Graph-Represented Computation-Intensive Task Scheduling Over Air-Ground Integrated Vehicular Networks
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
This article investigates vehicular cloud (VC)-assisted task scheduling in an air-ground integrated vehicular network (AGVN), where tasks carried by unmanned aerial vehicles (UAVs) and resources of VCs are both modeled as graph structures. We consider a scenario in which resource-limited UAVs carry a set of computation-intensive graph tasks, which are offloaded to resource-abundant vehicles for processing. We formulate an optimization problem to jointly optimize the mapping between task components and vehicles, and transmission powers of UAVs, while addressing the trade-off between i) completion time of tasks, ii) energy consumption of UAVs, and iii) data exchange cost among vehicles. We show that this problem is a mixed-integer non-linear programming, and thus NP-hard. We subsequently reveal that satisfying constraints related to graph task structure requires addressing the non-trivial subgraph isomorphism problem over a dynamic vehicular topology. Accordingly, we propose a decoupling approach by segregating template searching from transmission power allocation, where a <i>template</i> denotes a mapping between task components and vehicles. For template search, we introduce a low-complexity algorithm for isomorphic subgraphs extraction. For power allocation, we develop an algorithm using <inline-formula><tex-math notation="LaTeX">$p$</tex-math></inline-formula> -norm and convex optimization techniques. Extensive simulations demonstrate that our approach outperforms baseline methods in various network settings.
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 | 0,002 |
| 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 découle