| 评审组： | 电子与通信技术组 | | 项目名称： | 资源受限的端边协同计算任务卸载理论与方法 |
| 提名单位： | 陕西省教育厅 |
| 提名等级： | 一等奖 |
| 提名单位意见： | 该项目聚焦有限端边资源与任务计算需求之间的矛盾，针对资源受限条件下任务卸载在能效、时延和自适应性等方面的瓶颈问题，系统开展了端边协同计算任务卸载的理论与方法研究。该项目通过深刻剖析影响终端能耗的各种复杂因素，联合考虑卸载决策、发射功率与计算频率，构建了灵活可调的能耗控制机制。进一步设计了面向任务拆分与并行处理的一对多卸载架构，突破传统就近卸载与二项决策的局限，实现了信道波动与负载失衡条件下的卸载延迟优化。面对边缘环境的动态变化特性，设计了“到达-等待-计算”卸载模型，引入强化学习实现策略动态更新，提升了卸载机制在复杂动态环境下的适应性。项目成果具有显著的理论深度与工程实用价值，不仅建立了边缘计算任务卸载的重要基础模型与优化框架，推动了该领域在资源受限条件下的理论创新与发展，还在智慧物流、安防监控等典型场景中实现了落地应用，取得了良好的实际效果与经济效益。相关研究成果已在国际高水平期刊会议上发表，产生了较大影响，获得国内外专家高度评价。成果材料齐全、规范，无知识产权纠纷，人员排序无争议，符合陕西省自然科学奖提名条件，推荐申报。 |
| 项目简介： | 
|
| 客观评价： | 
|
| 代表性论文专著目录： | 
|
| 主要完成人情况： | - 姓名：刘家佳
排名：1
行政职务：无
技术职称：教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：对本项目科学发现点1、2、3做出了贡献，是代表性论著1、2、4、5的通讯作者，代表性论著6、7的第一作者，代表性论著3的主要作者。作为项目主要参与者，负责项目具体执行、实施和管理。
在科学发现点1：揭示了终端侧发射功率、网络侧信道状态、计算频率等多因素对终端能耗的影响机理，设计了可灵活赋权的卸载开销模型，解决了多源因素复杂耦合下端边协作卸载能耗优化问题。
在科学发现点2：设计了面向时延敏感任务的一对多任务拆分卸载策略，实现了资源受限场景下任务卸载时延性能提升。
在科学发现点3：发现了在任务、信道、算力等动态条件下端边协同计算系统性能演变成因。
证明材料见必备附件1-代表性论著1~7。
- 姓名：郭鸿志
排名：2
行政职务：无
技术职称：副教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：与他人合作完成科学发现点1、2、3。
在科学发现点1：刻画了终端电池能耗与卸载开销间的关联关系，提出了面向空地协同计算的移动轨迹规划和任务卸载方法，协助解决了卸载决策、发射功率与计算频率等多因素复杂耦合下端边协作卸载能耗优化问题。
在科学发现点2：提出了面向高速移动终端的低时延任务卸载方法。
在科学发现点3：设计了环境因素特征编码建模方法。
是代表性论著1、2、8的第一作者，代表性论著4的主要作者，证明材料见必备附件1-代表性论著1、2、4、8。
- 姓名：王佳黛
排名：3
行政职务：无
技术职称：副教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：与他人合作完成科学发现点3，具体贡献为：设计了基于高效特征抽取双层深度强化学习驱动的自适应任务卸载算法，解决了动态边缘环境下能耗与时延性能的退化问题。是代表性论著5的第一作者，代表性论著8的主要作者，证明材料见必备附件1-代表性论著5、8。
- 姓名：池凯凯
排名：4
行政职务：无
技术职称：教授
工作单位：浙江工业大学
完成项目时所在单位：浙江工业大学
对本项目主要学术贡献：与他人合作完成科学发现点2，具体贡献为：构建了一对多的新型任务拆分卸载架构，揭示了任务拆分、传输时长分配、边缘算力等因素对任务完成时延的作用机理。是代表性论著3的通讯作者，证明材料见必备附件1-代表性论著3。
|
| 主要完成单位： | - 单位名称：西北工业大学
单位贡献：本单位是本项目的第一完成单位，本项目第一、第二、第三完成人刘家佳、郭鸿志、王佳黛是我校网络空间安全学院的教师，是本项目8篇代表性论著的第一作者/通讯作者/主要作者。作为本项目的组织和实施单位，在项目的实施过程中，为项目团队提供了研究场地、相关科研仪器和设备，有效支撑了项目的管理和保障工作。项目完成人的主要贡献如下：1. 揭示了终端侧发射功率、网络侧信道状态、计算频率等多种因素对终端能耗的影响机理，建立了可灵活赋权的卸载开销模型，提出了面向空地协同计算的移动轨迹规划和任务卸载方法，为资源受限场景下的端边协同能效优化提供了理论依据。2. 提出了面向高速移动终端的低时延任务卸载方法，设计了面向时延敏感任务的一对多任务拆分和卸载策略，为资源受限场景下任务卸载延迟优化提供了方法支撑。3. 发现了在任务、信道、算力等动态条件下端边协同计算系统性能的演变成因，提出了环境因素特征编码建模方法，设计了基于高效特征抽取双层深度强化学习驱动的自适应任务卸载算法，解决了资源受限场景下动态环境能耗与时延性能的退化问题。
- 单位名称：浙江工业大学
单位贡献：针对边缘计算环境中多服务器协同场景下的关键挑战展开创新性探索。在5G万物互联时代背景下，随着智能终端数量指数级增长和新型实时应用的涌现，传统边缘计算系统面临着无线资源受限与计算资源分配失衡的双重困境。提出了“通信-计算”联合优化框架，通过非正交多址接入（NOMA）技术与动态负载均衡机制的深度融合，构建了数据驱动与模型驱动协同的智能管控体系。创新性地设计出“灰盒式”混合智能架构，该架构有机融合深度强化学习的感知优势与优化理论的可解释特性。这种双轮驱动机制不仅实现了毫秒级实时决策，更保证了解决方案的渐进最优性，其计算延迟与全局最优解的差距始终控制在1%以内。本研究成果自2022年在IEEE Transactions on Communications发表以来，广获通信网络领域学者认可，已连续三年保持ESI高被引论文地位。核心算法已应用于工业物联网边缘云平台，在智能制造场景中实现毫秒级实时响应。
|
| 完成人合作关系说明： | 完成人合作关系说明：1
|
