一种高效的任务卸载优化框架,用于基于智能反射面的多接入边缘计算系统
通过提出轻量级混合遗传算法来解决小型推理模型在边缘设备上动态分配推理任务以最大化推理准确度的问题,并与其他演化方法进行比较。
Feb, 2024
用空中计算框架由高空平台和无人机组成,解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题,通过调整无人机轨迹和资源分配来最小化用户的数据时延,使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解,显示任务调度显著降低了数据时延。
May, 2023
通过跨层级协同设计和领域专用定制,我们提出了一种名为 TeMPO 的时分复用动态光子张量加速器,它在电子光子计算系统中弥合了性能差距,达到了更高的性能和效率。
Feb, 2024
该论文研究了支持低延迟触觉互联应用的能量高效雾计算网络的设计,引入了一种称为 offload forwarding 的新型合作雾计算概念,详细阐述了在集中式和分布式训练解决方案中的设计细节和优化算法。
Jan, 2020
本文提供了一个框架,用于联合优化在 FAP 和移动终端之间的射频和计算资源利用,以在能量和延迟之间实现权衡。最终得到了最优通信策略和计算负载分配,同时也确定了总体或无偏移的最优条件,并在无延迟约束的情况下分析了总消耗能源的最小化。
May, 2014
本文提出了一种数字孪生(DT)辅助的任务卸载框架,用于移动边缘计算卸载策略的优化,基于预测未来计算任务的学习方案,将卸载调度过程建模为马尔可夫决策过程(MDP),以在延迟、能耗和云租用成本之间平衡,以获得最优卸载策略。
Dec, 2021
该论文提出一个系统技术共优化 (fast system technology co-optimization, STCO) 框架,通过应用人工智能技术加速 STCO 技术层面,包括使用基于图神经网络 (GNN) 的方法进行 TCAD 仿真和单元库表征,从而实现与传统方法相比超过 100 倍的加速。这些进展支持涵盖新兴与传统技术的全面 STCO 迭代,运行时间加速比从 1.9 倍到 14.1 倍不等。
Apr, 2024
本文研究无线网络中具备能量收割功能和多个 MEC 设备 (IoT) 的计算卸载,提出了基于强化学习的计算卸载框架,包括基于 Q-learning 的 hotbooting 计算卸载方案和基于 DQN 的快速计算卸载方案,针对不同的 MEC 场景给出了性能界限,并使用模拟结果验证算法效果。
Dec, 2017