双UAVs辅助的混合能量收集MEC系统资源分配策略

针对用户从环境射频源收集能量较少的问题,提出了一种双无人机辅助的混合能量收集边缘计算系统的资源分配策略。通过部署2个具有混合太阳能和射频能量收集功能的无人机,当用户的计算任务较大时,可以将计算任务卸载到搭载边缘服务器的无人机。当用户从环境射频源收集的能量不够用时,另一个无人机飞到用户上方,为其近距离充电。联合考虑无人机和用户的能量消耗,将系统资源分配问题建模成一个混合整数非线性规划问题,在满足用户和无人机计算能力和能量消耗的约束条件下,最小化系统总能耗。通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与其他几种方法相比,采用量子行为粒子群优化算法消耗的能量更少。     

磁感应热疗联合125I籽源近距离放疗研究

 磁感应热疗植入合金热籽与放射籽源在尺度上处于同一水平,当热籽和放射籽源同时植入肿瘤组织,热场和辐射将共同作用于肿瘤细胞,提高肿瘤细胞的杀灭作用.本文应用电磁学理论计算射频磁场中热籽和放射籽源的产热功率.并将不同分布的热籽和放射籽源置于磁感应设备射频磁场中,调节磁场参数,观察不同条件下的温升曲线.同时研究了放射籽源在磁感应射频磁场下的升温情况以验证放射籽源的安全性,以及合金热籽与放射籽源混合排布情况下的升温情况以验证联合治疗的有效性.理论计算和实验结果表明,放射籽源在磁感应治疗射频磁场下(50~500kHz)磁热效应不显著,其用于热放疗的安全性得到验证.将放射籽源与热籽混合植入琼脂体模和离体肌肉组织,在介质植入区域内温度均远超过43℃,可实现植入区域内热疗对放疗的增敏作用.     

基于射频能量收集的异构网络资源分配策略

针对异构网络中微微基站出现过多用户的情况,研究最大化上行总吞吐量的资源分配问题。通过部署一个具有能量收集功能的中继节点,将微微基站部分用户转移到相邻的空闲微微基站。中继节点具有能量收集功能,可以从专用射频源和环境射频源收集能量。将资源分配问题建模为最优化问题,以最大化微微基站用户的上行总吞吐量为目标,同时满足用户最小数据速率、中继节点能量消耗和发射功率的约束条件。通过引入增广拉格朗日乘子法,获得最优解。仿真结果表明,与传统的将部分微微基站用户转移到宏基站的方法相比,提出的方法具有较大的吞吐量提升。此外,与同样采用中继节点进行辅助通信的等功率方法相比,提出的方法在吞吐量方面有一定程度的增加。     

新型射频能量收集系统设计与分析

随着无线传感器网络等电子微系统的发展,作为能量源的电池满足不了长久供电的需求.利用周围环境中的射频能量为自身提供电能已经越来越受到科研工作者的关注.针对目前常用射频能量收集系统转换效率较低的不足,提出了一种由超宽带天线、匹配网络、整流升压电路等组成的新型能量收集系统.利用HFSS软件对超宽带天线进行仿真优化,使得该天线在宽频带下具有较好的特性;通过整流升压电路在不同负载下的整流效率分析,确定了整流器转换效率较高的负载取值范围.新型射频能量收集系统的效率为13.5%,比常用的其他射频能量收集系统的效率提高了将近6%.     

基于无人机的移动边缘计算任务卸载

无人机具有高移动性,能帮助移动用户在基础通信设施缺乏的环境中快速部署边缘云。为降低基于无人机的边缘计算成本,提高能量利用效率,提出了一种移动边缘计算(Mobile Edge Computing, MEC)系统的任务卸载方案。首先基于排队论模型构建了多用户边缘计算模型,引入等待概率构造了移动边缘计算系统的成本函数,然后采用权重系数将多目标优化问题转化为求解卸载策略的单目标非线性规划问题,最后采用蒙特卡洛剪枝算法进行求解,并引入决策树剪枝算法降低了算法的复杂度。实验结果表明,文中提出的任务卸载方案在CPU性能较低、任务到达率较大的情况下均能降低成本开销,为基于无人机的边缘计算提供了一种低成本的解决方案。     

基于中继能量收集的协作通信中的吞吐量分析

研究了无线协作通信系统中基于中继能量收集的吞吐量最大化问题。首先对源端单天线工作模型的吞吐量进行了分析,由于无初始能量,中继需要对源端发射的射频信号进行能量收集,当收集的能量达到阈值后,中继将源端发射的信号放大转发至目的端。然后提出源端双天线工作模型,中继同时从两根天线发射的信号中收集能量,当中继收集的能量达到阈值后也同样把信息转发给目的端,在一个时隙内,两个信道中只要有一个信道完成信息转发即拥有吞吐量。仿真分析验证了表达式的正确性,仿真结果还表明提出的源端双天线通信模型的性能优于单天线模型。     

双频无线射频能量收集系统的设计

为了尽可能高效地吸收和整流分布在周围自然空间中的射频能量,提出了一种工作在GSM-1800和UMTS-2100频段的双频射频能量收集系统的设计方法:系统的接收天线部分采用结构简单的宽带八木天线;系统的整流电路部分为应用于低输入功率的双频整流电路;整流电路的匹配电路部分使用微带线匹配,没有使用任何分立贴片元件,以保证整流电路在高频时稳定的性能,同时降低电路实际加工制作的复杂度.最后对系统整体进行了实验室和室外环境的联合测试.实测结果表明,文中提出的双频无线射频能量收集系统在-20～-5 dBm低输入功率下,能够在1. 8 GHz和2. 1 GHz频段获得良好的双频匹配,并且在-5 dBm输入功率下获45%的整流效率,且具有从环境中收集射频能量并输出一定直流电压的能力.     

基于移动边缘计算的超密集异构网络数据存储

针对目前超密集异构网络数据存储方法存储速率过慢,导致存储量较小,难以满足人们的要求,提出了基于移动边缘计算的超密集异构网络数据存储方法。构建基于移动边缘的网络结构模式,采用网络结构层次分析法,对超密集异构网络建立相应的选择层次模型,并根据网络数据收集和处理将其分类为数据收集网络和数据处理网络,最后,利用移动边缘计算技术,将写入的网络数据下沉到网络边缘,实现超密集异构网络数据的持久存储。实验结果表明,基于移动边缘计算的超密集异构网络数据存储方法能有效提高存储速率,扩大存储量。     

基于虚拟机迁移的能量收集MEC系统资源分配策略

针对现有研究没有考虑用户移动性对移动边缘计算（mobile edge computing,MEC）服务器反馈计算结果影响的情况,提出一种基于虚拟机迁移的能量收集MEC系统资源分配策略。考虑用户移动性影响,分别给出用户移动性模型和能量收集模型;采用虚拟机迁移方式,把用户卸载给初始MEC服务器的计算任务转移到当前MEC服务器,由当前MEC服务器完成计算任务,计算结果直接反馈给用户;综合考虑用户卸载计算任务和MEC服务器反馈计算结果,将功率和子载波分配问题建模为混合整数非线性规划问题,在满足能量消耗、子载波分配和发射功率的约束条件下,最大化系统能量效率。为了降低求解复杂度,通过引入遗传算法,获得次优解。仿真结果表明,与基于遗传算法的局部功率或子载波分配方法相比,提出的方法具有更高的能量效率。     

电动汽车快速充电站需求分析与设备优化方法

电动汽车快速充电站是城市未来重要的基础设施,其规划建设是否合理直接影响到城市交通体系的运行和电动汽车产业的发展.以城市电动汽车日充电量为基础对快速充电站总量进行了预测,通过分析电动汽车快速充电站车辆到达及充电时间的特征,引入了随机服务系统,建立了排队系统模型,计算了平均逗留时间和充电机空闲时间的比例等指标.采用愿望模型分析方法,优化确定充电站的设备数量,既减少顾客的等待时间、解决排队拥挤现象,又有效减少充电站的投资.最后通过MATLAB实例仿真验证了该方法的有效性.     

异构边缘网络中基于服务器休眠的协同计算策略

在异构边缘网络中,基站和边缘服务器的密集部署使系统功耗激增,为移动运营商带来了高额成本.同时,由于异构系统中任务的多样性和复杂性,高效的资源分配和任务迁移构成了严峻的挑战.针对上述问题,建立了服务器间的任务迁移和服务器睡眠模型,提出了一种面向异构边缘网络中服务器多睡眠模式的任务迁移算法.该算法先将问题按时隙划分为多个子...     

缓存辅助移动边缘计算的任务卸载与资源分配联合优化策略

为了减少资源受限的移动边缘计算场景下任务卸载和资源分配过程中的能量消耗,提出缓存辅助的动态卸载决策和计算、通信、缓存多维资源分配的联合优化策略。该策略根据任务流行度制定缓存服务,通过控制用户设备的发射功率优化通信资源分配,并结合计算卸载合理利用服务器的计算资源。提出最小化时延和能耗的均衡优化目标,设计基于深度强化学习的优化求解算法。最后,通过仿真实验验证所提策略的有效性,结果表明该策略在计算资源和缓存容量约束条件下能展现较优性能。     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。     

一种用于云计算的数据容灾分配算法的改进

在云计算环境下进行数据容灾分配,可以提高云计算数据资源调度能力。传统算法采用粒子群数据聚类方法进行数据的容灾分配,数据负载均衡差,同时消耗数据任务调度的吞吐率。提出一种新的数据容灾分配改进算法。首先建立云计算环境下数据容灾分配层次结构模型,计算整个数据资源处理平台的整体响应时间,将云计算下的数据资源容灾分配优化问题转化为数据资源分配响应时间最小化问题;利用多用户QoS开销适应度运算机制和粒子群聚类算法对云计算中数据资源任务进行权衡分配,减少数据权衡调度时间,提高数据容灾备份能力。实验结果表明,采用改进算法可以提高数据容灾分配时数据的召回率和云计算数据任务权衡调度能力,在云计算信息处理中具有较好的应用价值。     

面向云环境中任务负载的粒子群优化调度策略

随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.     

正交频分多址接入系统中接收能耗优化的二维时频资源分配算法

正交频分多址接入系统资源分配的结果会直接影响资源分配效率以及各个接收站点的能耗.系统中的多用户系统资源分配问题在一定的标准(例如IEEE 802.16标准)约束下可证明为一个NP完全问题.以IEEE802.16标准为例,由一定的分配准则定义的一种启发式算法(能耗优化的低边数分配算法)可以对资源分配问题进行近似求解.仿真结果表明,和文献中典型的启发式算法相比,该算法可以获得较高的资源分配效率以及较低的接收站点能耗.     

Virtual Machine-Based Task Scheduling Algorithm in a Cloud Computing Environment

Virtualization technology has been widely used to virtualize single server into multiple servers, which not only creates an operating environment for a virtual machine-based cloud computing platform but also potentially improves its efficiency. Currently, most task scheduling-based algorithms used in cloud computing environments are slow to convergence or easily fall into a local optimum. This paper introduces a Greedy Particle Swarm Optimization(GPSO) based algorithm to solve the task scheduling problem. It uses a greedy algorithm to quickly solve the initial particle value of a particle swarm optimization algorithm derived from a virtual machine-based cloud platform. The archived experimental results show that the algorithm exhibits better performance such as a faster convergence rate, stronger local and global search capabilities, and a more balanced workload on each virtual machine. Therefore, the GPSO algorithm demonstrates improved virtual machine efficiency and resource utilization compared with the traditional particle swarm optimization algorithm.     

基于粒子群算法的云计算资源配置研究

对于云计算而言,虚拟机资源的合理高效配置具有重要意义.该文对粒子群方法进行到云计算资源配置的映射,详细地设计了3个约束条件和目标函数.目标函数中包含了资源利用率和迁移次数2个优化目标,整个虚拟机资源的配置过程设置了8个步骤.实验结果表明:同2种参照方法相比,该文所提出的基于粒子群算法的云资源配置方法完成配置后,不仅资源利用率高、迁移次数低,其迭代过程和迭代时间也令人满意.