Joint Association, Trajectory, Offloading, and Resource Optimization in Air and Ground Cooperative MEC Systems
Notice bibliographique
Résumé
The air and ground cooperative mobile edge computing (MEC) network provides a new paradigm for the development of the Internet of Things (IoT), which enhances the coverage of the terrestrial base station (TBS) and deploys computing resources near IoT devices. In this paper, we construct a UAV-assisted MEC system for IoT networks and design a data processing procedure. The UAV collects data from devices as a relay and makes decisions to offload some tasks to the central server connected with the TBS, while the onboard edge server in the UAV can perform local computing. Furthermore, we jointly optimize the device association, UAV's trajectories, task offloading, and resource allocation to reduce the energy consumption of the entire system. To solve this problem, we decompose it into three tractable sub-problems and use the block coordinate descent (BCD) method to iteratively optimize each set of control variables. Among them, device association is formulated as a linear programming problem, while UAV's trajectory optimization is transformed into a convex problem by introducing slack variables and using successive convex approximation (SCA). The offloading and resource assignment problem is proved to be convex via theoretical analysis and problem transformation. In addition, we derive the optimal relationship between computation duration and computing energy, which greatly reduces the complexity of problems. Simulation results show that the designed system and the algorithms can significantly reduce the total energy consumption, and the offloading strategies have a decisive impact on computation 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.
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 | 0,001 |
| 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 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 ».