Cooperative Task Scheduling for Computation Offloading in Vehicular Cloud
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Technological evolutions in the automobile industry, especially the development of connected and autonomous vehicles, have granted vehicles more computing, storage, and sensing resources. The necessity of efficient utilization of these resources leads to the vision of vehicular cloud computing (VCC), which can offload the computing tasks from the edge or remote cloud to enhance the overall efficiency. In this paper, we study the problem of computation offloading through the vehicular cloud (VC), where computing missions from edge cloud can be offloaded and executed cooperatively by vehicles in VC. Specifically, computing missions are further divided into computing tasks with interdependency and executed in different vehicles in the VC to minimize the overall response time. To characterize the instability of computing resources resulting from the high vehicular mobility, a mobility model focusing on vehicular dwell time is utilized. Considering the heterogeneity of vehicular computing capabilities and the interdependency of computing tasks, we formulate an optimization problem for task scheduling, which is NP-hard. For low complexity, a modified genetic algorithm based scheduling scheme is designed where integer coding is used rather than binary coding, and relatives are defined and employed to avoid infeasible solutions. In addition, a task load based stability analysis of the VCC system is presented for the cases where some vehicles within the VC are offline. Numerical results demonstrate that the proposed scheme can significantly improve the utilization of computing resources while guaranteeing low latency and system stability.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle