.png){kind=icon}
返回
A Distributed Maximum Offloading Gain Algorithm With Fairness Consideration for Dependent Task Offloading in Multiuser/Multifog Scenario
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3654076.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有依赖任务卸载方法主要依赖集中式算法，并且通常局限于单目标优化。此外，雾服务器之间的卸载公平性仍未能得到充分解决。为应对这些挑战，本文提出了一种新颖的分布式方法，将Gale–Shapley匹配（GSM）与改进粒子群优化（IPSO）相结合，其目标是在用户端最大化卸载增益，在雾服务器端最大化公平性。具体而言，我们首先在多用户和多雾计算场景下，将依赖任务卸载的卸载增益最大化问题进行建模，其中卸载增益通过联合优化任务卸载的能耗和时延来定义。然后，我们提出了一种GSM偏好列表构建方法，该方法考虑了用户卸载增益、雾服务器的卸载接受数量以及信道质量。最后，利用GSM实现稳定的用户-雾关联，并应用IPSO优化子任务卸载决策。实验结果表明，与现有算法相比，该方法将平均卸载增益提高了9%，并在用户卸载增益最小损失的情况下，将平均公平性提高了16.6%。因此，所提出的算法能够在确保雾服务器之间优异长期公平性的同时，联合优化用户任务的时延和能耗。
Keyword:
Dependent task offloading
fairness
fog computing
Gale–Shapley matching (GSM)
improved particle swarm optimization (IPSO)
offloading gain
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
分享收藏Deep Reinforcement Learning for Energy-Efficient Computation Offloading in Mobile-Edge Computing面向移动边缘计算节能计算卸载的深度强化学习
PREAI
分享收藏A Survey on Reduction of Energy Consumption in Fog Networks-Communications and Computations降低雾网络能耗的研究综述 -- 通信与计算.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Multi-User Offloading for Edge Computing Networks: A Dependency-Aware and Latency-Optimal Approach
PREAI
分享收藏Dependency-Aware Joint Task Offloading and Resource Allocation in Heterogeneous Mobile Edge Computing异构移动边缘计算中依赖感知的联合任务卸载和资源分配
PREAI
分享收藏
查看更多内容