Joint Resource Allocation, Computation Offloading, and Path Planning for UAV Based Hierarchical Fog-Cloud Mobile Systems
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
In this paper, the computation offloading problem for the hierarchical fog-cloud computing (FCC) system with unmanned aerial vehicles (UAVs) is studied. The hierarchical FCC, which exploits both centralized and distributed computing architectures, is very promising to support computation offloading in emerging computation-demanding mobile applications. In our design, UAVs integrating computing platforms act as small distributed clouds while the macro base station (BS) integrates a more powerful central cloud server. Furthermore, the multiple input multiple output (MIMO) technology is employed for data communication. We assume that mobile users (UEs) and (UAVs) can change their locations over time and we consider the joint task offloading, user-cloud/cloudlet association, transmit power allocation, and path planning to minimize the total weighted consumed power of the system. To tackle the underlying non-convex mixed integer non-linear program (MINLP), we propose an iterative two-phase algorithm. Specifically, we iteratively solve the user-cloud/cloudlet association problem in the first phase and address the joint resource allocation, path planning problem in the second phase. Furthermore, we employ the difference of convex (DC) optimization method in the second phase to approximate the non-convex bilinear functions and propose to transform the non-convex INLP to the integer linear program (ILP) in the first phase. Numerical studies confirm that the proposed design for the FCC architecture achieves great performance benefits for executing mobile computation tasks.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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