論文の概要: Multi-Scenario Bimetric-Balanced IoT Resource Allocation: An
Evolutionary Approach
- arxiv url: http://arxiv.org/abs/2211.05372v1
- Date: Thu, 10 Nov 2022 06:48:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 15:14:00.254017
- Title: Multi-Scenario Bimetric-Balanced IoT Resource Allocation: An
Evolutionary Approach
- Title（参考訳）: Multi-Scenario Bimetric-Balanced IoT Resource Allocation:進化的アプローチ
- Authors: Jiashu Wu, Hao Dai, Yang Wang, Zhiying Tu
- Abstract要約: 我々は、時間制約のあるリソース要件を持つスマートサービスのためのリソースとして、IoTデバイスを割り当てるために、BRADメソッドを使用します。
我々は、IoTデバイスをデジタルオブジェクト(DO)として抽象化し、リソース割り当て時の操作を容易にする。
BRAD-GWAアルゴリズムを形成するための3つの新しいメカニズムを導入する。
BRAD-GWA は HIT-IHC と GWO のアルゴリズムと比較してそれぞれ 3.14 倍と 29.6% の客観的削減を実現している。
- 参考スコア（独自算出の注目度）: 5.854689516561037
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we allocate IoT devices as resources for smart services with
time-constrained resource requirements. The allocation method named as BRAD can
work under multiple resource scenarios with diverse resource richnesses,
availabilities and costs, such as the intelligent healthcare system deployed by
Harbin Institute of Technology (HIT-IHC). The allocation aims for
bimetric-balancing under the multi-scenario case, i.e., the profit and cost
associated with service satisfaction are jointly optimised and balanced wisely.
Besides, we abstract IoT devices as digital objects (DO) to make them easier to
interact with during resource allocation. Considering that the problem is
NP-Hard and the optimisation objective is not differentiable, we utilise Grey
Wolf Optimisation (GWO) algorithm as the model optimiser. Specifically, we
tackle the deficiencies of GWO and significantly improve its performance by
introducing three new mechanisms to form the BRAD-GWA algorithm. Comprehensive
experiments are conducted on realistic HIT-IHC IoT testbeds and several
algorithms are compared, including the allocation method originally used by
HIT-IHC system to verify the effectiveness of the BRAD-GWA. The BRAD-GWA
achieves a 3.14 times and 29.6% objective reduction compared with the HIT-IHC
and the original GWO algorithm, respectively.
- Abstract（参考訳）: 本稿では,IoTデバイスを時間制約のあるリソース要件を持つスマートサービスのためのリソースとして割り当てる。
BRADという名前のアロケーションメソッドは、Harbin Institute of Technology (HIT-IHC)が展開するインテリジェントヘルスケアシステムなど、リソースの多様さ、可用性、コストといった複数のリソースシナリオの下で動作することができる。
マルチスセナリオの場合、サービス満足度に関連する利益とコストは、共同で最適化され、賢明にバランスをとる。
さらに、IoTデバイスをデジタルオブジェクト(DO)として抽象化して、リソース割り当て時の操作を容易にする。
NP-Hardが問題であり、最適化対象が微分可能でないことを考慮し、モデルオプティマイザとしてGrey Wolf Optimisation (GWO)アルゴリズムを利用する。
具体的には,brad-gwaアルゴリズムを構成する3つの新しいメカニズムを導入することで,gwoの欠陥に対処し,その性能を大幅に向上させる。
現実的なHIT-IHC IoTテストベッド上で総合的な実験を行い、BRAD-GWAの有効性を検証するためにもともとHIT-IHCシステムで用いられたアロケーション手法など、いくつかのアルゴリズムを比較した。
BRAD-GWA は HIT-IHC と GWO のアルゴリズムと比較してそれぞれ 3.14 倍と 29.6% の客観的削減を実現している。
関連論文リスト
- Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。
これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。
我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
論文 参考訳（メタデータ） (2024-11-03T07:01:13Z) - Developing an Algorithm Selector for Green Configuration in Scheduling Problems [0.8151943266391491]
ジョブショップスケジューリング問題(JSP)は、業務研究の中心である。
ジョブショップスケジューリング問題(JSP)は、業務研究の中心である。
論文 参考訳（メタデータ） (2024-09-13T08:58:24Z) - Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳（メタデータ） (2023-12-08T01:57:10Z) - Simulation-guided Beam Search for Neural Combinatorial Optimization [13.072343634530883]
ニューラル最適化問題に対するシミュレーション誘導ビームサーチ(SGBS)を提案する。
我々は、SGBSと効率的なアクティブサーチ(EAS)を併用し、SGBSはEASでバックプロパゲーションされたソリューションの品質を高める。
提案手法をよく知られたCOベンチマークで評価し,SGBSが合理的な仮定で得られた解の質を著しく向上することを示す。
論文 参考訳（メタデータ） (2022-07-13T13:34:35Z) - A Novel Simplified Swarm Optimization for Generalized Reliability
Redundancy Allocation Problem [1.2043574473965315]
本研究では,ネットワークシステムに適用可能な新しいRRAPであるGeneral RRAP(GRRAP)を提案する。
GRRAPはNP-hard問題であるため,Binary-addition Simple Swarm Optimization (BSSO)と呼ばれる新しいアルゴリズムも提案されている。
論文 参考訳（メタデータ） (2021-10-01T00:12:11Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - A Heuristically Assisted Deep Reinforcement Learning Approach for
Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。
提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文 参考訳（メタデータ） (2021-05-14T10:04:17Z) - 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) - SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep
Reinforcement Learning [102.78958681141577]
SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。
SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
論文 参考訳（メタデータ） (2020-07-09T17:08:44Z)
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。