Hybrid NOMA-OMA Transmission Scheduling for Production Efficiency Maximization in Industrial Edge Computing Networks
Notice bibliographique
Résumé
We consider a mobile edge computing (MEC) assisted Industrial Internet of Things (IIoT) network, where multiple assembly processing lines in a smart factory are equipped with sensing devices. They sense raw products, generate and offload computing tasks, and finally process the raw products based on the computing results. In this scenario, different positions of the processing machines lead to different priorities and diverse Quality-of-Service (QoS) requirements of tasks. Therefore, how to schedule tasks and allocate the network resources becomes a critical and challenging issue. In this study, we introduce a novel batch-based hybrid nonorthogonal multiple access (NOMA)/orthogonal multiple access (OMA) transmission scheme. The selection between NOMA and OMA schemes is optimized based on the QoS requirements of tasks. Then, we formulate a production efficiency maximization problem with the objective of maximizing the speed of the assembly lines subject to the deadline constraints of offloading and computing procedures. To this end, a two-layer decomposition method is used to decompose the formulated problem into two subproblems. Furthermore, we utilize a bisection searching method to approximate the optimal solution, and propose an efficient method to determine the feasibility of the top-layer subproblem. Simulation results demonstrate the significant performance improvement of our proposed method. In specific, the production efficiency is enhanced by 525% in comparison with pure NOMA scheme.
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 | 0,002 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».