Cooperative MEC-Enabled HAPS and UAV-RIS Assisted Task Offloading in ITS Systems
Notice bibliographique
Résumé
Non-Terrestrial Networks (NTNs), comprising Unmanned Aerial Vehicles (UAVs) and High Altitude Platform Stations (HAPS) equipped with Mobile Edge Computing (MEC), offer promising solutions for network traffic and tasks offloading from ground users. To enhance the reliability and energy efficiency of such systems, Reconfigurable Intelligent Surfaces (RIS) can be deployed to control wireless signal propagation. In this context, we propose in this paper a novel MEC-enabled framework with HAPS and RIS-equipped UAVs (UAV-RISs) to optimize task offloading from ground users. Our objective is to minimize the tasks' average end-to-end (E2E) delay, under constraints of UAV and HAPS power capacity and E2E service delay threshold, through the optimization of task assignment and UAV-RIS phase-shift configuration. Given the NP-hardness of the problem, we decompose it into two subproblems. The first consists of optimizing the RIS phase shifts to minimize the RIS-assisted communication delay. The second tackles the task assignment problem using a Particle Swarm Optimization (PSO)-based approach, considering the RIS phase shifting solution previously developed. Through simulations, we validate the efficacy of our approach, which outperforms other benchmarks in terms of task average E2E delay and task offloading success rate.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».