Two-Stage Offloading for an Enhancing Distributed Vehicular Edge Computing and Networks: Model and Algorithm
Notice bibliographique
Résumé
Vehicular Edge Computing and Networks (VECoNs) have gained popularity for its enhanced Internet of Vehicles (IoV) capabilities. To satisfy the needs of delay-sensitive and computation-intensive in-vehicle applications, VECoNs need to provide low-latency task offloading services. However, existing offloading frameworks generally overlook the spatially and temporally heterogeneous computation task arrival patterns. The former causes overloading and underloading of RSU computational resources and thus hinders further reduction of offloading latency on the macro-scale, while the latter emphasizes the importance of long-term system performance, especially energy constraints, posing challenges to the design of offloading framework and optimization strategies. This paper introduces a novel distributed two-stage task offloading architecture based on Lyapunov and multi-agent deep deterministic policy gradient (MADDPG). On one hand, it jointly optimizes the initial offloading stage within VEC subsystems and the RSU peer offloading stage to minimize offloading delays for each VEC subsystem. On the other hand, it incorporates RSU energy consumption within long-term constraints to formulate the offloading optimization problem. After decoupling the energy coupling between RSU time slots using the Lyapunov algorithm, a Lyapunov and MADDPG-based distributed task offloading (LAMETO) algorithm is presented to solve the optimal problem in a distributed manner. Simulation results show that the proposed framework and algorithm can reduce the system delay, energy consumption, and energy deficit while stabilizing convergence.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».