論文の概要: A multi-domain VNE algorithm based on multi-objective optimization for
IoD architecture in Industry 4.0
- arxiv url: http://arxiv.org/abs/2202.12830v1
- Date: Tue, 8 Feb 2022 07:56:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-06 13:08:41.636118
- Title: A multi-domain VNE algorithm based on multi-objective optimization for
IoD architecture in Industry 4.0
- Title（参考訳）: 産業用IoDアーキテクチャの多目的最適化に基づくマルチドメインVNEアルゴリズム
- Authors: Peiying Zhang, Chao Wang, Zeyu Qin, Haotong Cao
- Abstract要約: Internet of Drones (IoD) の開発により、UAVの運用はより自律的になる。
潜在的資源を合理的に割り当てる方法は、解決すべき緊急の問題となっている。
- 参考スコア（独自算出の注目度）: 10.110571882165997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unmanned aerial vehicle (UAV) has a broad application prospect in the future,
especially in the Industry 4.0. The development of Internet of Drones (IoD)
makes UAV operation more autonomous. Network virtualization technology is a
promising technology to support IoD, so the allocation of virtual resources
becomes a crucial issue in IoD. How to rationally allocate potential material
resources has become an urgent problem to be solved. The main work of this
paper is presented as follows: (1) In order to improve the optimization
performance and reduce the computation time, we propose a multi-domain virtual
network embedding algorithm (MP-VNE) adopting the centralized hierarchical
multi-domain architecture. The proposed algorithm can avoid the local optimum
through incorporating the genetic variation factor into the traditional
particle swarm optimization process. (2) In order to simplify the
multi-objective optimization problem, we transform the multi-objective problem
into a single-objective problem through weighted summation method. The results
prove that the proposed algorithm can rapidly converge to the optimal solution.
(3) In order to reduce the mapping cost, we propose an algorithm for selecting
candidate nodes based on the estimated mapping cost. Each physical domain
calculates the estimated mapping cost of all nodes according to the formula of
the estimated mapping cost, and chooses the node with the lowest estimated
mapping cost as the candidate node. The simulation results show that the
proposed MP-VNE algorithm has better performance than MC-VNM, LID-VNE and other
algorithms in terms of delay, cost and comprehensive indicators.
- Abstract（参考訳）: 無人航空機(UAV)は将来、特に産業用4.0で広く応用される可能性がある。
Internet of Drones (IoD) の開発により、UAVの運用はより自律的になる。
ネットワーク仮想化技術はIoDをサポートするための有望な技術であるため、IoDでは仮想リソースの割り当てが重要な問題となっている。
潜在的資源を合理的に割り当てる方法は、解決すべき緊急の問題となっている。
本稿では,(1)最適化性能を向上し,計算時間を短縮するために,集中型階層型マルチドメインアーキテクチャを採用したマルチドメイン仮想ネットワーク埋め込みアルゴリズム(MP-VNE)を提案する。
提案手法は従来の粒子群最適化プロセスに遺伝的変異係数を組み込むことにより局所的最適化を回避できる。
2)多目的最適化問題を単純化するために,重み付け和法を用いて多目的問題を単目的問題に変換する。
その結果,提案アルゴリズムは最適解に迅速に収束できることがわかった。
3) マッピングコストを低減するために, 推定されたマッピングコストに基づいて候補ノードを選択するアルゴリズムを提案する。
各物理領域は、推定マッピングコストの式に従って全てのノードの推定マッピングコストを算出し、最も低い推定マッピングコストのノードを候補ノードとして選択する。
シミュレーションの結果,提案アルゴリズムはMC-VNM, LID-VNE, その他のアルゴリズムよりも遅延, コスト, 包括的指標の点で優れた性能を示した。
関連論文リスト
- DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems [3.6406488220483326]
NOMA手法の有効性を十分に活用する上で重要な課題は、リソース割り当ての最適化である。
NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
提案手法は, 高速化と最適解の両面において優れていることを示す。
論文 参考訳（メタデータ） (2022-12-03T09:22:54Z) - End-to-End Pareto Set Prediction with Graph Neural Networks for
Multi-objective Facility Location [10.130342722193204]
施設配置問題(FLP)は、サプライチェーンやロジスティクスで広く見られるNPハード最適化問題の典型的なクラスである。
本稿では,システム全体のコストを同時に最小化し,システム信頼性を最大化する多目的施設配置問題(MO-FLP)について考察する。
ノードとエッジの暗黙グラフ表現を学習するために、2つのグラフニューラルネットワークを構築した。
論文 参考訳（メタデータ） (2022-10-27T07:15:55Z) - Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。
MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。
実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
論文 参考訳（メタデータ） (2022-09-30T03:40:10Z) - An Online Prediction Approach Based on Incremental Support Vector
Machine for Dynamic Multiobjective Optimization [19.336520152294213]
インクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。
動的多目的最適化問題(DMOP)の解決をオンライン学習プロセスとして扱う。
提案アルゴリズムは動的多目的最適化問題に効果的に取り組むことができる。
論文 参考訳（メタデータ） (2021-02-24T08:51:23Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳（メタデータ） (2021-02-16T06:04:27Z) - Deep Reinforcement Learning for Field Development Optimization [0.0]
本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。
近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。
両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
論文 参考訳（メタデータ） (2020-08-05T06:26:13Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Joint Multi-User DNN Partitioning and Computational Resource Allocation
for Collaborative Edge Intelligence [21.55340197267767]
Mobile Edge Computing(MEC)は、ネットワークエッジにさまざまなリソースを提供する有望なサポートアーキテクチャとして登場した。
エッジサーバの助けを借りて、ユーザ機器(UE)はディープニューラルネットワーク(DNN)ベースのAIアプリケーションを実行することができる。
最適解を時間内に達成できるIAO (Iterative Alternating Optimization) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-15T09:40:13Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。