利用深度 Q 学习最小化支持雾计算的车联网信息时代
应用深度强化学习算法,联合设计无人机的轨迹,以最小化信息的年龄,从而确保基站中接收到的信息是尽可能新鲜和准确的。相比基准方案,该算法平均可降低 25%的信息年龄,并需要少至 50%的能量。
Sep, 2022
该研究探讨了一种去中心化的传输策略,通过利用传感器传输过程和网络拥塞对信息年龄(AoI)的影响,结合基于粒子滤波和强化学习的方法,实现了多代理间的协同最小化预期的 AoI。
Dec, 2023
该论文研究了在无人机辅助网络中的信息时代(Age-of-Information,AoI)问题,并通过优化无人机的停止位置和设备选择概率来最小化设备之间的平均 AoI。为了解决这个问题,论文首先推导了一个包括设备选择概率的平均 AoI 的闭合形式表达式。然后,将该问题建模为一个带有服务质量约束的非凸最小化问题。由于该问题难以求解,论文提出了一种基于集成深度神经网络(Ensemble Deep Neural Network,EDNN)的方法,该方法利用了所研究问题的双重形式化。具体而言,集成中的深度神经网络(Deep Neural Networks,DNNs)通过使用所研究问题的 Lagrangian 函数进行无监督方式的训练。实验结果表明,所提出的 EDNN 方法在减少平均 AoI 方面优于传统的 DNN 方法,实现了 29.5% 的显著降低。
Sep, 2023
本文针对超可靠低延迟通信下的 Age of Information (AoI) 问题,通过建立 AoI 尾部分布模型和最小化传输功耗方法,在机动车通信网络的环境下有效地提高 URLLC 性能,同时探究确定性和马尔科夫交通规律下传输延时问题
Dec, 2019
本文研究了在曼哈顿网格车辆间通信网络中,基于信息年龄感知的无线电资源管理问题,通过马尔可夫决策过程的方法,使用长短时记忆模型和深度强化学习技术提出了一种去中心化的策略,实现每个车辆用户设备 - 对之间的最优消耗和信息更新。实证分析表明,所提出的算法能够显著地提高性能。
Aug, 2019
通过学习的基于马尔可夫事件的新颖框架,利用无人机作为飞行基站,预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略,最终通过深度强化学习方法改进传输性能。
Jan, 2024
移动边缘计算在实时应用中对信息时效性的重要性提出了新的理解与优化方法,基于马尔可夫决策过程和深度强化学习,将偏知识利用与系统动态建模相结合的算法应用于此问题研究,结果表明算法在多种场景下优于其他基准算法。
Dec, 2023
研究了一种 UAV 辅助的无线网络,通过 Markov 决策过程和深度强化学习算法优化飞行轨迹和任务调度来最小化信息年龄值的加权和,取得了显著的研究成果。
May, 2019
本文研究了在车辆网络中如何通过最小化信息时代和发送功率消耗来提供及时更新,采用非正交多模式信息传播方法,利用混合深度 Q 网络和深度确定性策略梯度模型解决多目标优化问题,并提出了一个两阶段元多目标强化学习解决方案来估计 Pareto 前沿。
Feb, 2024
提出了一种基于可重构智能表面的车联网网络方案,利用信息时代模型和负载传输概率模型来优化车辆与基础设施之间的时效和车辆之间的稳定性,通过软性演员 - 评论家算法以最小化信息时代和优先传输负载的方式,使用驻波状态下 AI-B 图方案控制车辆的资源分配和相移控制,仿真结果表明该算法在收敛速度、累积奖励、信息时代性能和负载传输概率等方面胜过其他算法。
Jun, 2024