【摘 要】
：
在移动边缘计算(MEC)与非正交多路接入(NOMA)技术相结合的车联网系统中,针对用户处理计算密集型和时延敏感型任务时面临的高时延问题,提出了一种基于博弈论和Q学习的任务卸载、迁移与缓存优化策略.首先,对基于NOMA-MEC的车联网任务卸载时延、迁移时延与缓存时延进行建模;其次,采用合作博弈算法获得最优用户分组,以实现卸载时延优化;最后,为避免出现局部最优,通过Q学习算法优化用户分组中的迁移缓存联合时延.仿真结果表明,所提方案相比对比方案,能有效提升卸载效率并降低约22％～43％的任务时延.
【机 构】
：
重庆邮电大学通信与信息工程学院 重庆400065
论文部分内容阅读
在移动边缘计算(MEC)与非正交多路接入(NOMA)技术相结合的车联网系统中,针对用户处理计算密集型和时延敏感型任务时面临的高时延问题,提出了一种基于博弈论和Q学习的任务卸载、迁移与缓存优化策略.首先,对基于NOMA-MEC的车联网任务卸载时延、迁移时延与缓存时延进行建模;其次,采用合作博弈算法获得最优用户分组,以实现卸载时延优化;最后,为避免出现局部最优,通过Q学习算法优化用户分组中的迁移缓存联合时延.仿真结果表明,所提方案相比对比方案,能有效提升卸载效率并降低约22％～43％的任务时延.
其他文献
空间众包用于解决带时空约束的线下众包任务,近几年得到了快速发展.任务调度是空间众包的重要研究方向,难点在于调度过程中任务和工作者的动态不确定性.为了高效地进行任务路径动态调度,提出了同时考虑任务和工作者的不确定性的空间众包任务路径动态调度方法,该方法进行了3方面的改进.首先,扩展了调度需要考虑的因素,除了考虑新增任务的时空属性不确定性之外,还考虑了新增工作者的交通方式和时空属性的不确定性.其次,对调度策略进行改进,通过使用聚合调度策略,对动态新增任务先进行聚合处理,随后再进行任务分配和路径优化,相比传统非
鲁棒性作为一种动态行为也是超网络领域的研究热点,对构建鲁棒网络具有重要的现实意义.尽管对超网络的研究越来越多,但对其动态研究相对较少,尤其是在神经影像领域.在现有的脑功能超网络研究中,大多是探究网络的静态拓扑属性,并没有相关研究对脑功能超网络的动力学特性——鲁棒性展开分析.针对这些问题,文中首先引入lasso,group lasso和sparse group lasso方法来求解稀疏线性回归模型以构建超网络;然后基于蓄意攻击中的节点度和节点介数攻击两种实验模型,利用全局效率和最大连通子图相对大小探究脑功能
基于方面情感分析(Aspect-Based Sentiment Analysis,ABSA)是自然语言处理的热门课题,其中意见目标抽取和意见目标情感极性分类是ABSA的基本子任务之一.而很少有研究直接抽取特定情感极性的意见目标,尤其是抽取更有潜在价值的消极情绪意见目标.文中提出了一种全新的ABSA子任务一抽取消极情绪意见目标(Negative-Emotion Opinion Target Ex-traction,NE-OTE),并提出了基于注意力机制和单词与字符混合嵌入的BiLSTM CRF模型(Atte
链路预测旨在利用可获得的网络拓扑信息预测未知的连接关系.基于路径联系的预测方法在无向网络中取得了较好的效果.然而,在有向网络下,相同长度的路径因路径中连边方向不同会造成节点连接强度不同,传统预测方法难以区分路径异构造成的差异.鉴于此,首先以边权矩阵量化各类有向边连接强度的差异,进而为节点间不同异构的多类路径计算其连接强度,然后区分同一长度路径下各类路径的作用大小,最后综合多阶不同长度路径贡献,提出了一种基于路径连接强度的有向网络链路预测方法.在9个真实网络数据集上进行了实验,结果表明,考虑路径连接强度差异
近年来,主题情感联合模型成为了无监督学习领域的一项重要研究内容,在文本主题挖掘和情感分析等方面均有实际应用.然而,在现实场景中,微博因其文字短小、结构不完整等特征,给主题情感联合模型带来了一定的挑战.因此,围绕微博主题情感模型展开相关的研究与改进工作,目前较为流行的主题情感模型——TSMMF模型(Topic Sentiment Model Based on Multi-feature Fusion)中引入了词向量技术,运用多元高斯分布从词向量空间中快速采样邻近词语,并替换掉原Dirichlet多项式分布产
长链非编码RNA (long non-coding RNA,lncRNA)在各种人类复杂疾病中起着重要作用.采用计算方法推断ln cRNA-疾病间的潜在关联关系不仅有助于理解疾病的致病机理,还有助于疾病诊断、预防和治疗.文中提出了一种基于集成回归决策树的lncRNA-疾病关联预测方法.首先,利用已知的lncRNA-疾病关联信息分别构建lncRNA、疾病相似矩阵、lncRNA-疾病关联矩阵;其次,基于lncRNA、疾病相似矩阵、lncRNA-疾病关联矩阵,从不同视角进一步构建lncRNA、疾病特征向量;然后
随着图神经网络技术在自然语言处理领域中的广泛应用,基于图神经网络的文本分类研究受到了越来越多的关注,文本构图是图神经网络应用到文本分类中的一项重要研究任务,已有方法在构图时通常不能有效捕获句子中远距离词语的依赖关系.短文本分类是待分类文本中普遍较短的一类特殊文本分类任务,传统的文本表示通常比较稀疏且缺乏丰富的语义信息.基于此,文中提出了一种融入远距离词语依赖关系进行构图的图卷积短文本分类方法.首先结合词语共现关系、文档和词语之间的包含关系、远距离词语依赖关系为整个文本语料库构建一个文本图;然后将文本图输入
核小体定位指DNA双螺旋相对于组蛋白的位置,并在DNA的转录阶段起着重要的调节作用.依靠生物实验的手段测得核小体定位会消耗大量的时间和资源,因此基于计算方法利用DNA序列进行核小体定位预测成为了一个重要的研究方向.针对核小体定位预测中单一模型和单一编码在DNA序列特征表示和学习方面的不足,文中提出了一种端到端的集成深度学习模型FuseENup,利用3种编码方式从多个维度表示DNA数据,利用不同的模型从不同维度提取数据中隐含的关键特征,构造了一种全新的DNA序列表征模型.在4种数据集上进行20倍交叉验证,相
问题自动生成是自然语言处理领域的一个研究热点,旨在从文本中生成自然问句.随着电子商务的不断发展,网络上产生了大量关于产品的评论.面对海量的评价信息,如何快速挖掘产品信息相关的关键评价,从而生成与产品各个层面息息相关的问答数据具有极大的研究价值,这对商家和顾客都具有极大的意义.现有的问题生成模型大多针对阅读理解类型等长文本语料,采用端到端序列化生成模型.然而,针对基于产品评论等短文本的问题生成任务,现有的模型无法将用户和商家重点关注的商品特性纳入学习过程.为了使生成的问题更加符合商品的特性,文中提出了基于产
前向纠错编码是一种在网络传输中应对丢包的技术.在传输过程中加入冗余数据,使接收端在丢包场景下可通过冗余数据直接恢复出原始数据.在丢包多、时延大的场景下,适当加入前向纠错编码可以大量节省超时重传的等待时间,从而提高网络传输的服务质量.过多地添加冗余会造成带宽的浪费,而过少地添加冗余会导致服务器端接收到的数据不足以恢复在传输过程中丢失的数据,因此实际应用前向纠错编码的难点在于恰当地控制冗余数据的比例.目前,前向纠错编码研究大多基于传统网络协议.而随着QUIC (Quick UDP Internet Conne