智慧社区边缘计算场景下基于免疫算法的卸载决策优化

边缘计算通过将云计算中心的计算和存储资源下沉至距离用户更近的网络边缘,用户可将任务卸载至边缘计算节点执行,以获得更低的任务时延和能耗.针对智慧社区场景下的任务卸载决策问题,构建了联合优化任务时延和能耗的卸载决策优化模型;在免疫算法中引入交叉操作,并对克隆算子、变异算子进行了改进,给出了一种基于改进免疫算法的任务卸载方案,并对该模型进行仿真实验.结果表明：该方案优于基于粒子群优化算法方案、基于遗传算法方案和基于免疫算法的卸载方案,可以有效降低任务时延和能耗.     

VEC中多边缘节点协作卸载与资源分配算法

针对车载边缘计算(VEC)中任务计算成本高和边缘节点负载不均衡的问题，将软件定义网络(SDN)与多边缘计算相结合，构建了“端-多边-云”3层软件定义车载边缘计算模型，并提出了一种新的协作卸载和资源分配算法。使用SDN控制器从全局角度获取网络信息，对任务卸载和资源分配进行统一调度。将改进的k-means算法用于确定任务的初始卸载决策，将任务分别分配到本地簇、边缘节点簇和云服务器簇中。此外，利用深度Q网络算法获得了边缘节点簇中任务最优的卸载决策、卸载比例和资源分配策略。仿真实验结果表明，相较于对比算法，用所提算法使任务的计算成本降低了18.6%以上，提高了22.9%以上的边缘节点资源利用率，并实现了边缘节点间的负载均衡。     

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。     

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算（MEC）任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习（DRL）算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.     

基于移动边缘计算的车联网卸载策略研究

随着车载设备的快速发展和日益增大的数据量,车联网在计算能力及通信能力方面面临着巨大的挑战.传统云计算虽然可以弥补车载设备计算资源的不足,但由于云服务器距离车辆终端较远,因此,难以满足一些对时延敏感的业务的需求,基于此问题,引入了移动边缘计算.首先,构建了基于5G的"车-边-云"协同网络架构,在该架构中融合了SDN等多种新兴技术,可以实现对车、边缘设备、云三方面资源的统一调度;其次,在此架构下建立了基于卸载时延的通信计算模型,并采用了基于改进烟花算法的计算任务卸载策略,其中,对烟花算法的改进主要是针对爆炸火花的产生方式及下一代烟花的选择方法,在改进之后,烟花可以实现在不同方向和不同维度的全方位搜索;最终,通过基于改进烟花算法的任务卸载策略,各个任务可以选择在最佳的卸载节点进行卸载,从而保证了时延最小化.仿真结果表明,在所提协同架构下,基于改进烟花算法的卸载策略可显著降低时延.当任务量为5 Mb时,所提卸载策略相比于其它卸载策略在降低时延性能上至少提高10％.     

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%.     

车联网边缘场景下基于免疫算法的计算卸载优化

为了解决如何在降低车载终端计算时延的同时保证服务器的低能耗和负载均衡问题,本文首先构建了基于车对车通信的系统模型、时延模型、负载均衡模型、能耗模型和目标优化模型;然后提出了一种基于多目标免疫优化算法的计算卸载方案;最后将本文方案与多种卸载方案进行了对比实验。实验结果表明,本文方案能够有效降低用户的平均卸载时延,优化服务器之间的工作负载并有效降低能耗,且性能较各卸载方案有所提升。     

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.     

基于机器学习的MEC随机任务迁移算法

针对移动边缘计算（MEC）,提出了一种基于机器学习的随机任务迁移算法,通过将任务划分为可迁移组件和不可迁移组件,结合改进的Q学习和深度学习算法生成随机任务最优迁移策略,以最小化移动设备能耗与时延的加权和.仿真结果表明,该算法的时延与能耗加权和与移动设备本地执行算法相比节约了38.1%.     

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展，车辆边缘计算越来越引起人们的注意。车辆如何有效地利用车辆周边的各种通信、计算和缓存资源，结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元，已经成为目前车联网研究的热点。由于车辆应用设备有限的计算资源，车辆用户的任务计算需求无法满足，需要充分利用车辆周边的计算资源来计算任务。本文研究了车辆边缘计算中任务的合作卸载机制，以最小化车辆任务的计算时延。首先，设计了任务合作卸载的三层系统架构，考虑了车辆周边停泊车辆的计算资源以及路边单元的计算资源，组成云服务器层、停泊车辆合作集群层和路边单元合作集群层的三层架构。通过路边单元合作集群和停泊车辆合作集群的合作卸载，充分利用系统的空闲计算资源，进一步提高了系统的资源利用率。然后，基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分，并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后，通过将本文算法和其他算法方案的进行实验对比，仿真结果表明，本文算法在系统时延和系统吞吐量方面具有更好的性能表现，可以降低23%的系统时延，并且能提升28%的系统吞吐量。     

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。     

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。     

基于任务间依赖关系的小小区协作卸载策略

在密集部署的小小区网络中,考虑到小小区基站（SBS）的计算资源有限,提出了基于任务间串并依赖关系的协作卸载策略,以降低计算卸载任务的整体完成时延.首先,考虑将可以同时执行的并行任务卸载至不同的SBS,利用计算资源的分布式特点来降低整体时延,同时最大化单个SBS上的串行任务数量,以减小所需SBS的数目;然后,根据网络的负载均衡情况对2种场景进行讨论,联合考虑任务间的依赖关系、不同SBS的可用计算资源量和SBS与用户间的信道质量,分别引入最长路径理论和图着色算法以确定最佳任务卸载方案.仿真结果表明,与已有策略相比,所提策略可降低计算卸载任务的整体完成时延.     

面向移动边缘计算的动态规划算法研究

移动边缘计算可以将用户任务卸载至边缘服务器,以减少移动设备的能耗与时延。通过研究边缘计算场景,提出了一种自适应动态规划算法,以优化用户的卸载决策。所提算法采用创新的比特流填表方式以节省计算时间,同时在满足时间约束的条件下减小能耗与时延。结果表明,该算法可在满足应用程序执行时间约束的前提下找到近似最优解,同时在不损失计算效率的前提下处理较大的卸载问题。     

异构边缘云架构下的多任务卸载算法

为在资源有限的终端设备上运行计算密集型与时延敏感型应用,同时降低系统时延和能耗,构建边缘云异构网络模型。本文提出了一种H-PSOGA多任务卸载优化算法,并通过无人机、路边单元、车辆等边缘设备以及边缘云服务器进行多任务计算卸载。该算法以先串行再并行的方式将粒子群和遗传算法结合在一起,通过适应度值排序、种群选择、多点交叉、反向变异等操作,利用遗传算法对粒子群进行优选,弥补粒子群算法早熟收敛、陷入局部最优的缺陷。6种标准测试函数的测试分析以及与基线方案进行仿真对比的结果表明：在用户数较多时,混合优化算法的系统平均开销可降低26%～43%,可以有效提高收敛精度。     

车联网中基于停车协同的边缘计算卸载方法

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.     

虚实映射误差条件下数字孪生辅助的无人机网络计算任务卸载及资源自适应优化机制

为了解决动态时变的无人机（Unmanned Aerial Vehicle, UAV）网络环境下,智能终端设备有限的计算和存储资源不能满足资源密集型任务需求,以及高传输时延和低可靠连接的问题,本文使用数字孪生技术在地面基站（Base Station, BS）构建无人机、智能终端以及无线网络环境的孪生网络模型,以对无人机网络运行状态进行模拟和仿真。进而,基于构建的孪生网络模型设计智能终端设备计算任务卸载机制。在满足智能终端设备计算任务最大容忍延迟的条件下,智能终端设备选择将计算任务全部卸载到无人机,或者在本地进行计算。然后,将计算卸载问题建模为马尔科夫决策过程,建立联合无人机悬停点、计算任务卸载决策、无人机计算资源分配的自适应资源优化模型,实现最大化无人机效用函数的目标。考虑孪生网络模型与真实无人机网络的虚实映射误差,提出近端策略优化算法（Proximal Policy Optimization,PPO）,求解自适应资源优化模型。仿真结果表明,与已有方案对比,所提算法可以有效提高无人机的效用。同时,在适应虚实映射误差方面优于传统深度强化学习算法。     

移动边缘计算场景下基于免疫优化的任务卸载

移动边缘计算通过将计算资源和存储资源下沉到移动网络的边缘,可以减少移动终端的任务计算时延和能耗,从而有效满足移动互联网、物联网高速发展所需的高回传带宽、低时延的要求.计算卸载作为移动边缘计算的一个主要优势,它通过将繁重的计算任务迁移到边缘服务器来提高移动服务能力.针对移动边缘计算场景下移动终端应用的低时延和低能耗的卸载...     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题，提出一种基于雾节点协作贡献度的计算卸载算法。首先，对协作可行性、协作公平性和协作稳定性进行了建模设计；其次，定义了协作贡献度和协作贡献比系数；然后，结合雾节点的剩余计算容量阈值和协作贡献度阈值，在满足任务可容忍的最大时延约束下，提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题，使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明，所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销，并且能够在协作可行性、协作公平性之间进行权衡处理。     

基于区块链的D2D辅助的MEC资源共享架构

随着终端设备智能化发展与设备到设备（D2D）通信技术的逐渐应用,终端设备可以通过直连链路进行资源共享.为提升网络边缘整体服务能力,提出了一种基于区块链的D2D辅助的多接入边缘计算资源共享架构（BD-MEC）.在BD-MEC下,综合考虑时延、能耗和支付开销等因素,设计了一种基于博弈论的多用户卸载方案,以满足不同用户的服务需求.其次,针对拒绝服务或付款等恶意行为,提出了一种基于智能合约的资源共享协议与争议事件处理方法,利用区块链来强制共享双方遵守资源共享协议,以实现安全的资源共享.仿真结果表明,BD-MEC能有效地降低计算任务的时延、能耗和支付开销.