ERAP Optimization via Enhanced Constraints and Boundary Detection in GMRA
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
Edge computing allows edge devices to offload computational tasks to edge servers, utilizing various hardware resources for efficient computation. Unlike cloud facilities, edge servers have limited resources. A long-term challenge is to quickly evaluate all the edge server resources and select the suitable server for the task, with high requirements for both processing time and allocation effect. The Edge Resource Allocation Problem (ERAP) represents a typical agent evaluation in collaborative work and falls within the realm of the Group Multi-Role Assignment (GMRA) problem. Based on the GMRA model, we formalize the ERAP as an optimization problem with an improved Edge- GMRA model. Additionally, we investigate the feasibility of an enhanced constraint scheme in the improved model. By boundary detection scheme, we implement quickly eliminated the infeasible solutions within the search range for ERAP. Experimental results demonstrate that the enhanced constraint scheme improves the allocation of high-priority tasks with superior acceleration as the number of agents increases, and the boundary detection scheme performs effectively in scenarios with insufficient server resources. The combination of these two schemes significantly accelerates the solution process, achieving an acceleration ratio exceeding 50%. The proposed dynamic adaptation mechanism with asynchronous agent monitoring and sliding-window threshold adjustment maintains the stability of the system under fluctuation of 15% resources, while our task-type recognition system demonstrates 92. 4% classification accuracy in six workload categories. Extensive evaluation shows the framework sustains sub-100ms decision latency during 80% resource contention scenarios, achieving 23% higher throughput than conventional methods while reducing service-level agreement violations by 41% in dynamic edge environments.
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 | 0,000 | 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