用于手指康复的预训练形状记忆合金执行器的设计

《Sensors and Actuators A: Physical》：Design of pre-trained shape memory alloy actuators for finger rehabilitation

物联网在工业4.0和智慧城市中的应用日益广泛，但受限于计算资源和电池寿命，设备需依赖边缘-云架构进行任务卸载优化。本文提出基于控制理论和深度强化学习的两种方法，通过自研仿真平台ITSASO，在静态和动态场景下对比分析其能效与延迟表现。实验表明，Lyapunov优化在固定延迟需求下能稳定满足约束并延长设备寿命，而DRL算法（如DQN、AC、PPO）在动态环境中通过实时学习动态调整卸载策略，显著降低能耗并适应服务延迟变化。研究证实，静态环境更适合CT方法，动态场景中DRL更具优势，为边缘计算资源分配提供了理论依据。

　　随着物联网（IoT）应用对延迟、能耗和计算资源等要求的不断提升，任务卸载（task offloading）在优化边缘和云基础设施性能方面变得至关重要。因此，优化卸载以减少延迟、能耗，并最终确保适当的服务水平和提升性能，已成为一个重要研究领域。本文旨在比较三种任务卸载策略：基于控制理论（CT）的Lyapunov优化方法、基于深度强化学习（DRL）的策略以及传统的轮询（Round-Robin）或静态调度器。通过使用自研的仿真平台ITSASO，我们评估了这些策略在三层计算架构（IoT、雾、云）中的表现。该平台通过可配置的分布模型，模拟了IoT层的服务生成，使得每个IoT节点能够决定是否自主执行任务（本地处理）、卸载至雾层或发送至云服务器。我们的目标是减少设备的能耗，同时满足任务的延迟要求。

研究发现，Lyapunov优化方法在静态环境中表现优异，而DRL方法在动态环境中更具优势，能够更好地适应变化的需求和负载。本文分析了这些方法之间的权衡，突出了每种调度策略在不同场景下的适用性，从而为不同环境下的任务卸载策略提供了有价值的理论见解。此外，ITSASO的源代码已公开。

物联网技术为工业领域带来了新的应用，如实时健康监测、过程自动化（如物料搬运和产品组装）以及生产零件的质量控制。IoT技术提供了诸如提高效率、降低成本、提升生产力和增强供应链可见性等优势。物联网与无线通信技术（如5G）的融合正在改变应用的开发和部署方式。据预测，到2025年，物联网的市场价值将达到6万亿美元，年增长率约为15.12%。

然而，IoT设备在计算或内存能力方面通常不足以处理所有任务。因此，IoT依赖于不同的处理架构来处理数据，这些架构适用于特定的应用需求和环境。这些不同方法的结合构成了所谓的边缘-云连续体，其中包括从最接近终端用户的最小设备（用户设备）到最强大的节点（云服务器）的各种设备。这使得用户能够利用边缘计算和雾计算的特性。

考虑到某些用户设备（如IoT设备）通常具有有限的处理能力和电池寿命，将计算密集型任务卸载到外部服务器可以提高应用的运行效率，同时节省电池并改善整体性能。任务卸载还可以帮助更有效地分配资源，使应用能够支持更多的用户并处理更多的数据，而不会影响性能。尽管计算卸载具有诸多优势，但它也带来了挑战，例如潜在的网络拥塞和需要稳健的算法来有效管理动态资源分配。

因此，仔细考虑网络条件、任务需求和服务器占用情况对于成功实施这些卸载策略至关重要。通信质量对卸载效果有显著影响，而并非所有任务都适合卸载。总之，卸载有潜力通过提高服务质量（QoS）和优化资源来增强性能，但算法需要适应数据特性和服务需求。因此，边缘-云环境中的计算卸载解决了与资源限制、延迟和效率相关的多个关键挑战。

为了应对计算卸载问题，有必要充分建模和模拟所有构成卸载场景的元素，包括节点和服务器的特性、通信信道的条件等。因此，仿真框架对于优化边缘-云连续体中的任务卸载至关重要，因为它们允许服务提供商和用户避免潜在的瓶颈和低效，从而节省时间和成本。模拟不同的配置和负载有助于做出明智的决策，确保资源的最优使用和服务质量的维持，使得在实际环境中部署前能够进行可重复和可控的实验。

许多技术已被探索以解决计算卸载的非平凡问题。例如，基于控制理论的方法使用数学模型来管理和优化卸载决策，确保稳定性和性能。控制理论提供了精确且可预测的结果，但在复杂的动态环境中可能表现不佳。另一方面，机器学习（ML）技术，如深度强化学习（DRL），通过从环境中学习，实现动态和自适应的卸载策略。ML提供了灵活性和适应性，但可能需要大量的计算资源和训练数据。因此，DRL可以帮助解决这一问题，因为它不需要训练数据集，而是通过直接与环境交互进行学习，但受到自身经验的限制。

在本文中，我们比较了基于控制理论和DRL方法在边缘-云环境中的表现，提供了可量化的比较和对它们权衡的分析。我们强调了每种调度方法最适合的场景，实施了针对动态任务调度的优化DRL和CT算法，这些算法运行在IoT节点上，旨在满足延迟要求并优化能耗。据我们所知，这是首次直接比较DRL和CT方法在不同计算卸载场景中的研究，解决了关键指标如延迟和能耗的问题。

为了进行这种比较，我们引入了ITSASO，这是一个灵活且可配置的仿真平台，用于评估计算任务卸载策略的性能。它代表了不同的实体：IoT节点、雾服务器（FS）和云服务器（CS），以及它们之间的通信。该平台的部署使我们能够进行详细考察，以检查不同解决方案的实用性。此外，这为我们定制平台以满足特定的研究需求和进行精确的实验和模拟提供了机会。

本文的其余部分结构如下。第2节提供了相关工作的全面回顾，突出了本论文与现有研究和方法的差异。第3节概述了系统模型，描绘了仿真平台的架构和组件。第4节描述了仿真平台，讨论了构建它所使用的工具和可以配置的不同选项。第5节介绍了评估的算法，解释了它们的设计、功能以及如何解决卸载挑战。第6节讨论了获得的结果，提供了对算法在仿真平台中性能和有效性的详细分析。最后，第7节总结了论文的关键发现，讨论了其影响，并提出了未来研究的方向。

在这一节中，我们回顾了近年来探讨不同技术和策略以解决计算卸载问题的最新研究，以及最相关的仿真平台。这些平台用于模拟和评估计算卸载问题，但并非所有平台都允许使用这些解决方案。它们通常只是让用户配置不同层的设备和一些调度算法的配置。我们讨论了一些最相关的平台。

iFogSim2是iFogSim的扩展，是一个基于CloudSim的仿真平台。它被设计用于建模和模拟IoT、边缘和雾计算环境中的资源管理技术。iFogSim2允许用户模拟任务调度、负载均衡和资源分配，以优化诸如延迟、能耗、成本和网络拥塞等性能指标。iFogSim2支持移动性和动态聚类，从而能够模拟具有动态设备和服务的现实场景。其主要缺点是仅支持集中式、基于规则的卸载策略，因此不适合用于分散式的DRL或CT调度方案。

CETO-Sim是一个模块化的仿真平台，专门用于云-边缘任务卸载，包括任务管理、网络拓扑、终端用户、调度策略、服务器和操作组件。用户可以模拟不同的计算环境并实时监控任务参数，构建不同的物理实体并将其组合。CETO-Sim通过这些组件之间的交互来模拟任务卸载，同时记录各种任务参数和模拟实体的变化。然而，没有公开的源代码或二进制文件。

EdgeAISim是一个模拟器，允许在Python中使用人工智能（AI）模型来评估边缘计算系统中的资源管理技术。它扩展了EdgeSimPy框架，并开发了新的AI驱动的仿真模型，用于任务调度、能耗管理、服务迁移、网络流调度和边缘计算环境中的移动支持。该模拟器已与DQN和AC模型测试，旨在减少边缘节点的能耗。与ITSASO相比，它更适合于AI模型在边缘的放置和推理，而不是任何运行在容器中的软件。

EdgeSim++是一个能够生成一批异构设备的模拟器，支持各种多层云-边缘端场景和不同的MEC架构。它兼容ML和非ML卸载策略，并支持网络拓扑配置，以及设备资源变化的实时监控。它能够模拟线性和离散工作流的任务卸载，从而允许更精细的策略定制。尽管EdgeSim++是一个具有广泛配置能力的模拟器，能够测试复杂和多样的场景，但可能比ITSASO更复杂。

综上所述，ITSASO允许模拟不同的边缘-云场景，并评估不同的调度算法。此外，通过我们架构的模块化设计，将实现雾/云功能的Docker容器转移到实际部署中可以较为直接地完成。

在本节中，我们将深入探讨解决计算卸载问题的算法开发和实现。我们提供每种情况下的优化问题的详细描述，包括理论公式和解决该优化问题所需的程序步骤。

基于控制理论（CT）的Lyapunov优化方法是一种在边缘-云环境中进行任务卸载的重要策略。在这一方法中，每个服务的延迟需求在决策过程中被考虑。因此，我们引入了P（t）作为在时间t时使用的第n种处理方式的能耗惩罚。在本地处理的情况下，设备的电池消耗是唯一考虑的因素。另一方面，卸载决策（雾或云）由于传输而增加电池消耗。在两种情况下，惩罚与传输的流量量成正比，即服务大小。我们考虑的是时间平均期望值，而不是瞬时指标，以确保在不同场景下获得更全面的性能评估。

在本文中，我们提出了基于深度强化学习（DRL）的方法，这些方法使IoT节点能够通过与环境的交互学习最优策略。我们使用马尔可夫决策过程（MDP）来建模系统，以表示一个动态系统中环境可能随机演变的决策过程。在每个阶段，UE会对当前状态进行分析，每个UE使用一个实例的决策算法来确定适当的行动。因此，每个代理旨在学习如何在共享环境中优化其决策，这些行动可以影响环境的状态，从而影响其他UE的决策和奖励。

在本文中，我们还分析了系统在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们提出了基于深度强化学习（DRL）的策略，这些策略使IoT节点能够通过与环境的交互学习最优策略。我们使用马尔可夫决策过程（MDP）来建模系统，以表示一个动态系统中环境可能随机演变的决策过程。在每个阶段，UE会对当前状态进行分析，每个UE使用一个实例的决策算法来确定适当的行动。因此，每个代理旨在学习如何在共享环境中优化其决策，这些行动可以影响环境的状态，从而影响其他UE的决策和奖励。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法在静态和动态环境中，以确定每种调度方法在何种条件下表现更好，考虑到优化目标是减少能耗并满足任务的延迟要求。此外，为了确保在两种场景之间进行公平的比较，我们使用相同的图表进行绘制，并使用相同的指标。

在本文中，我们还分析了不同调度方法在不同场景下的行为，包括一个具有固定流量和固定延迟要求的场景，以及一个具有泊松分布和可变延迟服务要求的场景。目的是评估不同的调度方法