Energy-Aware Inference Offloading for DNNDriven Applications in Mobile Edge Clouds---2021
我们研究了以移动设备、5G基站和云的总能耗最小为目标的5G多小区MEC网络的负载均衡推理。我们首先利用随机取整技术，提出了接纳单个推理请求的推理卸载问题的精确和近似解。然后，我们为在线推理卸载问题设计了一个基于学习的在线算法。还提出了一种卸载延迟方法，旨在最小化多个已提交推理请求的能耗。
Multi-Agent Imitation Learning for Pervasive Edge Computing: A Decentralized Computation Offloading Algorithm---2021
本文提出了一种普适边缘计算网络中基于多智能体模仿学习的计算卸载算法，目的是最小化每个设备的平均任务完成时间。首先建立了基于普适边缘计算的系统模型，并将基于部分观测的任务调度问题表述为一个优化问题.
A Deep Reinforcement Learning based Offloading Game in Edge Computing---2020
本文考虑了动态环境下边缘计算用户间的动态计算卸载决策问题，提出了一种计算卸载博弈公式
Joint task offloading and data caching in mobile edge computing networks---2020
探索了一种系统，在该系统中，移动设备将一些复制任务迁移到边缘网络，并共享计算任务所需的数据。针对MEC网络协同缓存系统，提出了一种联合计算卸载和数据缓存算法。此外，利用排队论分别分析了该机制下的处理延迟和传输延迟。此外，优化问题已经通过在长期能量限制下最小化所有移动设备的总执行延迟来定义。基于李雅普诺夫优化和遗传算法，提出了一种高效的在线算法，可以针对时空任务流行模式定制数据缓存决策。仿真结果表明，该算法在任务卸载和数据缓存方面优于传统方案，能够在满足长期能量约束的同时有效降低移动设备的整体计算延迟
Optimal auction for delay and energy constrained task offloading in mobile edge computing---2020
研究了在移动边缘计算中找到任务卸载策略的问题，该策略确保边缘服务器获利，同时移动设备在最后期限内使用最少的能量接收其任务的结果。为此，我们提出了一种拍卖机制，将边缘服务器分配给移动设备上的任务，并为计算服务设置支付
The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment---2020
研究多无线信道移动边缘计算环境中多用户的部分计算卸载问题。基于博弈论建立了计算开销模型。然后，证明了纳什均衡的存在性。此外，给出了实现纳什均衡的低时间复杂度的部分计算卸载算法。此外，为了降低计算开销，给出了另一种面向移动设备用户的部分计算任务卸载机制，该机制具有足够的能量，只关注计算时间开销。
A survey on the computation offloading approaches in mobile edge computing: A machine learning-based perspective---2020
探索了MEC生态系统中与基于最大似然估计的卸载机制相关的不同技术和新方法。接下来，我们提出了一个分类法来分类基于最大似然的卸载机制的各种原则。我们提出的分类法分为三个主要领域:强化学习、监督学习和非监督学习。然后，基于诸如性能度量、案例研究、所使用的技术、评估工具以及它们的优点和缺点等基本因素，对所应用的方法进行相互比较
A survey on the computation offloading approaches in mobile edge computing: A machine learning-based perspective---2020
出了一个分类法来分类基于最大似然的卸载机制的各种原则。我们提出的分类法分为三个主要领域:强化学习、监督学习和非监督学习。然后，基于诸如性能度量、案例研究、所使用的技术、评估工具以及它们的优点和缺点等基本因素，对所应用的方法进行相互比较
Latency-energy optimization for joint WiFi and cellular offloading in mobile edge computing networks---2020
基于单个应用程序的MTs任务生成的统计特性，提出了一种联合的WiFi和蜂窝卸载，它可以作为计算任务卸载的策略指导，而无需重复执行优化算法
Optimal Energy Allocation and Task Offloading Policy for Wireless Powered Mobile Edge Computing Systems---2020
研究了具有动态任务到达时间的单用户无线动力MEC系统的最优联合能量和任务分配问题
Offloading and Resource Allocation with General Task Graph in Mobile Edge Computing: A Deep Reinforcement Learning Approach---2020
提出了一个DRL框架来联合优化卸载决策和资源分配，目标是最小化移动设备能耗和任务执行时间的加权和
Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems---2020
一个缓存辅助的单用户MEC系统，在这个系统中，服务器可以有选择地缓存以前生成的程序，以便将来重用。为了最小化计算延迟和能耗，我们研究了服务缓存放置、计算卸载决策和系统资源分配的联合优化。我们首先通过分别导出最优资源分配的封闭形式表达式，将复杂的MINLP问题转化为纯0-1迭代学习规划问题。然后，我们提出了降低复杂度的算法，通过固定卸载决策来获得最优缓存位置，反之亦然。我们进一步设计了交替最小化来交替更新缓存放置和卸载决策。
Risk-Aware Data Offloading in Multi-Server Multi-Access Edge Computing Environment---2020
本文介绍了一种在多MEC服务器环境中确定每个用户最优数据卸载的新方法，同时考虑了由于多MEC系统带来的计算和通信不确定性而导致的用户的风险寻求或损失规避行为
Heterogeneous Edge Offloading With Incomplete Information: A Minority Game Approach---2020
提出了一种基于少数博弈的卸载算法将分布式环境中的异构任务卸载问题公式化为一个少数人游戏，其中每个玩家必须在每一轮中独立做出决策，最终站在少数人一边的玩家获胜.提出了一种基于多智能体的方案，其中任务被分成子任务，并被指示形成尽可能多的组，而剩下的任务被调度以概率方式执行决策调整。（基于博弈）
Learning Driven Computation Offloading for Asymmetrically Informed Edge Computing---2019
提出了一种学习驱动的算法，以准确预测在这种不对称信息的边缘计算环境中所有任务的测试时间。基本思想是通过利用终端设备和边缘服务器配置之间的潜在相关性，仅使用一小部分采样的终端设备来预测未知的终端设备。接下来，我们将任务卸载问题公式化为一个约束优化问题，不幸的是，这个问题被证明是NP难的。为了应对上述挑战，我们设计了一种任务卸载算法，称为最大效率优先排序(MEFO)，以实现接近最优的效率。
Optimal Task Offloading and Resource Allocation in Mobile-Edge Computing with Inter-user Task Dependency---2019
研究了两用户MEC网络中用户间任务相关性对任务卸载决策和资源分配的影响。我们提出了有效的算法来优化资源分配和任务卸载决策，目标是最小化WDs的能耗和任务执行时间的加权和。此外，我们证明了最优卸载决策满足一个爬升策略，并在此基础上提出了一种降低复杂度的吉布斯采样算法来获得最优卸载决策
Dynamic Task Offloading and Scheduling for Low-Latency IoT Services in Multi-Access Edge Computing---2019
提出并研究了DTOS问题，该问题不仅解决了MEC网络中的任务调度问题，还解决了任务卸载、应用程序资源分配等问题。我们通过率先研究计算资源分配不确定情况下的任务调度问题，减轻了虚拟化技术能够自动修改其分配的计算资源的能力。鉴于DTOS的复杂性，我们提出了一种新的分解策略，实现了LBBD技术。我们新颖的DTOS-LBBD方法将问题分解为一个多任务问题，解决了任务卸载和应用资源分配问题；和多个服务点，每个服务点在一个单独使用的物联网应用上处理任务调度
Distributed Optimization for Computation Offloading in Edge Computing
考虑了在边缘计算网络中计算卸载和资源分配优化问题的组合。目标是在计算和功率使用的长期平均值的约束下最小化长期平均延迟。我们用李雅普诺夫优化的漂移加惩罚将问题转化为一个上界问题。然后提出了一种分布式算法，利用分支定界法来求解上界问题。在分支定界过程中，问题被松弛为凸优化问题，可以有效地求解，并导出与原解有有限间隙的上界问题的解。
Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks---2019
出了一种基于深度强化学习的在线卸载算法，以最大化二进制计算卸载的无线MEC网络中的加权和计算速率。该算法从过去的卸载经验中学习，以通过强化学习来改进其由DNN生成的卸载动作。为了实现快速算法收敛，设计了保序量化和自适应参数设置方法。与传统优化方法相比，该算法完全消除了求解硬混合整数规划问题的需要
Near-optimal and Truthful Online Auction for Computation Offloading in Green EdgeComputing Systems---2019
Learning-Aided Computation Offloading for Trusted Collaborative Mobile Edge Computing---2019
本文研究了MEC系统中的在线可信合作卸载问题，明确考虑了协作中的信任风险和完成延迟的可变性。我们为可信协作MEC开发了一种新颖的在线学习辅助卸载机制。为了适应延迟可变性，我们利用延迟在线学习技术来预测延迟知识，作为多跳卸载决策的基础。理论分析和轨迹驱动仿真都验证了我们机制的有效性。
A Distributed Computation Offloading Strategy in Small-Cell Networks Integrated With Mobile Edge Computing---2018
在本文中，我们考虑与MEC集成的SCN的多设备和多MEC场景。为了追求个体计算需求和保证网络性能，我们提出了一个分布式开销最小化问题，该问题最小化了每个多维的开销，因此采用了一个潜在博弈理论来证明我们提出的策略博弈是一个潜在博弈问题。然后，通过潜在游戏的优秀收敛的壮举，在有限的改进内实现一个网络，我们开发了一个PGOA
Computation Offloading Scheduling for Periodic Tasks in Mobile Edge Computing---2019
提供了一个移动边缘计算系统中计算卸载的博弈分析，其中设备周期性地生成任务。我们证明了纯策略纳什均衡的存在性，刻画了它们的结构，并基于我们的构造性证明，提出了一个计算卸载决策均衡分配的分散算法。我们证明了该算法具有有界逼近比和二次最坏情况复杂度。
Optimal Mobile Computation Offloading With Hard Deadline Constraints---2019
考虑了移动计算卸载的情况，在这种情况下，任务完成时间受到硬截止时间的限制。与传统的卸载/不卸载执行决策不同，本文允许同时远程卸载和本地作业执行，这用于确保在随机通道条件下满足作业完成期限。当无线信道被建模为齐次马尔可夫过程时，本文考虑了这个问题。提出了在线优化算法，使平均能耗最小
Online learning offloading framework for heterogeneous mobile edge computing system--2019
本文提出了一个在线计算卸载框架，该框架考虑了异构MEC系统资源由基于服务器的云和自组织云组成
Offloading and system resource allocation optimization in TDMA based wireless powered mobile edge computing---2019
本文研究了时分多址卸载方式下多用户无线分组MEC系统的加权和计算速率最大化问题，并将该问题表述为系统资源管理和任务计算时间分配的联合优化问题。具体而言，开发了一种基于ADMM的分布式优化方法来解决该优化问题
An Incentive-Aware Job Offloading Control Framework for Multi-Access Edge Computing---2019
出了一个基于激励的多接入边缘计算网络卸载控制框架，该框架由一个无线接入网络(RAN)组成，该网络配备了一个具有有限计算能力的移动边缘服务器(MEC)，并通过向用户收取适当的经济费用将计算工作卸载到边缘来为多个资源饥渴的终端用户服务
An efficient method of computation offloading in an edge cloud platform---2019
所提出的基于深度学习的响应时间预测计算卸载方法利用了边缘/云计算的优势。它准确地确定是在邻居节点、边缘/雾节点还是云节点中卸载。所提出的卸载方法包括使用RBM学习技术来解决边缘/雾和云节点中资源可用性的随机性。实验结果表明，实现基于深度学习的响应时间预测框架提高了计算卸载的性能
Opportunistic computing offloading in edge clouds---2018
提出了一种自组织云辅助的机会计算卸载机制OPPOCO，用于提高移动用户的服务质量和服务质量。
An Offloading Method Using Decentralized P2P-Enabled Mobile Edge Servers in Edge Computing---2019
为了在边缘计算环境中提供高效的卸载服务，本文首先提出了一种基于P2P的分布式移动边缘服务器管理方案。此后，我们在MEC环境中提出了一种截止日期感知且经济高效的卸载方法
A Game-Theoretical Approach for User Allocation in Edge Computing Environment---2019
提出了EUAGame，一种在边缘计算环境中从应用供应商的角度解决边缘用户分配(EUA)问题的新的游戏理论方法.
DM2-ECOP: An Efficient Computation Offloading Policy for Multi-user Multi-cloudlet Mobile Edge Computing Environment---2019
提出了一个新的计算卸载策略来决定哪些用户应该卸载以及卸载到哪个cloudlet
QoE-driven computation offloading for Edge Computing ---2019
提出了一种在以用户为中心的边缘计算系统中由QoE驱动的浮点计算的新设计。为了最小化延迟和能量消耗的加权和，我们联合优化卸载决策、通信资源和计算资源分配。我们将该问题表述为混合整数非线性规划(MINLP)问题，并通过RLTBB算法求解优化问题
Task Offloading and Service Migration Strategies for User Equipments with Mobility Consideration in Mobile Edge Computing---2019
为了研究MEC移动用户设备的执行开销最小化问题，我们联合优化了任务卸载策略和服务迁移策略。我们首先分别提出能量最小化和延迟最小化问题，并针对不同移动性类型的用户设备提出三种任务卸载和服务迁移策略算法。然后，利用真实世界中记录用户设备运动轨迹的数据进行仿真实验。实验证明了算法的收敛性、算法降低用户设备开销的有效性以及各种关键参数的影响。本文考虑了一个离散移动场景，研究了三种简单移动类型对任务卸载和虚拟机迁移策略的影响。然而，有许多应用程序需要在连续的时间内执行，并且是更复杂的移动类型。因此，对于应用和移动类型，我们应该进一步研究任务卸载和服务迁移策略优化，以使场景更接近真实世界。
A Socially-Aware Hybrid Computation Offloading Framework for Multi-access Edge Computing---2019
提出了一种基于蒙特卡罗搜索树(MCTS)的节能任务分配方法，命名为TA-MCTS。首先，我们详细介绍了我们的系统模型，它是一个具有社会意识的D2D计算卸载系统。然后，为了使移动终端侧的整体能耗最小，我们制定了最优问题。我们的目标是让MEC服务器为一个应用集群制定一个最佳的组件分配策略序列。最后，我们提出了一种新的基于蒙特卡罗搜索树的优化任务分配方法来解决优化问题。与文献中的替代解决方案相比，我们提出的方法实现了最佳性能
ULOOF: a User Level Online Offloading Framework for Mobile Edge Computing---2018
本文介绍了ULOOF移动计算框架，这是一个用户级的在线计算卸载框架，包括一个创新的决策引擎，以降低移动设备的能耗和移动应用程序的执行时间
Multiuser Computation Offloading and Downloading for Edge Computing with Virtualization---2018
研究了多用户MEC系统中的联合无线电和计算资源分配，其中考虑了计算干扰问题。我们提出了两个优化问题:和卸载速率最大化和和能量最小化。为了实现速率最大化，我们首先为满足必要的最优条件的任何给定卸载用户集求解最优卸载数据大小和计算时间分配。然后，我们开发了一个基于丁克尔巴赫方法的优化算法来寻找最优卸载用户集。为了解决能量最小化问题，我们将原问题转化为便于调度设计的等价问题，并提出了一种寻找次优解的算法
Task Offloading for Mobile Edge Computing in Software Defined Ultra-Dense Network---2018
在本文中，我们首先提出了软件定义的超密集网络(SD-UDN)的体系结构。然后，我们提出了一种在边缘云上卸载任务或在本地处理任务的方案。为了最小化任务持续时间，计算资源被最优地分配给每个任务
Computation Peer Offloading for Energy-Constrained Mobile Edge Computing in Small-Cell Networks---2018
研究了在MEC支持的小蜂窝网络中的对等卸载方案，其中考虑了空间和时间域中的异构任务到达模式。我们开发了OPEN，这是一个新颖的在线对等卸载框架，用于在单个SBS投入的有限能源下优化边缘计算性能，而不需要关于未来系统动态的信息。
An Efficient Computation Offloading Management Scheme in the Densely Deployed Small Cell Networks With Mobile Edge Computing---2018
研究了MEC系统中的节能计算卸载管理方案，该方案考虑了计算卸载决策、功率控制、无线资源分配和计算资源分配。首先，描述了计算卸载模型，并将主要问题表述为MINLP问题，这显然是NP难的。其次，将粒子群算法和遗传算法相结合，提出了一种新的算法HGPCA
Task Offloading with Network Function Requirements in a Mobile Edge-Cloud Network--2018
本文研究了移动边缘云网络中一个新的任务卸载问题，其中每个卸载任务以最大容许延迟请求一个指定的网络功能服务，不同的请求在网络中有不同的网络功能服务。我们专注于在给定时间范围内最大化卸载任务的接纳数量，同时最小化被接纳请求的接纳成本
Dynamic Computation Offloading for Mobile-Edge Computing With Energy Harvesting Devices---2016
研究了具有EH移动设备的移动边缘计算(MEC)系统。采用处理执行延迟和任务失败的执行成本作为性能指标。然后提出了一种动态计算卸载策略，即基于李雅普诺夫优化的动态计算卸载算法。它是一种低复杂度的在线算法，几乎不需要先验知识。我们发现移动执行(计算卸载)的CPU周期频率(发射功率)相对于电池能量水平的单调特性，这揭示了环境健康对系统运行的影响。
Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing---2016
提出了一种博弈论方法来解决移动边缘云计算中多移动设备用户之间的计算卸载决策问题。我们提出了一个多用户计算卸载游戏的问题，并展示了这个游戏的平衡。我们还设计了一个分布式计算卸载算法，该算法可以实现纳什均衡，导出收敛时间的上限，并量化其无*状态的代价。数值结果表明，该算法获得了较好的计算卸载性能，并随着用户规模的增加而扩展
————————————————
版权声明：本文为CSDN博主「wust_pang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_48007757/article/details/112804951