Dec, 2017

基于学习的能量收集 IoT 设备计算卸载

PDF
TL;DR本文研究无线网络中具备能量收割功能和多个 MEC 设备 (IoT) 的计算卸载，提出了基于强化学习的计算卸载框架，包括基于 Q-learning 的 hotbooting 计算卸载方案和基于 DQN 的快速计算卸载方案，针对不同的 MEC 场景给出了性能界限，并使用模拟结果验证算法效果。
internet of thingsmobile-edge computingenergy harvestingreinforcement learningq-learning
发现论文，激发创造
  • 无线供能移动边缘计算网络中的在线计算卸载深度强化学习

    本文提出了一种基于深度强化学习的在线边缘计算离线策略，在自适应调整参数的基础上有效减少了计算时间，提高了计算性能。

    Aug, 2018

  • 移动边缘计算中的动态计算卸载与能量收集设备

    本文介绍了一种利用能量收集技术来为移动设备供电的绿色 MEC 系统，并开发了一种有效的计算卸载策略。从执行成本、执行延迟和任务失败三个角度，提出了 Lyapunov 优化的动态计算卸载（LODCO）算法，并在模拟中验证了其有效性和性能。

    May, 2016

  • 移动边缘计算中的性能优化：基于深度强化学习的方法

    本文提出了一种基于深度强化学习和马尔科夫决策过程的移动边缘计算系统中的任务卸载策略优化算法。实验结果表明，该算法相比基线策略有了显著的平均成本改善。

    Mar, 2018

  • 虚拟边缘计算系统中基于深度强化学习的计算卸载性能优化

    本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

    May, 2018

  • 基于区块链的物联网网络中带有深度强化学习的安全计算卸载

    使用区块链和强化学习算法，探讨了移动边缘云计算系统中保证安全性和减轻计算负担的任务卸载问题。

    Aug, 2019

  • 基于能量收集的移动边缘计算离线卸载和自动扩展的在线学习

    本文提出了一种基于强化学习的资源管理算法，用于将可再生能源纳入移动边缘计算中，在动态负载卸载和边缘服务器供应方面实现最优策略，以最小化系统成本和延迟，并通过模拟结果验证了算法的有效性。

    Mar, 2017

  • 利用强化学习进行物联网边缘计算资源分配

    本文提出一种边缘计算中使用强化学习来降低能耗和任务执行延迟的近似最优算法。

    Mar, 2019

  • 多用户移动边缘计算的分散式计算卸载：一种深度强化学习方法

    本文探讨了一种分散式的深度强化学习方法来优化移动边缘计算系统中的任务卸载策略，并分析了功耗和延迟之间的权衡关系。结果表明，该方法比传统的深度 Q 网络方法以及其他贪心策略能够更有效地降低资源消耗成本。

    Dec, 2018

  • 基于深度强化学习的移动边缘计算 QoE 导向的计算卸载算法

    在移动边缘计算领域，通过有效的计算任务卸载可以确保用户无缝的体验质量。本研究以马尔科夫决策过程为基础，提出了一种基于深度强化学习的去中心化 QoS 导向的计算任务卸载算法，通过充分利用边缘节点的计算资源，能够显著提高用户的体验质量。

    Nov, 2023

  • 基于 Koopman 轨迹模型的 ISAC 启用的物联网系统中的高移动性范式和计算卸载

    移动设备上的用户体验受到有限的电池容量和处理能力的限制，但 6G 技术的进步正在迅速促使移动技术的演进。移动边缘计算（MEC）提供了一种解决方案，将计算密集型任务卸载到边缘云服务器，与本地处理相比减少了电池消耗。即将到来的移动通信的集成感知与通信可能改善轨迹预测和处理延迟。本研究提出了一种贪婪资源分配优化策略，用于多用户网络以最小化聚合能量使用。数值结果显示，每 1000 次迭代，潜在改进可达 33％。解决预测模型划分和速度精确性问题对于获得更好的结果至关重要。为即将到来的工作阶段详述了进一步改进和实现目标的计划。

    Jun, 2024