A Joint Optimization Model for Device Selection and Power Allocation under Dynamic Uncertain Environments

doi:10.32604/cmc.2025.070592

A Joint Optimization Model for Device Selection and Power Allocation under Dynamic Uncertain Environments

2026-01-01

0

PRE

AI

张茂清 (Maoqing Zhang) *

DOI：10.32604/cmc.2025.070592

原文链接

原文求助

摘要

En 中文

联邦学习（FL）为车联网边缘计算中的高效处理提供了有效框架。然而，动态且不确定的通信环境，以及车载设备的性能差异，影响了模型参数的分布和上传过程。在FL辅助的物联网车辆（IoV）场景中，数据异构性、设备资源受限和通信环境不稳定等挑战日益突出。这些问题需要智能车辆选择方案来提升训练效率。为此，我们在动态且不确定的通信条件下提出了一个新的FL辅助IoV系统场景，并开发了一种动态区间多目标优化算法，以联合优化包括训练实验、系统能耗和带宽利用率在内的多种因素，以满足多准则资源优化需求。针对该问题，我们基于区间重叠检测设计了一种动态区间多目标优化算法。仿真结果表明，该方法在准确率、训练成本和服务器利用率方面优于其他方案，有效提升了无线信道环境下的训练效率，同时合理利用了带宽资源，因此在IoV领域具有显著的科学价值和应用潜力。

Keyword:

Internet of vehicles

edge computing

dynamic uncertain environments

device selection

power allocation

dynamic interval multi-objective algorithm

A Joint Optimization Model for Device Selection and Power Allocation under Dynamic Uncertain Environments

摘要

期刊

机构

引用论文