Electric Vehicle Cluster Assisted Multi-Tier Vehicular Edge Computing System: Cross-System Framework Design and Optimization
Notice bibliographique
Résumé
Cooperative vehicle infrastructure is critical for facilitating multi-tier vehicular edge computing (VEC) systems to collaboratively process latency-sensitive intelligent tasks. However, the dynamic topology and the scarcity of available computing resources on real traffic roads pose significant challenges. While previous works have explored using public transit and parked vehicles as cooperative vehicles, they often overlook the incentive mechanisms and the specific tasks of these vehicles, rendering these solutions impractical. Motivated by the achievements in smart electric vehicles (EVs), this paper presents an electric vehicle cluster (EVC) assisted multi-tier VEC system that leverages the capabilities of the vehicle-to-grid (V2G) technology to provide stable computing resources to traffic areas. The proposed EVC-assisted multi-tier VEC system employs a cross-system two-level optimization method that jointly considers offloading and resource allocation decisions for road task vehicles (RTVs) in the VEC system and charging power decisions for the EVs in the EVC. At the lower level, we minimize the task latency for RTVs by utilizing the computing resources of idle EVs. At the upper level, we build a multi-agent two-step game model and introduce a potential game-based strategy and a Nash equilibrium (NE) based EV-RSU mapping method to derive the optimal decision strategy for the EVC. Extensive simulation results demonstrate the efficient reduction in total-task latency of RTVs and lower cost for the EVC while meeting the essential requirements in the V2G.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».