能量收集下的D2D-MEC计算卸载

针对移动边缘计算(MEC)在能源消耗和安全性方面的问题,研究具有社会关系和能量收集(EH)的D2D-MEC物联网网络中的任务卸载和资源分配问题,提出基于李雅普诺夫优化的D2D在线决策匹配和资源分配(ODMRA)算法.将用户之间的社会关系量化为社会信任矩阵,将能源消耗、包丢失、社会信任度表述为长期随机优化问题,采用李雅普诺夫优化方法将其分解为一系列子问题后分别求解.对于D2D间的决策选择子问题,结合子模块优化和贪婪算法设计低复杂度的策略选择算法.理论分析和仿真结果表明,所提出的ODMRA算法有效地优化了卸载方案,平衡了系统服务成本和队列长度,在能量消耗、系统服务成本方面优于其他对比算法.     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

基于多代理模仿学习的普适边缘计算资源分配

普适边缘计算允许对等设备之间建立独立通信连接,能帮助用户以较低的时延处理海量的计算任务.然而,分散的设备中不能实时获取到网络的全局系统状态,无法保证设备资源利用的公平性.针对该问题,提出了一种基于生成对抗网络(Generative Adversarial Network,GAN)的普适边缘计算资源分配方案.首先基于最小化时延与能耗建立多目标优化问题,然后根据随机博弈理论将优化问题转化为最大奖励问题,接着提出一种基于多代理模仿学习的计算卸载算法,该算法将多代理生成对抗模仿学习(GAIL)和马尔可夫策略(Markov Decision Process,MDP)相结合以逼近专家性能,实现了算法的在线执行,最后结合非支配排序遗传算法Ⅱ(Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)对时延和能耗进行了联合优化.仿真结果表明,所提出的解决方案与其他边缘计算资源分配方案相比,时延缩短了30.8%,能耗降低了34.3%.     

面向硬件感知的边缘计算卸载和资源分配

传统的边缘计算卸载研究并未涉及计算机硬件实现的细节,计算模型建模粗糙,优化方案精准度低。为此,提出了基于硬件实现的多用户多边缘服务器计算卸载和资源分配联合优化方案,充分考虑了计算过程硬件实现的细节,从计算机指令执行粒度出发,综合计算机输入/输出瓶颈和内存功能模块的能耗,重新建立联合优化模型,并在满足卸载任务时延要求的前提下最小化系统能耗。 此外,为解决动作空间高维的问题,采用了基于深度确定性策略梯度的混合在线二部匹配算法。仿真结果表明,计算过程中的内存能耗不可忽略,且所提出的优化算法能够有效学习最优策略,对降低系统能耗具有显著作用。     

OFDM系统用户上行有效吞吐量最大化算法

为了最大化OFDM系统用户上行链路的有效吞吐量,提出了一种新的用户上行资源分配策略.与传统策略相比,该策略通过引入自适应的子载波分段数和数据包OFDM符号数,增加了设计自由度.为降低计算复杂度,有效吞吐最最大化问题被分解为2个较简单的子问题,即用户有效资源分配和数据包参数设置.针对这2个子问题,分别通过分析目标函数的单...     

基于计算吞吐量最大化的能量采集边缘计算系统在线资源优化配置

在基于可再生能量收集技术的移动边缘计算(Mobile Edge Computing, MEC)系统中,可再生能量到达和计算卸载无线信道呈现较强的时空变化特性,因此该系统的无线及计算资源管理与用户任务计算之间存在着动态适配的挑战。针对此类问题,本文研究多时隙多用户的能量采集边缘计算系统,建立可再生能量随机到达和无线信道模型以及预测误差模型,以系统总计算吞吐量最大化为准则,通过逐时隙联合优化用户本地计算和计算卸载模块,提出了一种在线滑动窗设计方案, 需要通过调整滑动窗长度M来实现。该方案逐时隙求解凸优化问题,基于离线资源动态管控的最优结构,实时制定资源管理策略,具有较低的计算复杂度。仿真实验结果表明,提出的在线滑动窗设计方案在系统计算吞吐量性能方面优于已有的基准方案,并在对抗信道/能量状态信息预测误差方面有较好的鲁棒性能。     

改进多种群进化算法求解移动边缘计算中任务调度问题

移动边缘计算通过在靠近用户端的网络边缘部署服务器,为用户提供低时延的网络通信服务和类似云的计算服务。移动设备通过网络接入点将任务卸载到边缘服务器进行处理,能够有效地减少移动设备的能耗以及任务的完成时间。然而,用户在卸载任务时需要支付一定的通信成本。本文在构建包含多个用户和多个边缘计算节点的移动边缘计算环境的基础上,建立了最小化移动设备的任务完成时间、能耗以及通信成本的数学模型。为了解决上述问题,本文提出了一种改进多种群进化算法的任务调度优化算法。该调度算法通过优化卸载决策和资源分配决策来达到降低移动设备综合成本的目的。大量仿真实验说明,该任务调度算法与其他几种的任务调度算法相比,能够更有效地降低移动设备的综合成本。     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

基于化学反应优化算法的边缘计算任务卸载策略

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。     

MEC系统中面向网络切片的3C联合资源分配算法

移动边缘计算（MEC）相关研究已经成为未来移动网络的热点研究之一.在基于网络切片的雾无线接入网络中,提出了一种面向网络切片的MEC系统通信计算缓存（3C）联合的资源分配算法.给出了面向网络切片的多MEC协作资源分配模型,其中考虑了无线接入带宽与回程链路带宽的限制以及MEC系统计算与缓存资源分配对网络切片服务时延的影响;基于服务时延定义了用户获得资源的效用值,构造了系统效用值最大化问题优化不同网络切片下的用户接入、计算与缓存资源分配,并采用连续凸近似交替迭代方法获得近似最优解.对所提算法性能进行了仿真验证,仿真结果表明,所提算法实现了系统总效用值优化,提高了面向网络切片的MEC系统资源利用效率.     

双功能雷达通信系统的多用户功率分配算法

为解决传统多用户双功能雷达通信系统因载波分配导致通信性能较差的问题,提高双功能雷达通信系统的资源利用率,提出了一种通信用户载波共享模型下的多用户功率分配方案,并通过构造合理的资源分配问题使得系统具有更优的通信性能。首先,建立双功能雷达通信系统的通信用户载波共享信号模型。其次,为保证双功能雷达通信系统性能,构造了以系统通信和速率最大并满足雷达信噪比下界、总功率和用户功率约束的优化问题,通过理论分析严格证明了优化问题的可行性。最后,为求解凸优化问题,提出一种多用户功率分配算法,通过引入辅助变量对目标函数进行二次转换,将其分解为两个优化子问题,继而通过交替迭代的方式进行求解。研究结果表明,相较于传统通信用户载波分配模型,优化后的通信用户载波共享模型通信和速率提高了约40%,从而验证了所提方案具有更优的通信性能,有效提高了系统资源利用率。本研究成果为提高多用户双功能雷达通信系统的通信性能提供了一种新思路和手段。     

OFDMA分布式天线系统下的比例公平资源分配算法

提出了一种正交频分多址（OFDMA）分布式天线系统下的子载波和功率分配算法,该算法在满足用户比例速率要求、天线独立功率限制要求下,使系统的总等效容量最大化. 通过把多维天线下的资源分配问题分解为独立单天线下的子优化问题,有效地降低了算法复杂度. 仿真结果表明,该分配算法能较好地满足比例公平的速率要求;相对于集中式天线系统和固定FDMA分配方式,均有较大的容量提升.     

减少反馈策略和联合编码策略下的多播资源分配

针对传统的多播策略中,系统吞吐量受限于多播组中最差用户的信道增益的问题,提出一种基于减少反馈策略和联合编码策略下的多播资源分配算法.采用分层编码与里所(RS)码的联合编码策略,进行数据的分层和补偿丢失的数据包.对传输的不同层的数据采用不同的反馈策略来降低上行反馈负载,并且将资源分配问题建模为最优化问题,为了减轻计算复杂度,又提出了次优化的能保证多播组服务质量的比例公平子载波分配算法与注水功率分配算法(WF-Q).为进一步降低复杂度,采用新的增加固定功率的分配算法(IFP-Q).仿真结果表明,提出的反馈策略明显减少了上行反馈负载,并且联合的编码策略能进一步提高系统性能.     

中继增强型正交频分复用系统的多播资源分配方法

针对现有正交频分复用系统使用中继进行多播资源分配算法时效率较低的问题,提出了一种使用中继多输入输出系统的多播资源分配算法.算法将系统的功率划分为等长的基本分配单元,首先计算并存储每个子载波在给定功率的条件下使用中继传输方式时所能提供的最大速率,再通过动态规划算法同基站直接传输的速率进行比较,从而计算出每个子载波的用户分配、功率分配和传输方式.该算法可以从全局角度进行子载波的分配及用户分配,从而最大化系统总吞吐率.由于动态规划算法不需重复计算相同子问题,避免了重复问题的计算,因此可以在很短时间内完成资源的分配计算.仿真实验表明,所提包含用户分配的动态规划算法可以有效地利用系统资源,系统总吞吐率与最优算法计算结果之差小于0.10%.     

基于非合作博弈的中继网络分布式资源分配

提出一种可应用于正交频分复用多址(OFDMA)中继网络的分布式资源分配算法. 基于将模型描述为基站与中继的非合作功率分配博弈(RNCPAG), 设计出2种效用函数, 并以最大化效用函数为准则, 证明在总功率受限的约束下, 该算法存在并收敛于唯一的纳什均衡点. 研究表明, 同传统的平均功率分配算法相比, 分布式博弈算法以牺牲少量的迭代步数为代价, 获得更高的系统容量和资源效率.     

多播系统中基于多用户分集的资源分配

针对无线多播系统中传输速率受限于多播组中最差用户信道容量的问题,提出一种组内资源分配算法.在考虑用户之间不同速率需求的前提下,对多播组内用户进行子载波分配和功率分配,来最大化多播系统归一化速率.子载波分配算法利用每个子载波上多播用户之间的多用户分集,将子载波分配给该子载波上性能较好的多个用户.功率分配算法采用基于梯度的功率分配方式对各子载波上所分配的功率做局部优化,进一步提高多播系统的传输速率.仿真结果表明,与传统多播组内资源分配方案相比,显著提升多播系统的归一化速率.     

移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

OFDMA解码转发中继系统的最优资源分配

针对正交频分多址接入-解码转发（OFDMA-DF）中继系统,提出了以最大化系统加权和速率为目标的子载波分配、功率分配、传输方式选择和中继选择联合优化问题. 基于凸优化理论,提出了一种最优资源分配算法,其复杂度仅与子载波数成线性关系. 理论分析和仿真结果表明,结合用户权重的调整,该算法既可实现资源分配的公平性,又可有效利用中继节点的能力,提高系统容量.     

基于深度强化学习的多小区NOMA能效优化功率分配算法

在下行多小区非正交多址接入系统中,功率分配是决定系统性能的关键因素之一。由于多小区系统间的功率优化问题的非凸性,获得最优功率分配在求解上非常困难。为此提出了一种基于深度强化学习最大化能效的功率分配算法,将深度Q网络作为动作?状态值函数,将系统能效直接设置为奖励函数,优化信道功率分配,使系统能量效率最大化。仿真结果表明,该算法比加权最小均方误差、分式规划、最大功率和随机功率算法等能够获得更高的系统能量效率,在算法计算复杂度、收敛速度和稳定性方面也有较好表现。     

认知反向散射网络通信容量公平的资源优化

为保证认知反向散射通信网络中物联网节点通信容量的公平性,提出一种基于最大最小准则的资源分配方案. 在考虑物联网节点动态电路能耗模型与非线性能量收集模型的基础上,通过联合优化发射功率、反射及时间分配系数构建一个最大最小物联网节点通信容量的非凸多维资源分配问题. 首先,采用反证法、连续凸近似及辅助变量等方法将原问题转换为凸优化问题;然后提出一种迭代算法来求解转换问题. 仿真结果表明,所提的资源分配方案在提升物联网节点通信容量的同时保障了节点通信的公平性.