Reliability-Optimal UAV-Assisted Mobile Edge Computing: Joint Resource Allocation, Data Transmission Scheduling and Motion Control
Notice bibliographique
Résumé
Uncrewed aerial vehicles (UAVs) play a crucial role in mobile edge computing (MEC) within space-air-ground integrated networks. They serve as aerial cloudlets, enabling task processing in close proximity to ground users. While numerous joint trajectory design and resource allocation schemes aim to enhance energy efficiency or computation rate, few focus on improving system reliability, which is often challenged by stochastic channels and node mobility. This paper presents a stochastic modeling perspective to derive a system reliability expression. Our reliability formulation incorporates the impacts of stochastic Line-of-Sight (LoS) and Non-Line-of-Sight (NLoS) air-to-ground communication channels, application data load, available bandwidth, offloading time, and transmission power. This comprehensive approach leads to a reliability-oriented joint optimization model that considers not only resource allocation and user data transmission scheduling but also the motion of UAVs. To solve this problem, we propose a low-complexity algorithm. By utilizing augmented Lagrangian multipliers, the algorithm transforms nonlinear constraints into a tractable formulation, enabling the utilization of legacy unconstrained optimization techniques. We provide a proof of convergence for this algorithm. Through simulations, we demonstrate that our proposed method guarantees convergence within finite iterations and improves the average communication reliability in comparison with several other joint optimization schemes.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».