Energy-Efficient Mobile-Edge Computation Offloading for Applications with Shared Data
移动边缘计算卸载（MECO）已经被认为是通过将计算任务卸载到蜂窝网络（也称为{ \em cloudlet}）的边缘来减轻资源有限的物联网（IoT）设备的负担的有前景的解决方案。具体地，诸如虚拟现实（VR）和增强现实（AR）的延迟关键应用具有固有的协作属性，因为输入/输出数据的一部分由邻近的不同用户共享。在本文中，我们考虑一个多用户雾计算系统，其中多个单天线移动用户运行的应用程序具有共享数据可以选择（部分）卸载他们的个人任务到附近的单天线云远程执行和执行纯本地计算。将移动用户的能量最小化问题转化为一个凸问题，该问题受到总计算延迟约束、单个数据下载的总能量约束和本地计算的计算频率约束，可以应用经典的拉格朗日对偶来寻找最优解。基于半封闭形式的解决方案，共享数据证明了只有一个移动用户，而不是多个移动用户发送。此外，与不考虑共享数据属性或移动用户本地计算能力的基准算法相比，本文提出的联合计算卸载和通信资源分配算法具有显著的节能效果。
2018-09-04 cs.IT math.IT
Resource Allocation and Computation Offloading in a Millimeter-Wave Train-Ground Network
在本文中，我们考虑在高速铁路（HSR）的情况下，其中用户的计算任务可以部分卸载到铁路侧基站（BS）或移动中继（MR）部署在训练的顶部的基于毫米波的列车通信系统。MR在全双工（FD）模式下操作以实现高频谱利用率。我们制定的问题，最大限度地减少所有用户的平均任务执行延迟，在本地设备和MR的能源消耗的限制。我们提出了一个联合的资源分配和计算卸载方案（JRACO）来解决这个问题。它由一个资源分配和计算卸载（RACO）算法和MR能量约束算法。RACO利用匹配博弈理论在两个子问题之间进行博弈，即，数据分段和用户关联以及子信道分配。利用RACO结果，MR能量约束算法确保满足MR能量消耗约束。大量的仿真验证了JRACO可以有效地减少平均延迟和增加服务的用户数相比，三个基线方案。
2022-06-21 cs.IT math.IT
Joint Device Association, Resource Allocation and Computation Offloading in Ultra-Dense Multi-Device and Multi-Task IoT Networks
随着物联网（IoT）移动设备（IMD）的应用越来越多，移动能源需求与有限电池容量之间的矛盾日益突出。此外，在超密集物联网网络中，超密集部署的小型基站（SBS）将消耗大量能量。为了降低全网能耗，延长IMD和SBS的待机时间，在均衡计算资源分配和设备延迟约束下，联合执行设备关联、计算卸载和资源分配，以最小化超密集多设备多任务物联网网络的全网能耗。为了进一步平衡网络负载，充分利用计算资源，我们考虑了多步计算卸载。考虑到最后制定的问题是在一个非线性和混合整数的形式，我们利用分层自适应搜索（HAS）算法找到它的解决方案。然后，我们给出了这种算法的收敛性，计算复杂度和并行实现分析。通过与其他算法的比较，我们可以很容易地发现，这样的算法可以大大减少整个网络的能量消耗的设备的延迟约束。
2021-12-11 cs.IT math.IT
Dynamic Computation Offloading for Mobile-Edge Computing with Energy Harvesting Devices
移动边缘计算（MEC）是一种新兴的范式，以满足不断增长的计算需求的移动应用。通过将计算密集型工作负载卸载到MEC服务器，计算体验的质量，例如，执行延迟可以大大改善。然而，由于设备上的电池容量有限，当电池能量耗尽时，计算将中断。为了提供令人满意的计算性能以及实现绿色计算，通过能量收集（EH）技术寻求可再生能源来为移动设备供电具有重要意义。在本文中，我们将研究一个绿色MEC系统与EH设备和开发一个有效的计算卸载策略。执行成本，它解决了执行延迟和任务失败，采用作为性能指标。提出了一种低复杂度的在线算法，即基于李雅普诺夫优化的动态计算卸载（LODCO）算法，该算法联合决定卸载决策、移动执行的CPU周期频率和计算卸载的发射功率。该算法的一个独特的优点是，决策只依赖于瞬时边信息，而不需要计算任务请求，无线信道和EH过程的分布信息。该算法的实现只需要在每个时隙内求解一个确定性问题，其最优解既可以以封闭形式求得，也可以通过对分搜索求得。此外，通过严格的分析表明，该算法是渐近最优的。最后通过实例仿真验证了理论分析的正确性和算法的有效性。
2016-05-18 cs.IT math.IT
A Novel Cross Entropy Approach for Offloading Learning in Mobile Edge Computing
在本文中，我们提出了一种新的卸载学习方法，以折衷具有移动边缘计算的多层网络中的能耗和延迟。为了解决这个整数规划问题，而不是使用传统的优化工具，我们采用交叉熵的方法与精英解决方案样本的概率迭代学习。与现有的方法相比，在这个网络中提出的一个允许并行计算架构，并被验证是计算上非常有效的。具体而言，它实现了接近最优的性能，并在所提出的学习方法中选择不同的超参数值时表现良好。
2019-12-09 cs.IT math.IT
Resource Allocation for XR with Edge Offloading: A Reinforcement Learning Approach
本文提出一种基于强化学习的XR资源分配框架，动态分配上下行时隙并决策边缘卸载，通过部分卸载使覆盖范围扩展55%、能耗降低34%。
2025-10-26 cs.IT math.IT
Multiuser Computation Offloading and Downloading for Edge Computing with Virtualization
移动边缘计算（MEC）是一种新兴技术，用于通过将复杂的计算任务卸载到附近的服务器来增强移动设备的计算能力并降低其能耗。服务器上的多用户MEC通过基于虚拟化的并行计算被广泛实现。由于虚拟机共享的I/O资源有限，虚拟机之间的干扰（称为I/O干扰）会降低计算性能。在本文中，我们研究的问题，联合无线电和计算资源分配（RCRA）的多用户MEC系统中存在的I/O干扰。具体而言，卸载调度算法的设计目标是两个系统性能指标：卸载吞吐量最大化和移动能量消耗最小化。他们的设计被公式化为非凸混合整数规划问题，该问题考虑了由于卸载、结果下载和并行计算而引起的延迟。一组低复杂度的算法设计的基础上的分解方法，并利用经典技术的组合优化。由此产生的算法联合调度卸载用户，控制他们的卸载大小，并划分时间的通信（卸载和下载）和计算。它们要么是最优的，要么可以达到接近最优的模拟。综合仿真结果表明，考虑I/O干扰可以赋予对性能下降因素的卸载控制器的鲁棒性。
2018-11-19 cs.IT math.IT
Task-Oriented Computation Offloading for Edge Inference: An Integrated Bayesian Optimization and Deep Reinforcement Learning Framework
The State Key Laboratory of Radio Frequency Heterogeneous Integration (Shenzhen University)（射频异质集成国家重点实验室（深圳大学））；College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）；Department of Information Engineering, The Chinese University of Hong Kong（香港中文大学信息工程系）
本文提出LAB框架，结合深度强化学习和贝叶斯优化，解决边缘设备计算卸载中的准确性与延迟权衡问题。
2026-02-23 cs.IT math.IT
Joint Task Offloading Scheduling and Transmit Power Allocation for Mobile-Edge Computing Systems
移动边缘计算（MEC）通过将计算密集型任务从移动设备迁移到附近的MEC服务器来提供具有高计算要求的移动服务，已经成为一种突出的技术。为了降低执行延迟和设备能耗，本文针对多任务MEC系统，联合优化任务卸载调度和发射功率分配。提出了一种基于交替最小化的低复杂度次优算法，以最小化执行延迟和设备能耗的加权和。具体地，给定发射功率分配，最优任务卸载调度，即，确定卸货顺序的方法。此外，最佳的发射功率分配与给定的任务卸载调度决策将使用凸优化技术确定。仿真结果表明，当MEC系统中可用的无线电和计算资源相对平衡时，任务卸载调度更为关键。此外，它表明，该算法实现了近最佳的执行延迟，以及大量的设备节能。
2017-01-18 cs.IT math.IT
Multiuser Resource Allocation for Mobile-Edge Computation Offloading
移动边缘计算卸载（MECO）将密集的移动计算卸载到位于蜂窝网络边缘的云。因此，MECO被设想为延长电池寿命和增强移动设备的计算能力的有前途的技术。在本文中，我们考虑资源分配的MECO系统，包括多个用户的时间共享一个单一的边缘云，并有不同的计算负载。最优资源分配被公式化为凸优化问题，用于在计算延迟的约束下最小化加权和移动能量消耗，并且用于无限和有限边缘云计算能力的情况。最优策略被证明有一个基于阈值的结构相对于导出的卸载优先级函数，它产生的优先级用户根据他们的信道增益和本地计算能耗。因此，具有高于和低于给定阈值的优先级的用户分别执行完全卸载和最小卸载。计算阈值需要迭代计算。为了降低复杂度，提出了一种次优的资源分配算法，并通过仿真表明，具有接近最优的性能。
2016-04-09 cs.IT math.IT
Energy-Constrained Computation Offloading in Space-Air-Ground Integrated Networks using Distributionally Robust Optimization
随着大规模设备接入互联网的快速发展，特别是对于没有蜂窝网络基础设施的偏远地区，出现了空间-空间-地面综合网络（SAGIN），并卸载了计算密集型任务。在本文中，我们考虑了SAGIN，其中包括多个低地球轨道（LEO）卫星，提供与云服务器的连接，无人机（UAV）和附近的基站（BS），提供边缘计算服务。无人机沿固定轨迹飞行，收集物联网设备生成的任务，并将这些任务转发给基站或云服务器进行进一步处理。为了促进有效的处理，UAV需要决定在哪里卸载以及卸载任务的比例。但在实际应用中，由于环境和实际需求的多变性，到达任务的数量是不确定的。如果使用确定性优化来开发卸载策略，可能会产生不必要的系统开销或较高的任务丢弃率，这严重损害了系统的鲁棒性。为了解决这个问题，我们用数据驱动的方法来描述不确定性，并制定一个分布式鲁棒优化问题，以最大限度地减少预期的能量约束下的系统延迟的最坏情况下的概率分布。此外，分布式鲁棒的延迟优化算法，提出了达到次优解。最后，我们在真实数据集上进行了仿真，并与其他基准方案进行了比较，以验证我们提出的算法的效率和鲁棒性。
2022-06-06 cs.IT math.IT
Joint Mobility Control and MEC Offloading for Hybrid Satellite-Terrestrial-Network-Enabled Robots
受益于通信和智能技术的融合，网络机器人已经成为支持未来机器辅助和无人驾驶应用的重要工具。为了在广阔的区域内为机器人提供高质量的服务，星地混合网络是一项关键技术。通过混合网络，计算密集型和延迟敏感型任务可以卸载到移动边缘计算（MEC）服务器。然而，由于移动机器人的移动性和不可靠的无线网络环境，过多的本地计算和频繁的服务迁移可能会显着增加服务延迟。为了解决这个问题，本文的目的是最大限度地减少平均任务完成时间MEC为基础的卸载启动的卫星地面网络使能的机器人。与传统的移动感知方案不同，该方案通过联合考虑机器人的移动控制来做出卸载决策。提出了一个任务卸载和速度控制的联合优化问题。利用李亚普诺夫优化方法，将原优化问题分解为速度控制子问题和任务卸载子问题。然后，基于马尔可夫决策过程（MDP），提出了一种双智能体强化学习（RL）算法。对改进RL算法的收敛性和复杂度进行了理论分析，仿真结果表明，该方案能有效降低卸载延迟。
2023-03-29 cs.IT math.IT
Uplink Resource Allocation for Multiple Access Computational Offloading (Extended Version)
移动边缘计算框架提供了减少设备必须花费以完成计算任务的能量的机会。能量减少的程度取决于任务的性质和多址接入方案的选择。在本文中，我们首先解决的上行链路通信资源分配卸载系统，充分利用多址信道（FullMA）的能力。对于不可分割的任务，我们提供了一个封闭形式的最优解的能量最小化问题时，一组给定的用户具有不同的延迟约束卸载，和一个量身定制的贪婪搜索算法找到一个很好的卸载用户。对于可分割的任务，我们开发了一个低复杂度的算法来找到一个固定的解决方案。为了突出的多址接入方案的选择的影响，我们也考虑TDMA方案，在一般情况下，不能利用信道的全部能力，我们开发低复杂度的最佳资源分配算法不可分割和可分割的任务下，该计划。我们的数值实验说明了FullMA促进的能量减少。此外，这些结果表明，所提出的算法优于现有的算法在能源消耗和计算成本。
2019-04-29 cs.IT math.IT
Computation Offloading for Edge Computing in RIS-Assisted Symbiotic Radio Systems
本文研究RIS辅助共生无线电系统中感知与计算卸载的联合优化问题，通过交替优化算法最大化总完成感知比特数，并验证了RIS对系统性能的显著提升作用。
2023-05-29 cs.IT eess.SP math.IT
Rate Splitting Multiple Access Aided Mobile Edge Computing in Cognitive Radio Networks
在本文中，我们研究了速率分裂多址接入（RSMA）辅助移动边缘计算（MEC）在认知无线电网络。我们提出了一个RSMA计划，使次要用户卸载任务的MEC服务器利用动态速率分裂，而不会恶化的主要用户的卸载。推导出了最优速率分裂参数的表达式，该参数使次用户的可达速率和所提出的RSMA方案的成功计算概率最大化。通过联合优化任务卸载率和任务卸载时间来最大化成功计算概率，得到了最优解的封闭形式。仿真结果表明，所提出的RSMA方案实现了更高的成功计算概率比现有的非正交多址接入方案。
2022-04-13 cs.IT eess.SP math.IT
Joint Scheduling and Power Allocations for Traffic Offloading via Dual-Connectivity
随着移动业务需求的快速增长，缓解蜂窝网络拥塞的一种有前途的方法是将用户的业务卸载到小小区网络。在本文中，我们研究了如何移动用户（MU）可以有效地卸载流量，利用双连接的能力，使MU同时与宏基站（BS）和小小区接入点（AP）通过两个无线电接口进行通信。将业务卸载到AP通常降低MU的移动数据成本，但通常以遭受来自同一AP处的其他MU的增加的干扰为代价。因此，我们制定了一个优化问题，共同确定每个MU的业务调度（BS和AP之间）和功率控制（两个无线电接口之间）。系统的目标是最小化所有MU的总成本，同时通过适当的干扰控制满足每个MU的发射功率约束。尽管问题的非凸性，我们设计了一个集中式算法和分布式算法来解决联合优化问题。数值计算结果表明，与商用优化软件LINGO相比，该算法能获得接近最优的结果，但计算复杂性明显降低.结果还表明，所提出的自适应卸载可以显著降低MU的成本，即，在不卸载流量的情况下节省75%以上的成本，在固定卸载的情况下节省65%以上的成本。
2015-09-30 cs.IT cs.NI math.IT
Multi-user Co-inference with Batch Processing Capable Edge Server
Tsinghua University（清华大学）；Hitachi (China) Research & Development Cooperation（日立（中国）研发有限公司）
图形处理单元（GPU）可以通过批处理提高深度神经网络推理吞吐量，其中多个任务被并发处理。我们专注于新的场景，能源受限的移动设备卸载推理任务的边缘服务器与GPU。将推理任务划分为多个子任务，以实现更细粒度的卸载和调度，并研究了推理延迟约束下的用户能耗最小化问题.为了处理并发批处理引入的耦合卸载和调度，我们首先考虑具有恒定边缘推理延迟和相同延迟约束的离线问题。证明了独立优化每个用户的卸载策略和将所有相同的子任务聚合在一批中是最优的，从而启发了独立划分和相同子任务聚合（IP-SSA）算法。此外，最优分组（OG）算法提出了最优分组任务时的延迟约束是不同的。最后，当未来的任务到达无法精确预测，一个深度确定性策略梯度（DDPG）代理被训练调用OG。实验结果表明，在离线环境下，IP-SSA协议最多可降低94.9%的用户能耗，而在在线环境下，DDPG-OG协议的能耗最多可降低8.92%.
2022-06-03 cs.DC cs.IT cs.LG
Double-Edge-Assisted Computation Offloading and Resource Allocation for Space-Air-Marine Integrated Networks
Information Science and Technology College, Dalian Maritime University（大连海事大学信息科学技术学院）；Dalian Neusoft University of Information（大连东软信息学院）
本文提出一种双边辅助计算卸载与资源分配方案，用于空天海一体化网络中的能量高效计算任务处理。
2025-12-03 cs.DC cs.IT math.IT
