移動物聯(lián)網(wǎng)智能通信與計算

第 1章 基于移動邊緣計算的動態(tài)服務(wù)遷移\t1
1．1　引言　1
1．2　服務(wù)遷移模型　2
1．2．1　服務(wù)執(zhí)行效用　4
1．2．2　服務(wù)遷移開銷　6
1．3　問題描述　6
1．4　基于移動邊緣計算的動態(tài)服務(wù)遷移算法　7
1．4．1　基于李雅普諾夫優(yōu)化的隊列穩(wěn)態(tài)　7
1．4．2　基于采樣平均近似的未來效用估計　8
1．4．3　基于馬爾可夫優(yōu)化的動態(tài)服務(wù)部署　9
1．5　實驗評估　10
1．5．1　實驗環(huán)境及參數(shù)設(shè)置　10
1．5．2　系統(tǒng)性能分析　11
第　2章 面向普適邊緣計算的多智能體模仿學習：分布式計算卸載算法　14
2．1　引言　14
2．2　系統(tǒng)模型和問題表述　16
2．2．1　系統(tǒng)概述　16
2．2．2　通信和計算模型　18
2．2．3　問題公式化　19
2．3　基于多智能體模仿學習的計算卸載算法　20
2．3．1　算法概述　20
2．3．2　隨機博弈公式　21
2．3．3　優(yōu)化問題轉(zhuǎn)化　22
2．3．4　專家策略　23
2．3．5　智能體策略　26
2．3．6　算法分析　29
2．4　性能評價　30
2．4．1　仿真設(shè)置　30
2．4．2　仿真結(jié)果　30
第3章　關(guān)鍵信齡最小化：部分觀測下基于模仿學習的調(diào)度算法　36
3．1　引言　36
3．2　系統(tǒng)模型與問題構(gòu)建　38
3．2．1　系統(tǒng)模型　38
3．2．2　AoCI　40
3．2．3　問題構(gòu)建　41
3．3　信息感知啟發(fā)式算法　44
3．3．1　子問題轉(zhuǎn)換　44
3．3．2　總體步驟　45
3．4　基于模仿學習的調(diào)度算法　46
3．4．1　問題轉(zhuǎn)換　47
3．4．2　通過模仿的信息更新調(diào)度　48
3．4．3　基于模仿學習的調(diào)度　50
3．4．4　理論分析　52
3．5　性能評估　53
3．5．1　仿真設(shè)置　53
3．5．2　仿真結(jié)果　54
第4章　移動區(qū)塊鏈中集中式資源管理　59
4．1　系統(tǒng)模型　61
4．2　問題建模　64
4．3　解決方案　65
4．4　性能評估　70
4．4．1　仿真參數(shù)設(shè)置　70
4．4．2　仿真設(shè)計　73
4．4．3　性能分析　73
第5章　基于移動邊緣計算的醫(yī)療物聯(lián)網(wǎng)健康監(jiān)測　77
5．1　引言　77
5．2　動機　78
5．3　醫(yī)療物聯(lián)網(wǎng)模型　79
5．3．1　醫(yī)療重要性　80
5．3．2　監(jiān)測數(shù)據(jù)新鮮度　80
5．3．3　監(jiān)測能耗　81
5．4　問題描述　82
5．4．1　系統(tǒng)開銷最小化問題　83
5．4．2　IWS子問題　84
5．4．3　BWS子問題　84
5．5　無線人體局域網(wǎng)內(nèi)部合作博弈　85
5．6　無線人體局域網(wǎng)外部非合作博弈　86
5．7　實驗評估　88
5．7．1　實驗環(huán)境及參數(shù)設(shè)置　88
5．7．2　系統(tǒng)性能分析　88
第6章　基于5G無人機 社區(qū)的計算卸載：協(xié)同任務(wù)調(diào)度和路徑規(guī)劃　91
6．1　系統(tǒng)模型　93
6．1．1　通信模型　94
6．1．2　計算模型　95
6．2　問題描述　96
6．2．1　問題概述　96
6．2．2　約束分析　96
6．2．3　問題描述　97
6．2．4　問題轉(zhuǎn)化　98
6．3　協(xié)同路徑規(guī)劃和任務(wù)調(diào)度　99
6．3．1　基于社區(qū)的時間近似　99
6．3．2　基于吞吐量最大化的拍賣　100
6．3．3　動態(tài)任務(wù)調(diào)度　102
6．3．4　性能分析　103
6．4　性能評估　105
6．4．1　仿真設(shè)置　105
6．4．2　數(shù)值結(jié)果　106
第7章　智能交通系統(tǒng)中分布式資源管理　110
7．1　系統(tǒng)模型　111
7．1．1　終端層　113
7．1．2　邊緣層　114
7．1．3　遠端管理層　115
7．2　問題建?！?15
7．2．1　用戶數(shù)據(jù)安全　116
7．2．2　系統(tǒng)時延　117
7．2．3　用戶效用　120
7．2．4　問題公式化　121
7．3　解決方案　122
7．3．1　問題分解　123
7．3．2　解決問題P7．1的基于深度強化學習的算法　125
7．3．3　解決問題P7．2′的交替方向乘子法算法　128
7．3．4　求解問題P7．3′的基于雙邊匹配的算法　135
7．4　性能評估　136
7．4．1　仿真設(shè)置　138
7．4．2　問題P7．1的性能　139
7．4．3　問題P7．2′的性能　141
7．4．4　問題P7．3′的性能　146
第8章　基于DRL的智能車聯(lián)網(wǎng)計算卸載方案　147
8．1　動機　148
8．2　貢獻　148
8．3　系統(tǒng)模型　149
8．3．1　模型概述　149
8．3．2　微云模型　150
8．3．3　霧模型　151
8．3．4　重定向模型　152
8．4　問題描述　153
8．4．1　優(yōu)化目標　153
8．4．2　流重定向　154
8．4．3　卸載決策　155
8．5　DRL概述　155
8．6　基于DRL的卸載算法　156
8．6．1　流重定向　156
8．6．2　最小化能耗的DRL　157
8．6．3　復(fù)雜度分析　159
8．7　性能評估　160
第9章　基于邊緣計算的5G車聯(lián)網(wǎng)部分卸載　165
9．1　引言　165
9．2　5G車聯(lián)網(wǎng)模型　166
9．2．1　5G車聯(lián)網(wǎng)場景介紹　166
9．2．2　卸載策略　167
9．2．3　系統(tǒng)利潤函數(shù)　168
9．3　問題描述　170
9．4　部分卸載和自適應(yīng)任務(wù)調(diào)度算法　171
9．4．1　傳輸調(diào)度策略　171
9．4．2　最優(yōu)卸載比率　173
9．4．3　計算卸載服務(wù)定價　173
9．5　實驗評估　174
9．5．1　實驗環(huán)境及參數(shù)設(shè)置　174
9．5．2　系統(tǒng)性能分析　175
第　10章 遷移感知的智能車聯(lián)網(wǎng)聯(lián)合資源分配策略　178
10．1　引言　178
10．2　遷移感知的資源分配模型　180
10．2．1　通信模型　181
10．2．2　計算模型　181
10．2．3　緩存模型　182
10．3　問題描述　183
10．3．1　效益函數(shù)　183
10．3．2　目標函數(shù)　184
10．4　基于DRL的資源分配算法　185
10．4．1　基于DRL的車聯(lián)網(wǎng)系統(tǒng)框架　185
10．4．2　基于策略梯度的DRL算法　186
10．5　實驗評估　189
10．5．1　實驗環(huán)境及參數(shù)設(shè)置　189
10．5．2　收斂性分析　190
10．5．3　系統(tǒng)性能分析　191
第　11章 基于模仿學習的在線VEC任務(wù)調(diào)度　194
11．1　引言　194
11．2　系統(tǒng)模型與問題表述　196
11．2．1　系統(tǒng)概述　196
11．2．2　服務(wù)時延和能源消耗模型　197
11．2．3　問題規(guī)劃　199
11．3　基于模仿學習的任務(wù)調(diào)度算法　200
11．3．1　算法概述　200
11．3．2　SPV聚類　201
11．3．3　專家模仿學習　203
11．3．4　算法分析　205
11．4　性能評估　206
11．4．1　仿真設(shè)置　206
11．4．2　仿真結(jié)果　208
第　12章 邊緣協(xié)同的IoV聯(lián)合資源分配策略　215
12．1　引言　215
12．2　邊緣協(xié)同資源分配模型　217
12．2．1　通信模型　218
12．2．2　計算模型　218
12．2．3　緩存模型　220
12．2．4　系統(tǒng)開銷　221
12．3　問題描述　222
12．4　在線邊緣協(xié)同卸載策略　223
12．4．1　李雅普諾夫優(yōu)化框架　223
12．4．2　邊緣協(xié)同平衡算法　225
12．5　智能資源聯(lián)合分配策略　228
12．5．1　分支定界優(yōu)化框架　228
12．5．2　基于模仿學習的分支定界算法　229
12．6　實驗評估　232
12．6．1　實驗環(huán)境及參數(shù)設(shè)置　232
12．6．2　系統(tǒng)性能分析　233
12．6．3　時間復(fù)雜度分析　236
參考文獻　238