利用移动智能:延迟优化的车联网雾计算卸载
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
本研究针对未来雾计算系统,提出了一种基于学习的车联网移交优化方案,利用机器学习算法学习车辆与雾节点的互动,运用神经网络预测给定位置和时间的正确雾节点,以及实现了一种双层堆叠的循环神经网络,可以学习处理请求的高延时服务,用于创建智能请求路由机制,优化服务中断并预测低覆盖区域,其测试集准确率达到 99.2%。
Dec, 2018
本文提出了一种数字孪生(DT)辅助的任务卸载框架,用于移动边缘计算卸载策略的优化,基于预测未来计算任务的学习方案,将卸载调度过程建模为马尔可夫决策过程(MDP),以在延迟、能耗和云租用成本之间平衡,以获得最优卸载策略。
Dec, 2021
本文提出了一种网络感知分布式学习优化方法,使设备在成本和效益之间进行数据传输和处理决策,并通过测试数据集证明算法能够显著提高网络资源利用效率,同时不损害模型学习准确性。
Apr, 2020
本文提出了一种汽车边缘联合学习(VEFL)方案,其中边缘服务器利用高移动性的连接车辆(CV)的机载中央处理单元(CPU)和本地数据集来训练全局模型,并通过关于 CV 的训练模型成功接收的收敛分析来选择参数优化子问题。
Oct, 2022
该论文研究了支持低延迟触觉互联应用的能量高效雾计算网络的设计,引入了一种称为 offload forwarding 的新型合作雾计算概念,详细阐述了在集中式和分布式训练解决方案中的设计细节和优化算法。
Jan, 2020
通过利用移动边缘计算来减轻计算负担,本文提出了一种基于在边缘服务器端的可移动感知深度强化学习模型的有效解决方案,用于计算调度和资源,结果表明该方法可以通过使用最少的机器人能量满足延迟要求并保证计算精度。
Aug, 2023
提出了一个基于深度强化学习的知识驱动服务卸载决策框架,用于解决车辆互联网中多任务服务的卸载问题,并使用仿真实验证明此框架具有快速收敛、适应环境变化和优于贪心算法的性能优势。
Dec, 2018
本文提出了一种合作卸载框架,通过船舶和无人机协作来处理海事任务卸载问题,并使用马尔科夫决策过程来最小化总执行时间和能源成本,通过 Lyapunov 优化将长期限制转化为短期限制,并提出了一种基于 Q-learning 的方法来有效地解决短期问题。
Feb, 2023
利用车辆的计算和感知能力,本文提出了一种车辆联邦学习(VFL)算法,通过直接车对车(V2V)通信增强 VFL 训练效率,并考虑能量限制和车辆的移动性问题来优化 VFL 训练性能。通过导数漂移加罚方法将长期随机优化问题转化为在线混合整数非线性规划(MINLP)问题,并通过理论分析来衡量在线解和离线最优解之间的性能差距。通过对调度优先级的进一步分析,将原始问题简化为一组凸优化问题,并使用内点法有效求解。实验结果表明,与现有基准相比,所提出的算法将 CIFAR-10 数据集上的图像分类准确度提高了 3.18%,并将 Argoverse 轨迹预测数据集上的平均位移误差降低了 10.21%。
Jun, 2024