發(fā)布時(shí)間：2024-09-17 12:33

　　 深度神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的數(shù)據(jù)分析功能而被廣泛使用在移動(dòng)智能應(yīng)用中,然而其計(jì)算任務(wù)的復(fù)雜性給計(jì)算能力與電池容量均有限的終端設(shè)備帶來(lái)了巨大的挑戰(zhàn)。若將深度神經(jīng)網(wǎng)絡(luò)中的計(jì)算任務(wù)完全卸載到云端,則會(huì)產(chǎn)生較高數(shù)據(jù)傳輸時(shí)延。移動(dòng)邊緣計(jì)算因其低時(shí)延、分布式、位置感知的優(yōu)勢(shì)能有效解決深度神經(jīng)網(wǎng)絡(luò)的時(shí)延和能耗問(wèn)題。為了在保證用戶時(shí)間約束的同時(shí),充分優(yōu)化終端設(shè)備能耗,建立了移動(dòng)邊緣計(jì)算環(huán)境中深度神經(jīng)網(wǎng)絡(luò)計(jì)算任務(wù)卸載的時(shí)間和能耗評(píng)價(jià)模型,基于該模型提出了移動(dòng)邊緣計(jì)算環(huán)境中基于能耗優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)計(jì)算任務(wù)卸載策略。該策略以神經(jīng)網(wǎng)絡(luò)層為單位,將深度神經(jīng)網(wǎng)絡(luò)中的計(jì)算任務(wù)進(jìn)行拆分,在計(jì)算任務(wù)卸載時(shí),對(duì)移動(dòng)邊緣計(jì)算環(huán)境中多重計(jì)算資源進(jìn)行綜合考慮。最后,提出了移動(dòng)邊緣環(huán)境中基于多重資源任務(wù)卸載的粒子群調(diào)度算法,該算法能在滿足時(shí)間約束的同時(shí),充分優(yōu)化終端設(shè)備能耗。實(shí)驗(yàn)表明,與已有的3種任務(wù)卸載策略相比,新策略對(duì)應(yīng)的粒子群調(diào)度算法所得適應(yīng)度值最優(yōu),滿足時(shí)間約束下,終端設(shè)備的能耗值最低。

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
1 問(wèn)題的提出
2 相關(guān)工作
3 移動(dòng)邊緣計(jì)算中深度神經(jīng)網(wǎng)絡(luò)計(jì)算任務(wù)卸載模型
    3.1 基于DNNs結(jié)構(gòu)的計(jì)算任務(wù)模型和負(fù)載模型
        3.1.1 基于DNNs結(jié)構(gòu)的計(jì)算任務(wù)模型
        3.1.2 負(fù)載模型
    3.2 任務(wù)卸載時(shí)間與能耗模型
        3.2.1 任務(wù)卸載時(shí)間模型
        3.2.2 任務(wù)卸載能耗模型
4 基于多重資源任務(wù)卸載的粒子群調(diào)度算法
    4.1 適應(yīng)度函數(shù)
    4.2 算法描述
5 實(shí)驗(yàn)分析
    5.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
    5.2 實(shí)驗(yàn)結(jié)果與分析
        5.2.1 適應(yīng)度值的比較
        5.2.2 能耗和時(shí)間的比較
6 結(jié)束語(yǔ)



本文編號(hào)：4005460