雾计算系统中的动态协作任务卸载与匹配理论
1. 雾计算系统中的动态协作任务卸载
在雾计算系统中，问题 P 可通过线性规划（LP）解决，与相关工作中的算法相比，计算复杂度较低。该问题的解决方案指明了动态方法，确定了应划分哪些任务以及划分多少子任务，哪个雾设备处理哪个子任务，还有子任务的传输和处理顺序。
1.1 仿真环境设置
使用 Python 中 SimPy 库支持的事件驱动框架进行仿真场景的模拟，以研究动态协作任务卸载（DCTO）的性能，并与相关算法进行对比研究。以下是仿真场景的重要参数及取值：
| 参数 | 值 |
| ---- | ---- |
| N | {4,5,6,7} |
| ai | U(5,10) MB |
| λ | {0.5, 1.0, 1.5, 2.0, 2.5} 任务/秒 |
| M | 随机取自 {128, 256, 512, 1024} MB |
| γ | U(500,1200) (周期/比特) |
| f | U(5,20) GHz |
| roi | U(100, 150) Mb/s |
所有仿真结果取 100 轮仿真的平均值，每轮仿真根据 CPU 时钟持续 100 秒。将提出的 DCTO 方法与 RCO 和 POST 进行比较。RCO 在每次决策时考虑调度和卸载多个任务，但不采用任务划分，也不考虑雾设备的排队状态和任务请求率。POST 则使用博弈论找到将任务/子任务映射到雾设备的广义纳什均衡（GNE）点，同样不考虑任务请求率、任务调度和排队状态的影响。
1.2 评估与分析
- <
