A Game Theory Based Efficient Computation Offloading in an UAV Network
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
Recently, solutions based on mobile edge computing paradigm have been widely discussed in academia and industry. This paradigm offers solutions to address limitations, in terms of battery lifetime and processing power, of mobile and constrained devices. Despite the ever-increasing capabilities of these devices, resource requirements of applications can often transcend what is available within a single device. Offloading intensive computation tasks to a distant server can help applications reach their desired performances. In this work, we tackle the problem of offloading heavy computation tasks of unmanned aerial vehicles (UAVs) while achieving the best possible tradeoff between energy consumption, time delay, and computation cost. We focus on a scenario of a fleet of small UAVs performing an exploration mission. During their mission, these constrained devices have to carry-out highly intensive computation tasks such as pattern recognition and video preprocessing. We formulate the problem using a non-cooperative theoretical game with N players and three pure strategies. We provide a comprehensive proof for the existence of a Nash equilibrium and implement accordingly a distributed algorithm that converges to such an equilibrium. Extensive simulations are performed in order to provide thorough results and assess the performances of the approach compared to three other models. Results show that our algorithm outperforms all the three approaches. Our approach achieved in average about 19%, 58%, and 55% better results compared to local computing, offloading to the edge server, and offloading to base station, respectively.
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 | 0,001 |
| 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