Joint task offloading and resource allocation in mobile edge computing with energy harvesting
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
Abstract Mobile edge computing (MEC) is considered to be a promising technique to enhance the computation capability and reduce the energy consumption of smart mobile devices (SMDs) in the sixth-generation (6G) networks. With the huge increase of SMDs, many applications of SMDs can be interrupted due to the limited energy supply. Combining MEC and energy harvesting (EH) can help solve this issue, where computation-intensive tasks can be offloaded to edge servers and the SMDs can also be charged during the offloading. In this work, we aim to minimize the total energy consumption subject to the service latency requirement by jointly optimizing the task offloading ratio and resource allocation (including time switching (TS) factor, uplink transmission power of SMDs, downlink transmission power of eNodeB, computation resources of SMDs and MEC server). Compared with the previous studies, the task uplink transmission time, MEC computation time and the computation results downloading time are all considered in this problem. Since the problem is non-convex, we first reformulate it, and then decompose it into two subproblems, i.e., joint uplink and downlink transmission time optimization subproblem (JUDTT-OP) and joint task offloading ratio and TS factor optimization subproblem (JTORTSF-OP). By solving the two subproblems, a joint task offloading and resource allocation with EH (JTORAEH) algorithm is proposed to solve the considered problem. Simulation results show that compared with other benchmark methods, the proposed JTORAEH algorithm can achieve a better performance in terms of the total energy consumption.
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 | 0,001 | 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 | 0,001 | 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