排序方式: 共有104条查询结果,搜索用时 15 毫秒
1.
数据传输可靠性已成为车联网研究的热点问题,首先给出了车辆之间数据传输可靠性的评价方法,并结合小波变换和群蚊子算法对数据评估模型进行求解,同时通过引入分类机制和决策权来引导搜索方向,以此加快算法收敛速度.最后利用仿真实验平台深入研究了影响该算法的关键因素,并讨论了数据包大小、车辆间距、发送功率和车辆速度与数据成功发送率之间的关系.与其他算法比较,该算法显示出较好适应性. 相似文献
2.
针对边缘计算下车联网中时延约束型计算任务的卸载执行问题,提出一种基于深度强化学习的任务调度方法。在多边缘服务器场景下,构建软件定义网络辅助的车联网任务卸载系统,给出车辆计算卸载的任务调度模型;根据任务调度的特点,设计一种基于改进指针网络的调度方法,综合考虑任务调度和计算资源分配的复杂性,采用深度强化学习算法对指针网络进行训练;运用训练好的指针网络对车辆卸载任务进行调度。仿真结果表明:在边缘服务器计算资源相同的情况下,该方法在处理时延约束型计算任务的数量方面优于其他方法,有效提高了车联网任务卸载系统的服务能力。 相似文献
3.
《萍乡高等专科学校学报》2019,(6)
作为一种新兴的计算范式和服务模式,云计算具有高扩展性的特点使其成为智能交通系统的实现技术手段。提出一个基于云计算的智能交通系统,并设计了一个低能耗的自适应资源调度器。该系统部署在边缘车联网,通过路侧单元等基础设施与车辆连接。系统利用TCP/IP的连接状态,以最大化整体的通信和计算能效、同时满足应用程序最低传输速率等Qo S需求为目标。采用真实数据流量对系统性能进行评估,实验结果显示该系统具有较高的有效性。 相似文献
4.
为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求,提出了一种面向车联网边缘计算的智能计算迁移方法(intelligent computingoffloading method,ICOM).首先构建了车联网边缘计算系统资源模型、执行时间模型、边缘设备负载均衡模型;然后利用非支配排序遗传算法(non-dominant sorting genetic algorithm,NSGA-II)实现了对车载计算任务的迁移时间和边缘设备的负载均衡进行联合优化,从而为车载计算任务找到有效的计算迁移策略;最后根据多目标决策准则(multi-criteria decisionmaking,MCDM)和逼近理想解排序法(technique for order preference by similarity to anideal solution,TOPSIS)选择出最优的计算迁移策略.实验结果表明,ICOM方法能够使车载计算任务在期望时间内完成,同时也保证边缘设备的负载均衡. 相似文献
5.
为分析人机混驾交通流下网联自动驾驶车辆(connected and autonomous vehicles,CAV)速度控制策略对交通流运行特征的影响,构建了考虑驾驶员对行车信息获取不确定性的人工驾驶车辆交叉口通行决策模型。提出考虑前车速度影响的自动驾驶速度控制策略,构建信号交叉口连续型元胞自动机更新规则,通过引入不同CAV渗透率、道路饱和度、控制区长度参数,研究CAV速度控制策略对信号交叉口交通流运行特征的影响。结果表明:CAV能显著提高交叉口通行能力,且车流通过交叉口区域的延误显著降低;同时速度控制策略的实施效果还受控制区长度的影响,呈现出随着控制区长度的增加,车均延误逐渐降低并趋于稳定。 相似文献
6.
针对车联网群智感知位置隐私泄露和用户参与任务公平性的问题,提出了一种基于区块链的车联网群智感知位置隐私保护方法(location privacy protection method based on blockchain and crowdsensing, LPPMBC)。将分布式的区块链引入车联网群智感知位置隐私保护方法中,消除第三方服务平台对参与用户数据的控制;通过保序加密和Geohash编码相结合,为参与工人提供多级别的位置隐私保护,确保参与工人位置隐私的保密性;通过Haversine公式进行感知位置验证,防止工人通过非感知区域数据获得非法奖励,保障感知数据的质量。仿真结果表明,LPPMBC能够更好地权衡感知数据质量与工人隐私保护关系,保障用户参与任务的公平性, 提高用户参与任务的积极性。 相似文献
7.
为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。 相似文献
8.
9.
高快速路汇入区(即合流区)瓶颈是交通流运行的咽喉,汇入瓶颈交通流失效会加剧拥堵,诱发交通振荡以及事故率上升等一系列问题。与现有研究大都通过调节匝道汇入车辆行为或主线车辆速度进而试图改善汇入区交通流问题不同,该研究聚焦于瓶颈汇入区上游主线车辆,通过动态调节汇入区上游主线车道车辆分布,提升汇入区通行能力。具体而言,研究提出一种可以对网联车(CV)进行双向换道建议的混合整数线性规划模型,该方法不依赖于交通流基本图设定的临界密度,通过实时计算每一辆个体CV的向左、向右或保持车道决策以优化车道流量分布,减少汇入车辆干扰,提升汇入效率。基于VISSIM交通仿真软件,通过二次开发搭建了汇入区瓶颈换道优化实时仿真评估系统,并对该方法进行了验证,测试不同流量组合和不同CV渗透率下算法的有效性。各车道时空轨迹表明该换道建议优化方法可以有效减小汇入车辆冲突,车均延误分析结果表明在单车道平均流量1 550 ~1 800 veh·h-1区间,即汇入瓶颈失效关键流量区段,换道建议优化方案相比原方案能显著改善汇入区的运行效率,车均延误可降低10 %~50 %左右。CV渗透率敏感性分析表明,在较低的0.2~0.5渗透率下即可达到减小延误的目标。 相似文献
10.
计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。 相似文献