.png){kind=icon}
返回
RAISE: Optimizing RIS Placement to Maximize Task Throughput in Multi-Server Vehicular Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2025.3644860.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鉴于自动驾驶车辆有限的计算能力，车载处理大量延迟敏感任务面临重大挑战。虽然车联网边缘计算（VEC）已作为一种解决方案出现，但将数据密集型任务卸载到路侧服务器或其他车辆面临通信-计算瓶颈，例如来自其他大型车辆的信号阻塞以及路侧服务器有限的计算资源。为解决这些挑战，可重构智能表面（RIS）可被利用来创建视距信道、减轻地面干扰，并通过自适应抬升RIS来扩展与更多边缘服务器的连接。为此，我们提出了RAISE，一个用于多服务器VEC系统中RIS部署的优化框架。具体而言，RAISE联合优化RIS高度和倾斜角度以及最优任务分配，以在截止时间约束下最大化任务吞吐量。为找到解决方案，提出了一种两层优化方法，其中内层利用任务分配问题的单模性推导出高效的最优策略，而外层开发了一种低复杂度的近优爬山（HC）算法用于RIS部署。大量实验表明，所提出的RAISE框架持续优于现有基准方法。
Keyword:
Reconfigurable intelligent surface
vehicular edge computing
task offloading
RIS placement
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
分享收藏Computation Rate Maximization in UAV-Enabled Wireless-Powered Mobile-Edge Computing Systems支持无人机的无线移动边缘计算系统中的计算速率最大化
OAAI
OAAI分享收藏
IDOD-YOLOV7: Image-Dehazing YOLOV7 for Object Detection in Low-Light Foggy Traffic EnvironmentsIDOD-YOLOV7: 图像去雾YOLOV7用于低光雾交通环境中的目标检测.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容