本文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：

主要作者及机构

本研究的主要作者为Peng Sun、Heli Zhang、Hong Ji和Xi Li，他们均来自北京邮电大学（Beijing University of Posts and Telecommunications）的教育部通用无线通信重点实验室（Key Laboratory of Universal Wireless Communications, Ministry of Education）。该研究发表于2018年IEEE/CIC国际通信会议（ICCC Workshops）。

学术背景

该研究的主要科学领域为移动边缘计算（Mobile Edge Computing, MEC）和超密集网络（Ultra-Dense Network, UDN）。随着移动设备和应用的快速发展，移动设备在计算能力和电池能量方面的局限性逐渐显现，移动边缘计算作为一种关键技术，旨在通过将任务卸载到云端来克服这些限制。然而，移动边缘计算与超密集网络的结合带来了许多问题，其中之一便是任务卸载（task offloading）问题。本文研究了一个包含多个依赖性子任务的实际应用场景，并将该应用建模为有向无环图（Directed Acyclic Graph, DAG），旨在最小化应用的完成时间。

研究流程

1. 系统模型与问题建模
   研究首先建立了一个系统模型，假设在一个用户设备（UE）周围部署了K个无线接入点（APs），UE需要计算一个包含多个子任务的应用。这些子任务之间存在依赖关系，即某些子任务必须在其他子任务完成后才能执行。研究将应用建模为有向无环图（DAG），并通过数学公式定义了子任务的执行时间、传输时间等参数。目标是通过优化任务分配策略，最小化整个应用的完成时间。

2. 算法设计
   由于该问题属于NP难问题，研究提出了一种基于列表调度算法（List Scheduling Algorithm）的启发式算法，称为统一最小完成时间算法（Unified Minimum Finish Time Algorithm）。该算法综合考虑了AP之间的传输时间和从UE到AP的卸载时间。算法分为三个阶段：

   • 分区与初始静态映射：将DAG划分为多个层级，每个层级的子任务相互独立。子任务按照层级和后代数量进行排序，并映射到能够提供最小完成时间的AP上。
     
   • 优先级分配：根据初始静态映射，计算每个子任务的优先级。优先级基于子任务的执行时间和后续任务的传输时间。
     
   • 统一最小完成时间算法：按照优先级顺序，将子任务映射到能够提供最小整体完成时间的AP上。

3. 仿真实验
   研究通过仿真实验验证了所提出算法的性能。实验场景中，UE位于中心，周围部署了12个AP。仿真参数包括上行链路速率、子任务的数据大小、依赖关系等。研究还引入了三种基准策略进行比较：单AP策略、随机分配策略和仅考虑AP间传输时间的策略。仿真结果表明，所提出的算法在最小化应用完成时间方面表现最佳。

主要结果

1. 完成时间对比
   仿真结果显示，所提出的统一最小完成时间算法在所有基准策略中表现最优。特别是在子任务数量较多时，该算法的优势更加明显。当AP数量达到5个时，完成时间不再显著下降，这是因为子任务的并行度有限。

2. AP使用数量
   研究还分析了不同策略下AP的使用数量。结果表明，所提出的算法能够根据子任务的并行度动态调整AP的使用数量，从而优化整体完成时间。

结论

本研究提出了一种基于列表调度算法的启发式算法，旨在解决移动边缘计算与超密集网络结合时的任务卸载问题。通过综合考虑AP之间的传输时间和从UE到AP的卸载时间，该算法能够有效最小化应用的完成时间。仿真实验验证了该算法的优越性能，特别是在子任务数量较多时表现出色。

研究亮点

1. 创新性算法：所提出的统一最小完成时间算法是本研究的主要创新点，它通过综合考虑多种时间因素，优化了任务分配策略。
   
2. 实际应用价值：该算法在实际应用中具有重要价值，特别是在需要处理大量并行子任务的场景中，能够显著提高计算效率。
   
3. 仿真验证：通过详细的仿真实验，研究验证了算法的有效性，并提供了与多种基准策略的对比分析。

其他有价值内容

本研究还详细讨论了子任务之间的依赖关系对任务分配策略的影响，并提出了如何通过动态调整AP使用数量来优化整体完成时间。这些内容为未来在移动边缘计算和超密集网络中的任务卸载研究提供了重要参考。

本研究为解决移动边缘计算中的任务卸载问题提供了新的思路和方法，具有重要的学术价值和实际应用意义。