Jun, 2019

缓存辅助的 NOMA 移动边缘计算：一种强化学习方法

PDF
TL;DR本文提出了一种基于 NOMA 的缓存辅助移动边缘计算框架，使用 LSTM 网络预测任务的受欢迎程度，MAQ-learning 算法用于任务卸载决策并证明了其在每个状态下选择的动作均为最优解。实验结果表明，该框架优于本地计算、卸载计算和非缓存计算，并且 BLA-based MAQ-learning 相对于传统强化学习算法具有更好的性能。
non-orthogonal multiple accessmobile edge computingcache-aidedtask offloadingq-learning
发现论文，激发创造
  • 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

  • 移动边缘缓存中的强化学习安全性

    该研究探讨 MEC 系统中的攻击模式，并使用强化学习提供了安全的卸载和认证方案，以保护数据隐私。

    Jan, 2018

  • 移动边缘计算中基于深度强化学习的任务图离载

    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

  • 缓存辅助的 NOMA 系统中的功率分配：优化与深度强化学习方法

    本文研究使用缓存和非正交多址接入技术进行系统优化及功率分配问题，并提出了两种方法，一种基于分治策略，另一种使用深度强化学习算法，通过仿真实验验证了这两种方法的有效性和性能。

    Sep, 2019

  • 利用深度强化学习在无小区大规模 MIMO 系统中进行边缘缓存

    本文提出使用缓存算法和深度强化学习等技术，来解决铁路无线通信中，列车高速对信号传输产生的影响，从而提高服务体验质量和用户满意度。

    Aug, 2022

  • 协作边缘计算系统中的联合服务缓存、通信和计算资源分配：基于深度强化学习的双时间尺度方法

    通过多维资源的资源共享、服务缓存、深度强化学习等方面的联合优化，我们提出了一种协同多接入边缘计算（MEC）框架，旨在最大化长期的服务质量（QoS）并降低缓存切换成本。通过改进的遗传算法（GA）和基于长短期记忆网络的深度确定性策略梯度（LSTM-DDPG）组成的深度强化学习（DRL）的双时间尺度方案（DGL-DDPG），我们将优化问题转化为马尔可夫决策过程（MDP），以实现大时间尺度上的服务缓存决策。仿真结果表明，我们提出的算法在平均 QoS 和缓存切换成本方面优于基准算法。

    Jul, 2023

  • 多目标深度强化学习用于移动边缘计算

    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

  • 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

  • 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