Resource Scheduling and Delay Optimization of IoT Devices in Drone-Assisted Multiaccess Edge Computing
Notice bibliographique
Résumé
Multiaccess edge computing (MEC) plays a crucial role in providing low-latency and high-data transmission services to Internet of Things (IoT) devices. However, in remote areas where deploying edge devices is challenging, optimizing delay remains a significant research focus. To address this issue, our research investigates a multidrones-assisted IoT task offloading model. In this model, tasks generated by IoT devices equipped with energy harvesting (EH) capabilities are offloaded to MEC servers with the assistance of multiple drones. In order to monitor and manage the energy consumption of IoT devices and the task backlog of edge servers, the energy consumption and task update queues are established. We formulate a mixed integer nonlinear programming (MINLP) problem, which aims to optimize the allocation of communication and computation resources to minimize the execution latency of IoT devices. To ensure the stability of each queue, we employ the weighted perturbation method within the Lyapunov optimization framework to decompose the original problem. And a low complexity multidrones assisted offloading (MUAO) algorithm is designed. Simulation results show that MUAO consistently exhibits lower latency and energy consumption compared to the baseline scheme and other existing algorithms, while maintaining a low packet loss rate of only 5%.
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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».