移动边缘学习的自适应任务分配
我们研究了在一个拥有大量设备和一组边缘服务器的稠密网络中的分散任务卸载和负载平衡问题。通过将均值场多智能体多臂赌博(MAB)游戏与一种负载平衡技术相结合,调整服务器的奖励以实现目标人口分布,解决了由于未知网络信息和随机任务大小而导致的复杂优化问题。数值结果证明了我们方法的有效性和对目标负载分布的收敛。
Jun, 2024
本论文提出了一种基于极值理论的移动边缘计算系统设计,用于满足极其可靠的低延迟要求和减少用户能量消耗,同时考虑无线通道动态和服务器资源负载。论文提供了两种时间尺度的解决方案,即长时间尺度下的用户 - 服务器关联和短时间尺度下的动态任务卸载和资源分配策略,并通过仿真实验验证了该方法的有效性。
Dec, 2018
本文研究了移动边缘计算中的任务调度问题,采用马尔科夫决策过程方法解决该问题,并且提出了一种有效的一维搜索算法来找到最优的任务调度策略。仿真结果表明,与基线策略相比,该策略可以实现更短的平均执行延迟。
Apr, 2016
在多用户移动边缘计算场景下,考虑延迟和可靠性约束,提出了一种概率约束方法,使用了极值理论来解决低概率事件的问题,旨在最小化计算和传输功率,并使用 Lyapunov 随机优化工具解决。模拟结果表明该方法的有效性,同时研究了不同计算强度所需的功率延迟权衡和计算资源。
Oct, 2017
本文提出了一种基于边缘智能的方案,通过优化资源分配和服务部署,实现在多用户移动边缘计算系统上的 AI 服务执行任务,模拟结果表明,该算法与最优解非常接近,同时也显著优于其他代表性基准算法。
Nov, 2020
研究 MEC 启用的多小区无线网络中,联合任务卸载和资源分配(JTORA)问题,提出一种资源分配问题和任务卸载问题相结合的解决方案,其中资源分配问题采用凸优化技术解决,任务卸载问题则采用启发式算法,在数值模拟中表现接近最优解并显著提高了用户的离线效用。
May, 2017
本论文针对汽车间的计算任务卸载环境动态不确定的挑战,提出了一种基于自适应学习的任务卸载算法,在多臂赌博理论基础上,利用邻近车辆的卸载延迟性能进行学习并且能够适应动态环境,实现了分布式协作的任务卸载,并证明了具有子线性的学习遗憾。在综合考虑各种不确定性的条件下,实验结果表明,相比现有的以置信上限为基础的学习算法,该算法使任务卸载延迟性能更优,平均延迟降低了高达 30%。
Jan, 2019
本研究利用机器学习模型对边缘服务器中的请求分配进行优化,提供一种更高效的方法来解决移动边缘计算中的高维问题和不确定性场景,结果显示机器学习模型相对传统方法具有显著的解决时间改进。
Mar, 2024
通过设计的多目标 (深度) 强化学习 (MORL) 资源调度方案,结合了近端策略优化 (PPO) 方法以解决多目标边缘计算系统下未知偏好的问题,本研究在能源消耗与传输延迟最小化的前提下,通过多边缘 MEC 系统中多目标离线问题进行建模与解决。
Jul, 2023
通过建模任务图离线计算为马尔可夫决策过程,并设计了一种深度强化学习算法(SATA-DRL)来提供用户体验,以适应环境变化。大量模拟验证表明,SATA-DRL 在减少平均完成时间和截止时间违规方面优于现有策略。
Sep, 2023