CN113378369B - 一种基于无人机计算卸载的路径规划和任务调度方法 - Google Patents

一种基于无人机计算卸载的路径规划和任务调度方法 Download PDF

Info

Publication number
CN113378369B
CN113378369B CN202110624481.3A CN202110624481A CN113378369B CN 113378369 B CN113378369 B CN 113378369B CN 202110624481 A CN202110624481 A CN 202110624481A CN 113378369 B CN113378369 B CN 113378369B
Authority
CN
China
Prior art keywords
task
community
aerial vehicle
unmanned aerial
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110624481.3A
Other languages
English (en)
Other versions
CN113378369A (zh
Inventor
董沛然
宁兆龙
王小洁
郭磊
高新波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110624481.3A priority Critical patent/CN113378369B/zh
Publication of CN113378369A publication Critical patent/CN113378369A/zh
Application granted granted Critical
Publication of CN113378369B publication Critical patent/CN113378369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于无人机计算卸载的路径规划和任务调度方法，综合考虑了无人机的移动性，用户任务的原子性和延迟敏感性，提出了基于无人机的高效卸载模型。该模型通过协同无人机路径规划和用户任务调度来最大化***吞吐量。采用基于社区的任务执行延迟近似算法，用以计算各个分布式社区内用户的任务执行延迟，基于该延迟，采用拍卖机制来选择可以最大化***吞吐量的社区，优先向其提供服务。采用动态任务调度算法，用以决策社区内用户的任务是否被允许上传到无人机执行。本发明提出的无人机路径规划和任务调度(TDTS)算法优于其他现有解决方案。本发明提供了基于无人机的高效计算卸载模型，为无人机路径规划和任务调度问题提供了一种新的解决方案。

Description

一种基于无人机计算卸载的路径规划和任务调度方法
技术领域
本发明涉及网络科学领域中基于无人机进行高效计算卸载的模型，尤其涉及一种基于无人机计算卸载的路径规划和任务调度方法。
背景技术
近年来，无人机迅猛发展，从最初的军事目的到诸如应急响应和实时监测等各类民用应用。相应的，为了满足这些新兴应用较低延迟和大量计算资源的需求，移动云计算(MCC)和移动边缘计算(MEC)相继问世。基于传统基站(BS)部署的MEC服务将远程服务器的计算及缓存资源带到网络边缘，促进各领域中复杂应用程序的发展。然而，基于BS的MEC服务面临三个严峻挑战。首先，随着物联网(IoT)设备数量的增加，无线通信信道资源紧缺。其次，BS的位置相对固定，并且其有限的通信覆盖范围难以满足众多用户的需求。第三，健康监测和在线视频服务等应用对延迟十分敏感，当集中式BS面对过多用户的需求时，可能会过载。因此，基于无人机进行高效计算卸载有待于研究人员进一步探索。
发明内容
本发明针对现有技术的一些不足之处，构建了基于无人机到用户社区的网络卸载模型。通过合理的路径规划和任务调度，无人机在各个分布式独立社区之间移动，并提供MEC服务支持计算卸载。在传输速率，任务原子性和无人机速度的约束下，本发明提出了一种联合路径规划和任务调度算法来求解***吞吐量最大化的问题，为无人机高效计算卸载提供了一种新模型。
鉴于此，本发明采用的技术方案是一种基于无人机计算卸载的路径规划和任务调度方法，包括以下步骤：
(1)构建网络卸载模型，包括通信模型和无人机计算模型。
(2)根据步骤(1)中的网络卸载模型，以最大化***吞吐量为优化目标，构建优化问题。
(3)根据无人机坐标更新公式以及步骤(1)中的模型计算出各个社区中所有用户的任务执行延迟。
(4)基于***吞吐量最大化的拍卖算法进行无人机路径规划，以选择可以最大化***吞吐量的社区，优先向其提供服务。
(5)优先选择提高单位时间内***吞吐量的任务，以实现动态任务调度。
本发明的有益效果：本发明综合考虑了无人机的移动性，用户任务的原子性和延迟敏感性，提出了基于无人机的高效卸载模型。该模型通过协同无人机路径规划和用户任务调度来最大化***吞吐量。首先，本发明提出了一种基于社区的任务执行延迟近似算法，用以计算各个分布式社区内用户的任务执行延迟，基于该延迟，本发明设计了一种拍卖机制来选择可以最大化***吞吐量的社区，优先向其提供服务。最后，本发明提出了一种动态任务调度算法，用以决策社区内用户的任务是否被允许上传到无人机执行。仿真实验证明了本发明提出的无人机路径规划和任务调度(TDTS)算法优于其他现有解决方案。本发明提供了基于无人机的高效计算卸载模型，为无人机路径规划和任务调度问题提供了一种新的解决方案。
任务执行延迟近似算法能够以较低的时间复杂度估算各个社区的拍卖竞标，基于该竞标，本发明设计的拍卖机制能够确保社区的诚实性，避免虚假竞价。动态任务调度能够最大化***吞吐量的同时，尽可能提高受无人机服务用户占比。
附图说明
图1是本发明的应用场景，无人机在三个用户社区之间移动，提供MEC服务；
图2展示了四个连续时隙内用户任务上传，处理和下载的示意图；
图3表示不同用户数量下本方法与其他基准算法在***吞吐量上的对比；
图4表示系不同统周期长度下本方法与其他基准算法在***吞吐量上的对比；图3和图4对比突出了本方法的高效性。
图5表示不同用户数量下本方法与其他基准算法在服务用户比例上的对比；
图6表示不同***周期长度下本方法与其他基准算法在服务用户比例上的对比；图5和图6对比展示了本方法能够时MEC服务覆盖尽可能多的用户。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。本实施例具体包括以下步骤：
(1)确定网络卸载模型各变量及相关公式；
本发明考虑单个无人机向多个分布式用户社区提供MEC服务，其中用户社区表示为
Figure BDA0003101609300000021
K表示社区数量。每个用户社区包含N个独立用户。社区k内的用户i的计算卸载任务表示为<Ii,k,Oi,k,γi,k,τi,k>，其中Ii,k和Oi,k分别表示任务的输入和输出数据大小，γi,k表示任务的计算密集度(单位CPU周期数每比特)，τi,k记录任务可容忍延迟阈值。一个***周期分为T个时隙，每一时隙时长用/>
Figure BDA0003101609300000022
表示。无人机部署高度固定为H，t时隙其水平坐标表示为向量/>
Figure BDA0003101609300000023
表示表示2×1维的向量。用户社区k的水平坐标表示为
Figure BDA0003101609300000024
相应的，t时隙无人机与用户社区k的通信距离表示为两者的欧几里得距离
Figure BDA0003101609300000025
1.1)通信模型
t时隙无人机与用户社区k的通信信道增益通过如下公式计算：
Figure BDA0003101609300000026
其中β0表示每米信道增益变化系数。t时隙社区k中用户i的任务上传调度变量表示为二元变量ai,k,t。t时隙社区k中用户i的任务上传速率可以通过如下香农公式计算：
Figure BDA0003101609300000031
其中N表示社区中的用户数量，B表示无线信道带宽，Pi,k和Pj,k分别表示社区k中用户i和用户j的任务上传功率，σ2表示噪声功率。t时隙社区k中用户i的任务下载速率可以通过如下香农公式计算：
Figure BDA0003101609300000032
其中P表示无人机的传输功率。
1.2)计算模型
无人机的计算能力表示为F(单位CPU周期每秒)，一个时隙内无人机能够完成的任务量表示为
Figure BDA0003101609300000033
t时隙内无人机处理的任务数量表示为nt，相应的，t时隙内无人机完成社区k中用户i的任务量可以通过如下公式计算：
Figure BDA0003101609300000034
(2)根据步骤(1)中定义的计算卸载模型描述优化问题；
以最大化***吞吐量为优化目标，构建如下优化问题：
Figure BDA0003101609300000035
s.t.
Figure BDA0003101609300000036
Figure BDA0003101609300000037
Figure BDA0003101609300000038
Figure BDA0003101609300000039
Figure BDA00031016093000000310
Figure BDA00031016093000000311
Figure BDA00031016093000000312
其中Oi,k,t表示t时隙社区k中用户i的任务输出数据大小。前两个约束条件约束t时隙内任务上传和下载速率的下界。第三个约束条件中M为充分大的常数，约束任务必须经过调度允许才能上传。第四至六个约束确保任务整体上传，处理和下载。第七个约束中pt+1和pt分别表示无人机在t+1时隙和t时隙的水平坐标，vmax表示无人机移动的最大速度，该约束表示无人机在一个时隙内的位移受到其最大速度的限制。Di,k,t表示t时隙内无人机完成社区k中用户i的任务量；Ii,k,t表示t时隙内社区k中用户i上传的任务量。
(3)基于社区的任务执行延迟近似。
给定无人机的初始坐标p0，假设无人机从初始位置向各个社区以最大速度匀速直线移动，此时坐标更新公式如下：
Figure BDA0003101609300000041
pt+1-pt||＝0,if pt＝qk
已知无人机坐标，根据(1)中的通信模型和计算模型可以计算出各个社区中所有用户的任务执行延迟，社区k中用户i的任务执行延迟表示为Li,k，
Figure BDA0003101609300000042
(4)设计基于***吞吐量最大化的拍卖算法进行无人机路径规划。
根据(3)计算所得任务执行延迟，社区k中用户i的平均吞吐量为Oi,k/Li,k。假设每个任务的输出和输入数据大小的比值固定，用如下公式表示：
Figure BDA0003101609300000043
基于该比值，社区k中用户i的拍卖竞标定义为如下公式：
Figure BDA0003101609300000044
无人机优先给赢得拍卖的社区k*提供MEC服务，其路径由初值位置指向社区k*。
(5)动态任务调度。
本发明提出的动态任务调度算法的关键思想是优先选择提高单位时间内***吞吐量的任务，即，t时隙社区k中用户i的任务上传调度变量ai,k,t＝1要满足两个条件之一，允许该任务上传可以提高***吞吐量，或者用用户i的任务取代其他被允许任务(这部分任务的调度变量从1改为0)可以提高***吞吐量。
下面就本发明中的算法进行详细描述。
1.设置仿真参数，详细信息如表1所示。
表1仿真参数设置
Figure BDA0003101609300000045
2.本发明设计的基于社区的任务执行延迟近似算法，具体过程见表2。
表2基于社区的任务执行延迟近似算法伪代码
Figure BDA0003101609300000051
3.运用本发明设计的基于***吞吐量最大化的拍卖算法进行无人机路径规划，具体过程见表3。
表3基于***吞吐量最大化的拍卖算法
Figure BDA0003101609300000052
4.本发明设计的动态任务调度算法，具体过程见表4。
表4动态任务调度算法
Figure BDA0003101609300000053
Figure BDA0003101609300000061
通过以上步骤，本方法可以以较小的时间消耗进行无人机路径规划和任务调度。
本实验在不同用户数量和***周期长度下对算法性能进行验证，如图3，图4，图5和图6所示。图3和图4验证了本方法的高效性。图5和图6展示了本方法能够时MEC服务覆盖尽可能多的用户。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (5)

1.一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于，包括以下步骤：
(1)构建网络卸载模型：单个无人机向多个分布式用户社区提供MEC服务，构建通信模型：t时隙无人机与用户社区k的通信信道增益为：
Figure FDA0004074777580000011
其中β0表示每米信道增益变化系数，H表示无人机部署高度；pt表示t时隙无人机水平坐标向量，qk表示用户社区k的水平坐标向量，dk,t表示t时隙无人机与用户社区k的通信距离；
t时隙社区k中用户i的任务上传速率为：
Figure FDA0004074777580000012
其中N表示社区中的用户数量，B表示无线信道带宽，ai,k,t表示t时隙社区k中用户i的任务上传调度变量，Pi,k和Pj,k分别表示社区k中用户i和用户j的任务上传功率，σ2表示噪声功率；
t时隙社区k中用户i的任务下载速率为：
Figure FDA0004074777580000013
其中P表示无人机的传输功率；
括构建无人机的计算模型：无人机的计算能力表示为F，一个时隙内无人机能够完成的任务量表示为
Figure FDA0004074777580000014
t时隙内无人机处理的任务数量表示为nt，则t时隙内无人机完成社区k中用户i的任务量为：
Figure FDA0004074777580000015
(2)根据步骤(1)中的网络卸载模型，以最大化***吞吐量为优化目标，构建优化问题；
(3)根据无人机坐标更新公式以及步骤(1)中的模型计算出各个社区中所有用户的任务执行延迟；
(4)基于***吞吐量最大化的拍卖算法进行无人机路径规划，以选择可以最大化***吞吐量的社区，优先向其提供服务；
(5)优先选择提高单位时间内***吞吐量的任务，以实现动态任务调度。
2.根据权利要求1所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：所述优化问题为
Figure FDA0004074777580000021
s.t.
Figure FDA0004074777580000022
Figure FDA0004074777580000023
Figure FDA0004074777580000024
/>
Figure FDA0004074777580000025
Figure FDA0004074777580000026
Figure FDA0004074777580000027
Figure FDA0004074777580000028
其中Oi,k,t表示t时隙社区k中用户i的任务输出数据大小，前两个约束条件约束t时隙内任务上传和下载速率的下界，第三个约束条件中M为充分大的常数，约束任务必须经过调度允许才能上传，第四至六个约束确保任务整体上传，处理和下载，第七个约束中pt+1和pt分别表示无人机在t+1时隙和t时隙的水平坐标，vmax表示无人机移动的最大速度，该约束表示无人机在一个时隙内的位移受到其最大速度的限制，Di,k,t表示t时隙内无人机完成社区k中用户i的任务量；Ii,k,t表示t时隙内社区k中用户i上传的任务量。
3.根据权利要求2所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：所述无人机坐标更新公式为
Figure FDA0004074777580000029
||pt+1-pt||＝0,if pt＝qk。
4.根据权利要求1所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：已知无人机坐标，根据(1)中的通信模型和计算模型可以计算出各个社区中所有用户的任务执行延迟，社区k中用户i的任务执行延迟表示为Li,k，
Figure FDA00040747775800000210
γi,k表示任务的计算密集度；
根据(3)计算所得任务执行延迟，社区k中用户i的平均吞吐量为Oi,k/Li,k，Ii,k和Oi,k分别表示任务的输入和输出数据大小，设每个任务的输出和输入数据大小的比值固定，用如下公式表示：
Figure FDA00040747775800000211
基于该比值，社区k中用户i的拍卖竞标定义为如下公式：
Figure FDA0004074777580000031
无人机优先给赢得拍卖的社区k*提供MEC服务，其路径由初值位置指向社区k*。
5.根据权利要求1所述一种基于无人机计算卸载的路径规划和任务调度方法，其特征在于：所述动态任务调度中，t时隙社区k中用户i的任务上传调度变量ai,k,t＝1要满足两个条件之一，允许该任务上传可以提高***吞吐量，或者用用户i的任务取代其他被允许任务可以提高***吞吐量。
CN202110624481.3A 2021-06-04 2021-06-04 一种基于无人机计算卸载的路径规划和任务调度方法 Active CN113378369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110624481.3A CN113378369B (zh) 2021-06-04 2021-06-04 一种基于无人机计算卸载的路径规划和任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110624481.3A CN113378369B (zh) 2021-06-04 2021-06-04 一种基于无人机计算卸载的路径规划和任务调度方法

Publications (2)

Publication Number Publication Date
CN113378369A CN113378369A (zh) 2021-09-10
CN113378369B true CN113378369B (zh) 2023-05-30

Family

ID=77575857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110624481.3A Active CN113378369B (zh) 2021-06-04 2021-06-04 一种基于无人机计算卸载的路径规划和任务调度方法

Country Status (1)

Country Link
CN (1) CN113378369B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12027055B1 (en) 2023-04-21 2024-07-02 Nanjing University Of Posts And Telecommunications Unmanned aerial vehicle assisted task offloading and resource allocation method based on service caching

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166110A (zh) * 2019-05-22 2019-08-23 南京理工大学 基于边缘计算的无人机路径规划方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9083425B1 (en) * 2014-08-18 2015-07-14 Sunlight Photonics Inc. Distributed airborne wireless networks
WO2018094019A1 (en) * 2016-11-16 2018-05-24 Staples, Inc. Autonomous multimodal logistics
CN111142883B (zh) * 2019-12-03 2023-04-28 沈阳航空航天大学 基于sdn架构的车辆计算任务卸载方法
CN111311091B (zh) * 2020-02-13 2023-05-02 中国人民解放军国防科技大学 基于车载云及无人机的高速公路任务检测调度方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166110A (zh) * 2019-05-22 2019-08-23 南京理工大学 基于边缘计算的无人机路径规划方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法

Also Published As

Publication number Publication date
CN113378369A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN110928654B (zh) 一种边缘计算***中分布式的在线任务卸载调度方法
Gao et al. Task partitioning and offloading in DNN-task enabled mobile edge computing networks
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN112105062B (zh) 时敏条件下移动边缘计算网络能耗最小化策略方法
CN111401744B (zh) 一种移动边缘计算中不确定性环境下的动态任务卸载方法
Shi et al. Toward energy-efficient federated learning over 5G+ mobile devices
CN111163519A (zh) ***收益最大化的无线体域网资源分配与任务卸载算法
CN112118287A (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN109144719B (zh) 移动云计算***中基于马尔科夫决策过程的协作卸载方法
CN113188544B (zh) 一种基于缓存的无人机基站路径规划方法
CN113867843B (zh) 一种基于深度强化学习的移动边缘计算任务卸载方法
CN111182509B (zh) 一种基于上下文感知学习的泛在电力物联网接入方法
CN111711962A (zh) 一种移动边缘计算***子任务协同调度方法
CN116187483A (zh) 模型训练方法、装置、设备、介质和程序产品
CN113378369B (zh) 一种基于无人机计算卸载的路径规划和任务调度方法
CN115473896B (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN108376099B (zh) 一种优化时延与能效的移动终端计算迁移方法
CN112667406A (zh) 一种云边融合异构网络中任务卸载与数据缓存方法
CN110266757B (zh) 一种面向任务协同场景的边缘计算资源优化方法
CN116112981A (zh) 一种基于边缘计算的无人机任务卸载方法
CN117591886B (zh) 基于簇联邦学习的异构数据快速聚合方法及装置
Younis et al. Energy-Latency Computation Offloading and Approximate Computing in Mobile-Edge Computing Networks
CN116560832A (zh) 面向联邦学习的资源分配方法以及相关设备
CN116916272A (zh) 基于自动驾驶汽车网络的资源分配和任务卸载方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant