Energy-Efficient Scheduling in Green Vehicular Infrastructure With Multiple Roadside Units
Notice bibliographique
Résumé
In this paper, we propose low-complexity algorithms for downlink traffic scheduling in green vehicular roadside infrastructure. In multiple roadside unit (RSU) deployments, the energy provisioning of the RSUs may differ, and it is therefore desirable to balance RSU usage from a normalized min-max energy viewpoint. This paper considers both splittable RSU assignment (SRA) and unsplittable RSU asssignment (URA) scheduling. An offline integer linear programming bound is first derived for normalized min-max RSU energy usage. We then show that in the SRA case, there is a polynomial complexity 2-approximation bound for the normalized min-max energy schedule. This paper then proposes several online scheduling algorithms. The first is a greedy online algorithm that makes simple RSU selections, followed by minimum-energy time slot assignments. A normalized min-max algorithm is then proposed [2-approximation online algorithm (TOAA)], which is an online version of the 2-approximation bound. Two algorithms are then introduced based on a potential function scheduling approach. The 1-objective algorithm uses an objective based on normalized min-max energy, and we show that it has an upper bounded worst-case competitive ratio performance. The 2-objective algorithm uses the same approach but incorporates a total-energy secondary objective as well. Results from a variety of experiments show that the proposed scheduling algorithms perform well. In particular, we find that in the SRA case, the TOAA algorithm performs very close to the lower bound but at the expense of having to reassign time slots whenever a new vehicle arrives. In the URA case, our low-complexity 1-objective algorithm performs better than the others over a wide range of traffic conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».