.png){kind=icon}
返回
Spatiotemporal-aware task offloading with backhaul optimization for vehicular edge computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comcom.2026.108476.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能交通系统（ITS）产生日益增多的车辆数据，带来了前所未有的计算挑战。尽管云计算提供了丰富的计算资源，但其依赖远程数据中心往往为实时ITS处理引入延迟和带宽挑战。车用边缘计算通过将资源分布到网络边缘解决了这一问题。这能够高效地将任务卸载到附近的车联网车辆（ICV），显著降低延迟，同时提高响应性和资源利用率。然而，随着任务数据量增长，回程阶段在资源受限的交通热点环境中成为主要瓶颈，导致现有卸载方法难以维持高效的任务处理。本研究的关键贡献是提出了一种协作式卸载决策模型，通过兼顾延迟和资源约束来优化车联网中的任务分配。为解决该问题，我们提出了三项主要贡献：首先，我们开发了一种基于多跳通信的协作式卸载决策模型，该模型为每个任务生成最优卸载节点选择策略；其次，我们将车用任务卸载问题建模为具有不确定处理时间的柔性作业车间调度问题；最后，我们设计了Dijkstra遗传算法（DGA），这是一种新型混合优化方法，通过集成Dijkstra多策略方法与遗传算法来提升卸载效率。仿真结果表明，相比现有方法，性能显著提升，包括优化目标降低12%，且整体适应度得到明显改善。
Keyword:
Vehicular edge computing
Task offloading
Backhaul optimization
Multi-hop communication
Flexible Job Shop Scheduling
期刊
IF:
4.3
论文数:
602
被引数:
1.1W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏EDSP-Edge: Efficient Dynamic Edge Service Entity Placement for Mobile Virtual Reality SystemsEdsp-edge: 移动虚拟现实系统的高效动态边缘服务实体放置
PREAI
分享收藏分享收藏MATE: A D2D-Enhanced Multi-Bitrate Video Caching Strategy for Cloud-Edge-Device Collaborative NetworksMATE：一种面向云-边-端协同网络的D2D增强型多码率视频缓存策略
PREAI
分享收藏Federated Reinforcement Learning-Empowered Task Offloading for Large Models in Vehicular Edge Computing联合强化学习-支持车载边缘计算中大型模型的任务卸载
PREAI
分享收藏
查看更多内容