Task Offloading and Resource Allocation in UAV-Assisted Vehicle Platoon System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vehicle platooning is a key application in the realm of smart connected vehicles and autonomous driving technologies, holding significant potential to enhance road utilization and save energy consumption. Simultaneously, within intelligent transportation systems, the limited computing resources of vehicle users themselves fail to meet the computational demands of various new applications. Therefore, addressing the ever-increasing computational demands of vehicles is an urgent problem that needs resolution. Unmanned Aerial Vehicle (UAV) equipped with edge computing servers leverage their advantages of flexible deployment and high maneuverability to promptly alleviate issues such as high latency and narrow bandwidth associated with processing remote data in cloud computing. This paper focuses on the scenario of UAV-assisted vehicle platooning, conducting research on task offloading and resource allocation mechanisms within UAV-assisted vehicle platooning systems. We construct a joint optimization problem for decision-making on task offloading, transmission power allocation, and CPU computing frequency allocation in UAV-assisted vehicle platooning systems. The objective is to minimize system energy consumption while ensuring the stability of the task computation queue. Since the formulated joint optimization problem is a mixed-integer nonlinear programming problem, we decompose it into two sub-problems and simultaneously transform them into Markov decision processes. Subsequently, we proposed a continuous optimization algorithm based on Block Coordinate Descent (BCD) and deep deterministic policy gradient(DDPG). Simulation results validate the effectiveness of this method, demonstrating comparatively low energy consumption under different network environments and parameter settings.
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.
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 | 0,000 |
| 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 découle