.png){kind=icon}
返回
A Battery-Dependent Partial Offloading Scheme with sequential Multi-Task Learning for Mobile Edge Computing
.png){kind=icon}
OA
AI
DOI：10.1016/j.future.2026.108679.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动边缘计算（MEC）通过将计算任务从资源受限的终端设备（EDs）卸载至附近的边缘服务器，从而降低延迟和能耗。尽管该问题在文献中已有广泛研究，但现有方法往往忽视实际设备约束，特别是电池动态特性，并依赖有限且不可复现的数据集。为解决这些不足，本文提出了一种电池依赖型部分卸载方案（BDPOS），将终端设备的当前电池电量整合到成本模型中，以实现节能且最优的卸载决策。所提出的框架联合优化三个目标：确定最优组件数量、识别任务划分方式以及选择卸载策略，以识别整体最低成本策略。为确保可复现性，BDPOS进一步用于生成多个不同规模的合成数据集。针对移动边缘计算环境中的智能卸载，在这些数据集上对多个人工智能模型在顺序多任务学习（MTL）框架内进行了全面比较分析。评估的模型包括深度神经网络（DNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、双向LSTM（Bi-LSTM）、门控循环单元（GRU）、双向GRU（Bi-GRU）、最小门控单元（MGU）和时序卷积网络（TCN）。数据集在模型训练前经过预处理，并采用基于贝叶斯的方法进行超参数调优。训练后的模型使用多种性能指标、Wilcoxon符号秩检验和计算成本分析进行评估。此外，还将所提算法的能耗与文献中的现有方案进行了比较。仿真结果表明，所提技术BDPOS相较于现有策略显著降低了整体能耗，而基于MTL的GRU模型表现更优，在组件优化中达到87.96%的准确率，任务划分的均方误差为0.0780，卸载策略预测准确率达63.37%。这些发现强调了电池感知建模的重要性，并为下一代移动边缘计算系统高效、数据驱动的卸载策略设计提供了可操作的见解。
Keyword:
Mobile Edge Computing (MEC)
Multi-Task Learning (MTI)
Computational offloading
Optimal decision-making
Battery-aware offloading
Bayesian optimization
Partial offloading
Task partitioning
Energy efficiency
Neural networks
End device
AI models
期刊
F
IF:
6.1
论文数:
6.8K
被引数:
2.3W
机构
引用论文
Energy conserving cost selection for fine-grained computational offloading in mobile edge computing networks移动边缘计算网络中细粒度计算卸载的节能成本选择
PREAI
分享收藏Deep Learning-Based Dynamic Computation Task Offloading for Mobile Edge Computing Networks基于深度学习的移动边缘计算网络动态计算任务卸载.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏分享收藏Energy-Latency Computation Offloading and Approximate Computing in Mobile-Edge Computing Networks
PREAI
分享收藏A Deep Learning Approach for Energy Efficient Computational Offloading in Mobile Edge Computing移动边缘计算中节能计算卸载的深度学习方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Neural Network-Based Task Offloading in MEC: Performance Evaluation and Hybrid Model Optimization基于神经网络的边缘计算任务卸载：性能评估与混合模型优化IEEE Access
IEEE AccessIF0
PREAI
分享收藏
查看更多内容