移动物联网智能通信与计算

第 1章 基于移动边缘计算的动态服务迁移 1

1.1　引言　1

1.2　服务迁移模型　2

1.2.1　服务执行效用　4

1.2.2　服务迁移开销　6

1.3　问题描述　6

1.4　基于移动边缘计算的动态服务迁移算法　7

1.4.1　基于李雅普诺夫优化的队列稳态　7

1.4.2　基于采样平均近似的未来效用估计　8

1.4.3　基于马尔可夫优化的动态服务部署　9

1.5　实验评估　10

1.5.1　实验环境及参数设置　10

1.5.2　系统性能分析　11

第　2章 面向普适边缘计算的多智能体模仿学习：分布式计算卸载算法　14

2.1　引言　14

2.2　系统模型和问题表述　16

2.2.1　系统概述　16

2.2.2　通信和计算模型　18

2.2.3　问题公式化　19

2.3　基于多智能体模仿学习的计算卸载算法　20

2.3.1　算法概述　20

2.3.2　随机博弈公式　21

2.3.3　优化问题转化　22

2.3.4　专家策略　23

2.3.5　智能体策略　26

2.3.6　算法分析　29

2.4　性能评价　30

2.4.1　仿真设置　30

2.4.2　仿真结果　30

第3章　关键信龄*小化：部分观测下基于模仿学习的调度算法　36

3.1　引言　36

3.2　系统模型与问题构建　38

3.2.1　系统模型　38

3.2.2　AoCI　40

3.2.3　问题构建　41

3.3　信息感知启发式算法　44

3.3.1　子问题转换　44

3.3.2　总体步骤　45

3.4　基于模仿学习的调度算法　46

3.4.1　问题转换　47

3.4.2　通过模仿的信息更新调度　48

3.4.3　基于模仿学习的调度　50

3.4.4　理论分析　52

3.5　性能评估　53

3.5.1　仿真设置　53

3.5.2　仿真结果　54

第4章　移动区块链中集中式资源管理　59

4.1　系统模型　61

4.2　问题建模　64

4.3　解决方案　65

4.4　性能评估　70

4.4.1　仿真参数设置　70

4.4.2　仿真设计　73

4.4.3　性能分析　73

第5章　基于移动边缘计算的医疗物联网健康监测　77

5.1　引言　77

5.2　动机　78

5.3　医疗物联网模型　79

5.3.1　医疗重要性　80

5.3.2　监测数据新鲜度　80

5.3.3　监测能耗　81

5.4　问题描述　82

5.4.1　系统开销*小化问题　83

5.4.2　IWS子问题　84

5.4.3　BWS子问题　84

5.5　无线人体局域网内部合作博弈　85

5.6　无线人体局域网外部非合作博弈　86

5.7　实验评估　88

5.7.1　实验环境及参数设置　88

5.7.2　系统性能分析　88

第6章　基于5G无人机 社区的计算卸载：协同任务调度和路径规划　91

6.1　系统模型　93

6.1.1　通信模型　94

6.1.2　计算模型　95

6.2　问题描述　96

6.2.1　问题概述　96

6.2.2　约束分析　96

6.2.3　问题描述　97

6.2.4　问题转化　98

6.3　协同路径规划和任务调度　99

6.3.1　基于社区的时间近似　99

6.3.2　基于吞吐量*大化的拍卖　100

6.3.3　动态任务调度　102

6.3.4　性能分析　103

6.4　性能评估　105

6.4.1　仿真设置　105

6.4.2　数值结果　106

第7章　智能交通系统中分布式资源管理　110

7.1　系统模型　111

7.1.1　终端层　113

7.1.2　边缘层　114

7.1.3　远端管理层　115

7.2　问题建模　115

7.2.1　用户数据安全　116

7.2.2　系统时延　117

7.2.3　用户效用　120

7.2.4　问题公式化　121

7.3　解决方案　122

7.3.1　问题分解　123

7.3.2　解决问题P7.1的基于深度强化学习的算法　125

7.3.3　解决问题P7.2′的交替方向乘子法算法　128

7.3.4　求解问题P7.3′的基于双边匹配的算法　135

7.4　性能评估　136

7.4.1　仿真设置　138

7.4.2　问题P7.1的性能　139

7.4.3　问题P7.2′的性能　141

7.4.4　问题P7.3′的性能　146

第8章　基于DRL的智能车联网计算卸载方案　147

8.1　动机　148

8.2　贡献　148

8.3　系统模型　149

8.3.1　模型概述　149

8.3.2　微云模型　150

8.3.3　雾模型　151

8.3.4　重定向模型　152

8.4　问题描述　153

8.4.1　优化目标　153

8.4.2　流重定向　154

8.4.3　卸载决策　155

8.5　DRL概述　155

8.6　基于DRL的卸载算法　156

8.6.1　流重定向　156

8.6.2　*小化能耗的DRL　157

8.6.3　复杂度分析　159

8.7　性能评估　160

第9章　基于边缘计算的5G车联网部分卸载　165

9.1　引言　165

9.2　5G车联网模型　166

9.2.1　5G车联网场景介绍　166

9.2.2　卸载策略　167

9.2.3　系统利润函数　168

9.3　问题描述　170

9.4　部分卸载和自适应任务调度算法　171

9.4.1　传输调度策略　171

9.4.2　*优卸载比率　173

9.4.3　计算卸载服务定价　173

9.5　实验评估　174

9.5.1　实验环境及参数设置　174

9.5.2　系统性能分析　175

第　10章 迁移感知的智能车联网联合资源分配策略　178

10.1　引言　178

10.2　迁移感知的资源分配模型　180

10.2.1　通信模型　181

10.2.2　计算模型　181

10.2.3　缓存模型　182

10.3　问题描述　183

10.3.1　效益函数　183

10.3.2　目标函数　184

10.4　基于DRL的资源分配算法　185

10.4.1　基于DRL的车联网系统框架　185

10.4.2　基于策略梯度的DRL算法　186

10.5　实验评估　189

10.5.1　实验环境及参数设置　189

10.5.2　收敛性分析　190

10.5.3　系统性能分析　191

第　11章 基于模仿学习的在线VEC任务调度　194

11.1　引言　194

11.2　系统模型与问题表述　196

11.2.1　系统概述　196

11.2.2　服务时延和能源消耗模型　197

11.2.3　问题规划　199

11.3　基于模仿学习的任务调度算法　200

11.3.1　算法概述　200

11.3.2　SPV聚类　201

11.3.3　专家模仿学习　203

11.3.4　算法分析　205

11.4　性能评估　206

11.4.1　仿真设置　206

11.4.2　仿真结果　208

第　12章 边缘协同的IoV联合资源分配策略　215

12.1　引言　215

12.2　边缘协同资源分配模型　217

12.2.1　通信模型　218

12.2.2　计算模型　218

12.2.3　缓存模型　220

12.2.4　系统开销　221

12.3　问题描述　222

12.4　在线边缘协同卸载策略　223

12.4.1　李雅普诺夫优化框架　223

12.4.2　边缘协同平衡算法　225

12.5　智能资源联合分配策略　228

12.5.1　分支定界优化框架　228

12.5.2　基于模仿学习的分支定界算法　229

12.6　实验评估　232

12.6.1　实验环境及参数设置　232

12.6.2　系统性能分析　233

12.6.3　时间复杂度分析　236

参考文献　238