边缘智能中的用户任务卸载与资源分配研究

发布时间：2021-04-25 14:20

　　随着新型应用不断涌现,如增强现实（AR）、手势识别、实时游戏等,这些应用计算量大,对时延敏感。同时,由于用户设备的尺寸有限,所以这些新型应用在存储和计算方面受到了限制。移动边缘计算（Mobile Edge Computing,MEC）被认为是实现下一代互联网的关键技术。与移动云计算相比,MEC减少了因数据中心网络阻塞而可能导致的延迟,通过将服务器部署到网络边缘（如接入点、小型基站等）使得云计算能力和IT服务接近用户端,这一技术满足了新型应用的需求。边缘服务器在网络边缘提供存储和计算功能,边缘设备可以有选择的将任务卸载到边缘服务器上执行。由于边缘服务器的位置在MEC系统中未有明确规定,且服务器自身资源有限,如何合理的部署边缘服务器的位置、分配任务卸载这将是一个重要的问题。同时,在MEC系统中,用户的位置是实时变化的,在实时变化的环境中求解任务卸载问题也是对研究者的挑战。本文的研究工作总结如下:1)建立多用户多MEC服务器场景,提出一种联合优化方法。文中首先建立数学模型,以最小化所有任务的总能耗为目标。其次,提出一种双层优化方案,考虑到实时变化的用户环境,上层我们使用h–SOM网络结合用户... 

【文章来源】：湖南师范大学湖南省 211工程院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 引言
    1.2 研究背景与现状
    1.3 主要研究内容
    1.4 论文结构安排
第二章 移动边缘计算与人工智能融合的相关技术
    2.1 移动边缘计算
        2.1.1 移动边缘计算的网络框架
        2.1.2 移动边缘计算中的计算卸载
        2.1.3 移动边缘计算服务器的站点选择
    2.2 边缘计算与人工智能的融合
        2.2.1 人工智能技术
        2.2.2 边缘计算中的人工智能算法
    2.3 本章小结
第三章 基于h-SOM网络和IDE算法的无人机轨迹与任务卸载优化
    3.1 引言
    3.2 系统模型
        3.2.1 基于无人机的移动边缘计算系统
        3.2.2 通信模型
        3.2.3 计算模型
    3.3 问题拟定与分析
        3.3.1 问题拟定
        3.3.2 问题分析
    3.4 自组织特征映射网络和差分进化算法
        3.4.1 算法流程
        3.4.2 自组织特征映射网络
        3.4.3 改进的自组织特征映射网络
        3.4.4 差分进化算法
        3.4.5 改进的差分进化算法
        3.4.6 算法的特点与优势
    3.5 仿真实验及分析
        3.5.1 模型设置
        3.5.2 结果分析
        3.5.3 复杂度分析
    3.6 本章小结
第四章 基于神经网络的任务卸载研究
    4.1 引言
    4.2 系统模型
        4.2.1 网络模型
        4.2.2 通信模型
        4.2.3 计算模型
    4.3 问题拟定与分析
        4.3.1 问题拟定
        4.3.2 问题分析
    4.4 基于神经网络的在线卸载
        4.4.1 算法概述
        4.4.2 基于自适应差分进化算法的计算卸载、功率分配与资源分配
        4.4.3 深度神经网络
        4.4.4 网络离线训练与在线求解
    4.5 实验结果及其分析
        4.5.1 参数设置
        4.5.2 结果分析
    4.6 本章小结
总结与展望
参考文献
附录
致谢


【参考文献】：
期刊论文
[1]移动边缘计算中的计算卸载策略研究综述[J]. 董思岐,李海龙,屈毓锛,张钊,胡磊.  计算机科学. 2019(11)
[2]移动边缘计算卸载技术综述[J]. 谢人超,廉晓飞,贾庆民,黄韬,刘韵洁.  通信学报. 2018(11)
[3]SOM神经网络算法的研究与进展[J]. 杨占华,杨燕.  计算机工程. 2006(16)

博士论文
[1]移动通信网中的用户聚类与KQI分析[D]. 孙伟健.中国科学技术大学 2017

硕士论文
[1]基于杂交水稻优化算法集成极限学习机研究[D]. 侯玉倩.湖北工业大学 2018



本文编号：3159537