Long-Term Energy Consumption Minimization in NOMA-Enabled Vehicular Edge Computing Networks
Notice bibliographique
Résumé
Mobile Edge Computing (MEC) has envisioned to be a promising technology to provide more efficient services for computation-intensive but delay-sensitive onboard mobile services. In this paper, the Non-Orthogonal Multiple Access (NOMA) technology is applied in a vehicular edge computing network, in which vehicular users (VUs) can offload partial computation tasks to MEC servers over wireless channels for remote execution. In this network, an optimization problem for the long-term energy consumption of the system is presented and aims to minimize it by jointly optimizing the Successive Interference Cancellation (SIC) ordering of NOMA, the VUs’ transmit power for computation offloading, and computation resource allocation of the MEC server. To deal with the intractable long-term optimization problem, we first transform it into an equivalent instantaneous form based on the Lyapunov optimization theory. Since the transformed problem is still highly non-convex, we further decompose it into the interactive resource allocation and SIC ordering sub-problems. For the resource allocation sub-problem, we exploit its convexity through the transformation and reparameterization, and derive the optimal solution in accordance with the Karush-Kuhn-Tucker (KKT) conditions and the gradient descent algorithm. After that, we propose a low-complexity algorithm by leveraging the Tabu search to obtain the sub-optimal SIC ordering. Simulation results validate the effectiveness of the proposed algorithm and the superiority of NOMA compared to Frequency Division Multiple Access (FDMA).
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 | 0,001 |
| 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 ».