Computation Resource Optimization for Large-Scale Intelligent Urban Rail Transit: A Mean-Field Game Approach
Notice bibliographique
Résumé
Offloading tasks in smart devices (SDs) to an edge intelligence-empowered service centre (EISC) is a promising solution to support burgeoning intelligent applications in large-scale intelligent urban rail transits (URTs). However, dynamic computation resource allocation is still a crucial challenge, facing that various large-scale SDs share the EISC computation resources and the reality that the allocated computation resource for an SD is coupled with the offloading rate of all SDs. This paper proposes a joint dynamic offloading rate control and computation resource optimization method for large-scale intelligent URTs. Firstly, we model the large-scale multi-agent computation resource competition problem by a multi-player differential game (MPDG) and prove that the Nash equilibrium (NE) based optimal solution exists for each SDs. Then, we transform the MPDG model into a mean-field game (MFG). By introducing the mean-field into the game, we can solve the multi-agent optimization problem with a single-agent optimization method. We illustrate the rationality of the MFG model and propose an iterative solution method based on the finite difference method to derive the solution. Finally, we propose a z-transforming-based control method to dynamically reschedule computation resources among intelligent applications to achieve a satisfactory quality of service (QoS). Extensive simulation results show that our proposed scheme can significantly improve the performance of intelligent URTs.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 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 ».