移动边缘计算任务卸载与资源分配优化研究

随着技术的进步，基于免疫算法的认知无线电资源分配研究正逐步深入探索和优化。

Yarn 的内存分配与管理涉及 ResourceManage、ApplicationMaster 和 NodeManager 三个核心组件，优化策略也围绕着这些组件展开。Container 作为运行 MapReduce 任务的容器，在 Yarn 的资源管理中扮演着重要角色，其内部机制值得深入探究。

任务分配优化 利用组合优化中的分支限界法，高效解决任务分配问题，寻找最佳分配方案。

银行家算法是一种著名的死锁避免算法，由艾兹格·迪科斯彻在1960年代提出。它主要应用于操作系统中的资源管理，模拟银行对资金分配的策略，确保系统在资源有限的情况下依然能够安全运行。算法的核心在于通过分析进程对资源的最大需求量及当前分配情况，判断是否可以安全地分配资源，从而避免死锁的发生。安全序列作为其关键概念，指的是在给定资源状态下，能够顺利分配资源以保证所有进程顺利执行。

LODCO算法是在论文“使用能量收集设备进行移动边缘计算的动态计算LODCO Algorithm”中提出的，相关MATLAB代码为LODCO.m。基于LODCO的贪婪算法LODCO-Based Greedy Algorithm和epsilon-Greedy算法LODCO-Based epsilon-Greedy Algorithm分别在论文“具有能量收集设备的多服务器移动边缘计算系统的执行成本和公平性优化”中描述，并附有相应的MATLAB代码LODCO_based_Greedy.m和LODCO_based_e_Greedy.m。另外，基于贪心策略的基于LODCO的遗传算法LODCO-Based

本研究主要探讨针对移动群智感知的任务分发方法，提出一种新的参与者选择策略：多任务并发的参与者优选。与传统方法不同的是，选定的参与者能够在规定时间内同时完成多个任务，从而有效降低群智平台的成本。引入了MultiTasker方法，选择最佳的参与者集合，使得任务完成时参与者的移动总距离最短，同时优化用户资源利用效率。研究设计了三种算法：T-Random、T-Most和PT-Most，分别以任务为中心和用户为中心进行参与者选择。通过大规模真实数据集的实验评估，分析了任务分布和执行时间等因素对参与者选择的影响。

云计算任务调度是云计算管理中的关键问题之一，对于提高云计算系统的性能和资源利用率具有重要意义。深入探讨了云计算任务调度的研究现状、方法及未来展望。在研究现状部分，介绍了基于FIFO、基于优先级和基于机器学习等多种调度策略；在方法部分，对理论分析和实验分析进行了详细说明；在成果部分，总结了各种调度策略的优化效果；在未来展望部分，探讨了混合调度策略、动态调整和强化学习等新的研究方向。

组合问题中的分支限界法任务分配问题的讨论。主讲人是郭嘉明和张旋。

整数优化matlab命令[X,FVAL,EXITFLAG,OUTPUT,LAMBDA] = INTLINPROG(f,A,b,Aeq,beq,LB,UB) 最小化 f‘x，满足条件 Aeqx = beq 和 A*x <= 0。LB 和 UB 分别是变量 x 的下界和上界限制。