.png){kind=icon}
返回
Task Offloading and Resource Scheduling in Full-Duplex Cell-Free Massive MIMO-Enabled Edge Computing Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3640285.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘计算将计算资源部署到网络边缘，使移动设备（MDs）能够将计算密集型任务卸载到附近的边缘服务器。这显著降低了MDs的能耗，并支持时延敏感型应用。同时，全双工（FD）无蜂窝大规模多输入多输出（MIMO）技术的进步为提升端-边缘通信效率提供了有前景的机会，特别是在共存上行链路（UL）和下行链路（DL）用户的场景中。本文研究了全双工无蜂窝大规模MIMO赋能的边缘计算网络中的联合任务卸载和资源调度问题。该问题被建模为一个两阶段优化框架。在第一阶段，我们提出了一种混合模拟退火–粒子群优化（SA-PSO）算法，该算法整合了Metropolis准则以增强全局搜索能力，旨在最大化频谱效率。在第二阶段，我们提出了一种扩散增强的优先级深度确定性策略梯度（DAP-DDPG）算法。该算法结合了优先级经验回放与扩散模型，以在满足严格时延约束的同时最小化MDs的总能耗。仿真结果表明，与基准方案相比，所提出的SA-PSO算法在频谱效率上实现了13.4%至146%的提升，而DAP-DDPG算法将MDs的能耗降低了12.5%至33.1%。
Keyword:
Cell-free massive MIMO
edge computing
full-duplex communication
deep reinforcement learning
期刊
IF:
9.2
论文数:
5.6K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
Incentive Mechanism and Resource Allocation for Collaborative Task Offloading in Energy-Efficient Mobile Edge Computing高能效移动边缘计算协同任务卸载的激励机制与资源分配
PREAI
分享收藏An Unequal Clustering Method Based on Particle Swarm Optimization in Underwater Acoustic Sensor Networks一种基于粒子群优化的水声传感器网络非均匀分簇方法
PREAI
分享收藏
分享收藏Edge Computing in Industrial Internet of Things: Architecture, Advances and Challenges工业物联网中的边缘计算: 架构、进展与挑战
PREAI
分享收藏
查看更多内容