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。     

无人机协助边缘计算的能量收集MEC系统资源分配策略

针对用户请求的计算任务超出地面基站边缘计算服务器计算能力的问题,提出一种无人机(Unmanned Aerial Vehicle,UAV)协助边缘计算的最小化系统能量消耗的资源分配策略.通过引入一个搭载边缘服务器的UAV,当用户请求的计算任务超出地面基站边缘服务器计算能力时,用户将超出的计算任务卸载至协助计算的UAV.在...     

基于Stackelberg博弈的资源动态定价策略

针对计算密集型任务卸载时边缘云计算能力有限引起的公平性问题,提出一种基于Stackelberg(斯坦克伯格)博弈的资源动态定价策略.首先,分析边缘云系统资源剩余量和用户需求之间的实时关系,设计边缘云网络收益及用户成本函数.然后,通过验证用户之间非合作博弈纳什均衡点的存在性,获得基于完全状态信息下用户成本最低时的最优卸载策略.最后,采用双向迭代搜索算法求解边缘收益问题,获取经价格调整因子调节后的边缘云网络最优定价策略.仿真结果表明:所提算法当计算资源较少时能保证边缘云收益,并在保证用户公平性前提下提高用户服务质量.     

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。     

虚拟环境中基于Stackelberg博弈的资源分配

针对虚拟化网络环境中的资源分配和定价问题,结合Stackelberg博弈模型,提出了一种同时满足底层网络和虚拟网络收益最大的资源分配和定价方案,分别设计了底层网络和虚拟网络基于效用和花费的收益函数,给出了在完全信息状态下底层网络和虚拟网络各自收益最大时的最优策略.在不完全信息决策模型下,验证了虚拟网络间非合作博弈的纳什均衡点存在性,为了获取虚拟网络的最优带宽策略和底层网络的最优定价策略,给出了一种分布式的迭代算法.最后通过数值仿真验证了该算法的有效性,取得了参与者的最优策略和子博弈完美纳什均衡.     

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。     

不确定网络环境中任务卸载和资源分配联合优化方法

在不确定的无线网络环境中,由于任务到达、用户移动的随机性以及无线信道状态的时变性,导致出现不确定的任务云端排队时延、设备网络连接时间等网络环境特征,极大影响计算卸载效率和网络资源利用率。针对这一问题,建立了算网协同的动态任务卸载和资源联合分配模型,以最小化系统总能耗为目标,提出了基于随机模拟的任务卸载和算网资源联合分配多阶段随机规划优化算法(SS-MSSP),采用多阶段随机规划理论制定多阶段策略,并以后验算网资源分配的方式来追索补偿不确定网络环境的影响。仿真结果表明,在不确定的网络环境中,SS-MSSP算法保证了用户的计算时延需求,同时有效降低了系统能耗。     

移动边缘计算中的无人机群协同任务卸载策略研究

针对应急灾害中通信受限的场景,研究了基于移动边缘计算(mobile edge computing, MEC)的无人机群(unmanned aerial vehicles,UAV)协同任务卸载问题。在对系统通信过程和计算过程的延时与能耗分析的基础上,设计联盟效用函数和回报函数,并基于享乐博弈模型提出联盟分割形成算法。理论分析证明,该算法最终收敛于某个稳定的联盟分割。仿真结果表明,相比其他典型策略,提出的策略具有更低延时和能耗,能够提升用户服务体验、增加设备续航时间,解决通信受限问题。     

一种基于进化博弈论的云计算虚拟计算资源配置模型

目前针对云计算的资源配置策略研究多关注于云计算资源提供商状况,研究云计算资源提供商的虚拟资源调度管理策略,可以提高云计算资源的可靠性和资源利用率.本文针对云应用提供商,提出基于进化博弈论的自适应资源配置模型,以性能目标为进化博弈目标,通过该模型得到最优的资源分配策略.对比实验结果显示,本模型能有效减少资源的使用.     

基于混合能量收集的移动边缘计算系统资源分配策略

针对移动终端(mobile terminal,MT)从环境射频源收集能量较少的问题,研究基于混合能量收集的移动边缘计算系统资源分配策略.通过在基站覆盖区域内部署多个磁感应能量快速充电站,当MT从环境射频源收集的能量即将耗尽时,在附近的磁感应能量快速充电站补充能量.MT通过移动边缘计算将计算任务分流到边缘服务器.将资源分...     

一类非线性系统Stackelberg解的求取方法

非线性对策系统的Stackelberg解一般无法求得,特别是当系统约束方程存在振荡或浑沌现象时,更使问题复杂化。本文给出了满意Stackelberg解的一般求取方法。     

基于SWIPT的D2D通信辅助移动边缘计算任务卸载策略

为解决5G移动通信系统中移动用户计算能力不足、能量消耗多、无线资源缺乏等问题,本文构建一种基于无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的多用户设备间(Device to Device, D2D)通信辅助移动边缘计算(Mobile Edge Computation, MEC)系统模型,提出一种D2D-MEC联合卸载策略。该策略以系统中请求用户总能耗最小化为目标,采用二进制卸载模式和功率分流模式对请求用户进行任务卸载和能量收集。针对能耗最小化问题为非线性混合整数规划问题,根据整数变量和实数变量将原问题解耦为功率分配和计算任务卸载两个独立子问题,并分别采用Dinkelbach方法和匈牙利算法求出两个子问题的最优解。仿真实验结果表明,本文所提策略优于传统的D2D卸载策略和MEC卸载策略,有效降低了请求用户的总能耗,提高了任务执行效率。     

基于偏好序的多事故应急资源调配博弈模型

应急资源调配是应急决策和应急响应的重要内容。为解决多个事故的同时存在时应急救援中资源调配问题,设计了一种改进的基于偏好序的效用函数,用以刻画各事故得到救援的及时性和有效性。将多事故资源调配问题描述为完全信息非合作博弈过程,利用G am b it软件,求解该博弈过程的N ash均衡,得到资源分配方案。综合了考虑事故严重程度、响应时间、救援可靠性等多个优化目标和影响因素。结果表明:该方法能合理有效地解决多事故点的应急资源调配问题,为应急辅助决策提供必要的支持。     

基于非完全信息博弈竞标的无线传感器网络资源分配方法

针对无线传感器网络任务调度过程中造成的资源冲突问题,本文将其考虑为节点间的非完全信息博弈竞标过程,在参与竞标的节点进行决策时,引入隐马尔可夫链对其他竞争者的决策进行预测,同时资源分配过程中的多个优化目标,分别由任务和节点进行优化,并提出一种非完全信息博弈竞标算法。最后,在假设节点个人理性的前提条件下,论证了此非完全信息博弈竞标模型满足经济学原理中的激励相容性和最大化系统收益。并从实验仿真证明其有效性。