,

مقاله طراحی مشترک ارتباط و محاسبات برای شبکه هوش مصنوعی متحرک تجسم‌یافته (MEAN)

تومان249,950

این مقاله به بررسی مسئله استراتژی مشارکتی انرژی‌کارآمد برای شبکه هوش مصنوعی متحرک تجسم‌یافته (MEAN) از طریق ارتباط بی‌سیم می‌پردازد. در مدل مورد بررسی، عامل‌ها وظایف را از طریق همکاری اجرا می‌کنند و م…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000052 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

طراحی مشترک ارتباط و محاسبات برای شبکه هوش مصنوعی متحرک تجسم‌یافته (MEAN)

Joint Communication and Computation Design for Mobile Embodied AI Network (MEAN)

نویسندگان: Chenliang Wu, Zhouxiang Zhao, Jiaxiang Wang, Ruopeng Xu, Chen Zhu, Zhaohui Yang, Zhaoyang Zhang

شناسه منبع: arxiv / 2605.14300

دسته: Signal Processing

چکیده (فارسی)

این مقاله به بررسی مسئله استراتژی مشارکتی انرژی‌کارآمد برای شبکه هوش مصنوعی متحرک تجسم‌یافته (MEAN) از طریق ارتباط بی‌سیم می‌پردازد. در مدل مورد بررسی، عامل‌ها وظایف را از طریق همکاری اجرا می‌کنند و می‌توانند بر اساس نسبت سیگنال به نویز (SNR) و همکاری جهانی بین دو حالت عملیاتی جابجا شوند. حالت دوگانه شامل حالت مشارکتی با کمک ایستگاه پایه (BS) است که در آن عامل‌ها از طریق ارتباط معنایی با BS تصمیم‌گیری کرده و سپس بر روی وظایف همکاری می‌کنند، و حالت محاسبات محلی که در آن عامل‌ها به طور مستقل تصمیم‌گیری و وظایف را اجرا می‌کنند. به دلیل ارتباطات بی‌سیم پویا و استراتژی همکاری انعطاف‌پذیر، ما مصرف انرژی محاسباتی، انرژی ارتباطی و انرژی اجرای وظیفه را همراه با بهره‌های مشارکتی خاص در یک مسئله بهینه‌سازی برنامه‌ریزی غیرخطی عدد صحیح مختلط (MINLP) در نظر می‌گیریم که هدف آن به حداقل رساندن کل مصرف انرژی سیستم است. برای حل آن، یک الگوریتم شمارش با پیچیدگی پایین‌تر پیشنهاد می‌کنیم: ابتدا، با اثبات تحدب اکید، راه‌حل بسته بهینه برای نسبت فشرده‌سازی معنایی و توان ارسالی را به دست می‌آوریم. ثانیاً، مقیاس همکاری و حالت عملیاتی هر عامل را با یک الگوریتم مرتب‌سازی حریصانه بر اساس پتانسیل صرفه‌جویی انرژی فردی تعیین می‌کنیم. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی می‌تواند در مقایسه با طرح‌های معیار، کل مصرف انرژی را به طور قابل توجهی کاهش دهد.

Abstract (English)

This letter investigates the problem of energy efficient collaborative strategy for mobile embodied artificial intelligence network (MEAN) over wireless communication. In the considered model, the agents execute the tasks through collaboration, and they can switch between two operating modes based on the signal-to-noise ratio (SNR) and global collaboration. The dual-mode comprises the base station (BS)-assisted collaborative mode, in which agents make decisions through semantic communication with BS and then collaborate on tasks, and the local computing mode, in which the agents make decisions and execute tasks independently. Due to the dynamic wireless communication and flexible collaboration strategy, we jointly consider computation energy, communication energy, and task-execution energy with specific collaborative gains into a mixed-integer nonlinear programming (MINLP) optimization problem whose goal is to minimize the total system energy consumption. To solve it, we propose a lower-complexity enumeration algorithm: first, we get the optimal closed-form solution for semantic compression ratio and transmit power by proving the strict convexity. Second, we determine the scale of collaboration and the operating mode of each agent by a greedy sorting algorithm based on individual energy-saving potentials. Simulation results show that the proposed algorithm can significantly reduce the total energy consumption compared to benchmark schemes.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله طراحی مشترک ارتباط و محاسبات برای شبکه هوش مصنوعی متحرک تجسم‌یافته (MEAN)”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا