.证明了该Stackelberg博弈存在使得效用最优的纳什均衡解,并提出了一种分布式迭代算法求解博弈双方的纳什均衡解.通过数值分析,证明算法具有很好的收敛性,且分布式博弈算法可以得到比集中式算法更高的效用均值.

摘要：针对现有边缘计算计算卸载算法存在的延迟较大且负载不均衡的问题,提出一种移动边缘计算中基于改进遗传算法的计算卸载与资源分配算法。基于提出的移动边缘计算网络构建系统模型,其中包括能耗、平均服务延迟、执行时间以及负载均衡模型。以能耗、延迟、负载均衡最小化为优化目标,利用改进的遗传算法进行求解,其中采用染色体一维表现形式、交叉和变异算子提高算法的性能。利用iFogSim和Google集群对所提算法进行模拟仿真实验,结果表明,算法种群数量和最大迭代次数的合理值分别是60和25,所提算法得到的计算卸载和资源分配策略在能耗、负载均衡、延迟和网络使用率方面的表现均优于其它算法。

摘要：针对车辆计算资源闲置浪费的情况,整合车辆计算资源组建车载云计算(vehicular cloud computing,VCC)范式,从而提高车辆总体资源利用率,提升车载服务质量。从经济学的角度,研究车载云计算中请求车辆和协助车辆之间的计算任务卸载定价与定量的问题。针对此问题,首先设计动态组建车载云的安全通信协议;在此基础上,利用Stackelberg博弈建模计算任务卸载分配的问题,激励协助车辆主动参与任务计算;同时设计了一种简单有效的分布式迭代算法求解最终的Stackelberg均衡状态,最小化请求车辆的服务开销并兼顾最大化协助车辆的收益。通过实验仿真,验证所提方案的有效性和可靠性。

摘要：车载边缘计算(Vehicular Edge Computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术,用户将计算任务卸载到移动边缘计算(Mobile Edge Computing,MEC)服务器上,不仅可以解决车载终端计算能力不足的问题,而且可以减少能耗,降低车联网通信服务的时延。然而,高速公路场景下车辆移动性与边缘服务器静态部署的矛盾给计算卸载的可靠性带来了挑战。针对高速公路环境的特点,研究了临近车辆提供计算服务的可能性。通过联合MEC服务器和车辆的计算资源,设计并实现了一个基于深度强化学习的协同计算卸载方案,以实现在满足任务时延约束的前提下最小化所有任务时延的目标。仿真实验结果表明,相比于没有车辆协同的方案,所提方案可以有效降低时延和计算卸载失败率。

摘要：移动云计算环境中,移动用户需要决定是否将应用卸载至云端处理,即计算卸载决策问题。在共享信道下,多竞争用户进行应用卸载时,必然会导致应用执行的延时。为了解决截止时间约束下执行能耗的优化问题,提出了一种非合作博弈算法。博弈过程中,每个用户以满足应用执行期限的同时最小化自身能耗为目标,将多竞争用户共享通信信道建立为非合作博弈过程,使单个用户可以独立作出计算卸载决策。证明了在同质和半同质环境下,算法总能产生Nash均衡解。并设计了一种基于高斯赛德尔模型的方法求解了Nash均衡解。仿真实验结果证明,算法可以在一定次数迭代后收敛于Nash均衡点处,在满足时间约束的同时,极大降低用户局部执行时的总体能耗。

摘要：为了解决云机器人系统中的计算卸载问题,提高边缘云资源的使用效率,降低群组机器人的能量消耗和对硬件计算资源的要求,提升机器人服务效率和质量,本文设计一种基于Stackelberg博弈的云机器人计算卸载策略。该方法将云机器人竞争同一边缘“网络”中相同类型资源或服务的过程抽象为主从关系的博弈问题,寻求机器人终端进行计算卸载需支付的成本开销与边缘云服务提供者的效用收益之间的平衡。边缘云服务器属于领导者,通过对自身计算能力的定价实现有限计算资源的收益最大化。每个移动机器人终端根据边缘云的定价策略,做出计算卸载的最佳决策,使其计算卸载策略达到Nash均衡状态,最大化自身效用。本文通过对云机器人业务进行任务分割,实现计算任务的部分卸载,证明了基于Stackelberg博弈模型的云机器人计算卸载系统的正确性,提出了一种结合Hamming距离的动态规划算法求解博弈的最终任务卸载策略。实验结果表明该算法降低了云机器人系统中的局部计算能耗,缩短了平均任务完成时间。

摘要：移动边缘计算(MEC)将计算和存储资源移动到移动网络的边缘,使其能够在满足严格的延迟要求的同时在移动设备处运行要求高处理的应用。它考虑了移动计算卸载问题,其中可以调用工作流中的多个移动服务来满足其复杂需求,并决定是否卸载工作流的服务,同时考虑了组件服务之间的依赖关系,并旨在优化执行移动服务的执行时间和能耗。针对上述问题运用了基于遗传算法(GA)的卸载方法,经过设计和实施后,部分修改传统遗传算法,以满足对所述问题的特殊需求。仿真实验表明,GA算法的实验效果都优于算法Local Execution和RANDOM得到的实验结果。

摘要：针对车载环境下有限的网络资源和大量用户需求之间的矛盾,提出了智能驱动的车载边缘计算网络架构,以实现网络资源的全面协同和智能管理。基于该架构,设计了任务卸载和服务缓存的联合优化机制,对用户任务卸载以及计算和缓存资源的调度进行了建模。鉴于车载网络的动态、随机和时变的特性,利用异步分布式强化学习算法,给出了最优的卸载决策和资源管理方案。实验结果表明,与其他算法相比,所提算法取得了明显的性能提升。