Robust priority aware multi-criterion offloading in digital twin UAVs networks
Notice bibliographique
Résumé
Unmanned Aerial Vehicles (UAVs) play a critical role in replenishing the energy of power-constrained Internet of Things (IoT) devices, particularly in public safety operations, thereby maintaining continuous system functionality. Integrating Mobile Edge Computing (MEC) into UAV platforms enables offloading computational tasks to aerial nodes, optimizing resource utilization. Efficient orchestration of communication, computation, caching, and energy resources is imperative to maximize the benefits of UAV-assisted MEC networks. Additionally, ensuring high situational awareness is essential for supporting priority-based latency-sensitive applications. Digital twin technology can be instrumental in minimizing latency by generating a real-time digital representation of the physical infrastructure, enabling enhanced system monitoring and optimization. Accordingly, we have formulated an optimization problem to maximize the number of IoT devices UAVs can support while adhering to pefined constraints. The formulated problem is a mixed integer non-linear programming model. Additionally, the dynamic management of tasks with varying priorities and computational demands introduces a significant resource allocation and scheduling challenge. Our proposed approach entails an efficient task offloading and priority-based scheduling strategy that prioritizes tasks, allocating computational resources to those with higher priority. The approach encompasses a multi-stage offloading strategy combining an interior-point method with a learning algorithm to address the inherent complexity and provide a viable solution. Simulation results validate the effectiveness of the proposed approach, outperforming conventional methods. Specifically, the Penalty Function Method Heuristic combined with the Interior Point Method achieves superior user connectivity compared to the Simple Relaxation Heuristic strategy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».