Parking Vehicle-Assisted Task Offloading in Edge Computing: An Environment-Adaptive Multi-Strategy Dynamic Multi-Objective Evolutionary Algorithm

Zhengyi Chai

doi:10.1109/tevc.2026.3740890

Parking Vehicle-Assisted Task Offloading in Edge Computing: An Environment-Adaptive Multi-Strategy Dynamic Multi-Objective Evolutionary Algorithm

2026-10-06

0

PRE

AI

杨圣祥 (Shengxiang Yang)

DOI：10.1109/tevc.2026.3740890

原文链接

原文求助

摘要

En 中文

车载边缘计算（VEC）支持低延迟、计算密集型车用应用。为解决车联网（IoV）环境下计算资源有限和任务卸载次优的挑战，本文提出了一种将边缘服务器（ESs）与停泊车辆（PVs）资源集成的服务架构。通过将PVs分组为停泊车辆集群（PVCs），并利用路侧单元（RSUs）作为服务节点，扩展了边缘计算的覆盖范围。任务被建模为有向无环图（DAGs）以捕捉依赖关系，并将卸载问题表述为动态多目标优化（DMOP），旨在最小化平均计算延迟（ACL）和平均能耗（AEC）。为解决该问题，本文提出了一种基于Transformer、环境自适应、多策略动态多目标进化算法（DMOEA/D-TBEAMS）。该算法引入了多维环境变化感知机制和多策略融合响应机制，根据变化程度自适应调整响应。在静态优化阶段，采用Pareto自适应标量化方法（PaS）平衡收敛性和多样性。仿真结果表明，与主流算法相比，所提算法在动态任务卸载场景中实现了更快的收敛速度、更优的解集分布和更高的稳定性，展示了延迟与能耗之间的有效权衡。

Keyword:

Computation Offloading

Dynamic Multi-Objective Optimization

Evolutionary Algorithm

Vehicle Edge Computing

Vehicular Collaboration

Parking Vehicle-Assisted Task Offloading in Edge Computing: An Environment-Adaptive Multi-Strategy Dynamic Multi-Objective Evolutionary Algorithm

摘要

期刊

机构

引用论文