边缘智能在线优化算法与车联网应用

本书系统阐述边缘网络中的在线优化问题，聚焦车联网充电调度、联邦学习激励机制和边缘迁移学习等关键技术；通过创新的在线拍卖算法和原始-对偶优化方法，解决了车辆充电长期成本优化、边缘计算资源调度等核心挑战；针对云边协同场景，提出了联合学习需求响应机制和动态分类器放置算法，为边缘智能提供了高效解决方案。全书从算法设计到应用落地，构建了完整的边缘计算优化技术体系，兼具理论深度和实践价值。

本书适合边缘计算、车联网等领域的研究人员阅读学习，也可供人工智能、计算机科学与技术等相关专业的师生参考。

第1章 概述

第2章 边缘网络在线优化机制

2.1 车联网充电调度在线优化机制

2.2 边缘网络充电计算在线调度优化机制

2.3 基于在线随机拍卖的联邦学习激励机制

2.4 边缘网络中在线迁移学习机制

2.5 云边缘系统的联合学习需求响应机制

第3章 基于车车在线拍卖的车辆充电调度优化机制

3.1 概述

3.2 系统模型

3.2.1 系统建模

3.2.2 问题制定和算法挑战

3.2.3 算法设计与性能分析概述

3.3 单轮拍卖算法

3.3.1 问题转换

3.3.2 胜者确定与计算报酬的原-对偶算法

3.3.3 近似分析和经济性质分析

3.4 长期成本优化算法

3.4.1 在线发电机状态控制算法

3.4.2 竞争力分析

3.5 应用实例与性能评估

3.5.1 实验设置

3.5.2 评估结果

3.6 本章小结

第4章 车联网充电计算在线调度优化机制

4.1 概述

4.2 系统模型

4.2.1 系统建模

4.2.2 问题制定和算法挑战

4.3 在线算法设计

4.3.1 概述

4.3.2 问题分解

4.3.3 重构和对偶问题

4.3.4 电动汽车放电在线算法

4.3.5 边缘工作负载迁移在线算法

4.4 理论分析

4.4.1 正确性与多项式时间复杂性

4.4.2 真实性与个体理性

4.4.3 竞争比率

4.5 应用实例与性能评估

4.5.1 实验设置

4.5.2 评估结果

4.6 本章小结

第5章 基于在线随机拍卖的联邦学习激励机制

5.1 概述

5.2 系统模型

5.2.1 系统建模

5.2.2 问题建模和算法挑战

5.3 在线社会成本最小化算法

5.3.1 在线分数算法

5.3.2 随机取整算法

5.3.3 遗憾和拟合分析

5.4 在线支付分配算法

5.4.1 支付分配算法

5.4.2 经济特性分析

5.5 应用实例与性能评估

5.5.1 实验设置

5.5.2 评估结果

5.6 本章小结

第6章 边缘网络中的在线迁移学习机制

6.1 概述

6.2 系统模型

6.2.1 系统建模

6.2.2 问题制定、挑战和目标

6.3 内在问题算法

6.3.1 内在问题

6.3.2 原始对偶算法

6.3.3 性能分析

6.4 长期转移学习算法

6.4.1 分类器放置的在线算法

6.4.2 迁移学习的在线算法

6.4.3 性能分析

6.5 应用实例与性能评估

6.5.1 实验设置

6.5.2 评估结果

6.6 本章小结

第7章 云边系统的联合学习需求响应机制

7.1 概述

7.2 系统模型

7.2.1 系统建模

7.2.2 问题制定和算法挑战

7.3 在线算法设计

7.3.1 问题重构

7.3.2 对偶问题

7.3.3 在线原始-对偶算法

7.4 理论分析

7.4.1 时间复杂度和正确性

7.4.2 真实性与个体合理性

7.4.3 竞争比率

7.5 应用实例与性能评估

7.5.1 实验设置

7.5.2 评估结果

7.6 本章小结

第8章 边缘智能的未来

参考文献