Oct, 2020

面向延迟的物联网任务调度的深度强化学习在空天地一体化网络中的应用

PDF
TL;DR本文旨在设计一种任务调度策略，以最小化所有任务的离线和计算延迟，同时满足无人机能源容量约束下的延迟导向物联网服务需求，并考虑到任务到达动态变化的情况，提出了基于风险敏感的强化学习算法来解决能耗风险约束下的决策问题。
space-air-ground integrated networkdelay-oriented iot servicesunmanned aerial vehicleoffloading decisionsenergy-constrained markov decision process
发现论文，激发创造
  • 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

  • 基于深度强化学习的车联网边缘计算多接入调度

    利用无人机辅助多智能体图卷积深度强化学习算法，实现车道上物联网设备最大化的用户体验，并在仿真中取得了良好的性能。

    Feb, 2022

  • 基于深度强化学习的物联网驱动智能孤岛微电网最优调度

    本文使用深度强化学习技术研究了 IoT 驱动孤立微电网中柴油发电机（DG）的调度问题。旨在在可再生能源不确定性情况下充分利用可再生能源，通过离散 - 连续混合动作空间的 DRL 算法解决了二进制 DG 开关决策和连续能量调度决策，并针对旋转备用的情况提出了 POMDP 模型，实验显示其性能要优于同类算法。

    Apr, 2023

  • 基于深度强化学习的无人机辅助智能农场网络任务卸载

    本篇论文提出了一种基于深度 Q 学习的决策算法，使得使用 UAV 和多接入边缘计算设备的无线网络能够有效地监测农田，通过图像分类来预防火灾或洪水等情况，并且与 Q 学习和三种基线算法相比，本文方法在监测效果和性能方面表现出了可比较的结果，而且能够比 Q 学习更快地达到收敛。

    Sep, 2022

  • 智慧农业飞行基站任务卸载的风险敏感强化学习

    本论文介绍了一种基于多角色风险敏感强化学习的空中基站智能农业任务调度方法，解决了传感器设备能耗和处理任务时间难题，并通过仿真实验证明其效果优于传统方法，可以提供一个保证的物联网任务处理服务并延长无人机在智能农业领域的使用时间。

    Sep, 2022

  • 空中 - 地面 - 空中集成网络资源管理的合作多类型多智能体深度强化学习

    将低地球轨道卫星、无人机和地面用户融合的空地一体化网络（SAGIN），在智慧城市应用方面具有巨大潜力。然而，SAGIN 的资源管理是一个挑战，需要紧急研究，因为不适当的资源管理会导致数据传输差，从而影响智慧城市的服务。本文开发了一个综合的 SAGIN 系统，包括五个不同的通信链路，并提出了一种高效的合作多类型多智能体深度强化学习（CMT-MARL）方法来解决资源管理问题。实验结果突出了所提出的 CMT-MARL 的有效性，体现在整体传输率和传输成功率等关键性能指标上。这些结果证明了未来实施 SAGIN 的潜在价值和可行性。

    Aug, 2023

  • 基于多智能体强化学习的地理分布数据中心可持续负载调度

    本研究提出一种基于多智能体强化学习和演员 - 评论家方法的算法，通过与真实工作负载模式、能源价格和碳强度相互作用的云系统学习最优的协同调度策略，从而最大化 GPU 利用率、降低运营成本和减少碳排放。与其他算法相比，我们的方法提高了系统效用，最高可达 28.6％。

    Apr, 2023

  • 空中地一体化网络中的合作移动接入的量子多智能体强化学习

    利用基于量子多智能体强化学习（QMARL）的调度方法改善全球访问可用性和能效，解决了全球空气地面综合网络（SAGIN）仅通过 CubeSats 实现的挑战，提供差异化访问服务和在实际 CubeSat/HALE-UAV 设置中进行数据密集型实验验证了所提调度器的优越性。

    Jun, 2024

  • 基于 AI 的 NOMA NTNs 中的无线电和计算资源分配与路径规划：在 CSI 不确定性下减小 AoI

    用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

    May, 2023

  • 物联网网络中联邦双深度 Q 学习实现延迟和能量最小化

    提出一个联邦深度增强学习框架来解决物联网设备能耗和延迟的多目标优化问题，通过优化转移决策、计算资源分配和传输功率分配来实现；并采用分布式深度增强学习 (DRL) 和深度增强 Q 网络 (DDQN) 解题，辅以联邦学习 (FDL) ，能有效提高物联网设备的学习速度并保护其隐私。

    Apr, 2021