.png){kind=icon}
返回
A Two-Stage Learning Guided Multi-Objective Evolutionary Algorithm for Task Offloading in Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TETCI.2026.3670669.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘计算中的任务卸载已成为减少终端设备负载和任务执行时间的有效方法。最近，为了提高边缘服务器和用户之间计算任务的处理性能，提出了各种任务卸载方法。然而，由于终端设备的快速发展，大规模计算任务需要卸载到边缘节点，这使得获得最优卸载方案变得困难。同时，现有的卸载方法通常只考虑少数常见目标，而忽略了经济成本等重要因素。在本文中，涉及大量计算任务的卸载被表述为一个大规模多目标优化问题，涵盖多个优化目标，即任务时延、经济成本和负载均衡。然后，提出了一种两阶段学习引导的多目标进化算法（TSLEA）来生成任务卸载方案。首先，基于自适应增量直方图学习模型提出了全局搜索，以提高TSLEA的探索能力。其次，基于决策空间划分提出了局部搜索，以增强种群收敛性。在三个真实数据集上的实验结果表明，TSLEA与几种代表性算法相比具有竞争力。
Keyword:
Task offloading
edge computing
histogram learning model
multi-objective evolutionary algorithm
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
.png){kind=icon}
Joint Optimization of Coverage and Reliability for Application Placement in Mobile Edge Computing
PREAI
分享收藏Energy-Latency Tradeoff for Energy-Aware Offloading in Mobile Edge Computing Networks移动边缘计算网络中能量感知卸载的能量-延迟权衡
PREAI
分享收藏
分享收藏
查看更多内容