提出一种无人机辅助的移动边缘计算框架,采用多智能体深度强化学习算法来优化无人机的轨迹,同时通过低复杂度方法优化用户设备的卸载决策。该解决方案相较于传统算法在服务用户设备公平性、无人机负载公平性和所有用户设备的能耗上性能表现较好。
Sep, 2020
本文提出一种基于人工智能的协同计算方法,通过将任务分配和调度算法与决策流程相结合,实现车辆网络中任务的外包与协同计算,进而减少计算服务延迟,提高服务可靠性,并实现服务成本最小化。在复杂的城市交通网络中,基于提出的协同计算方法,仿真结果表明该方法适应高度动态环境且性能表现优异。
Oct, 2020
本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架,该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。
Feb, 2022
本文综述了强化学习 - enabled 移动边缘计算在不同移动应用中的发展,并探讨了其面临的挑战和未来研究方向。
Jan, 2022
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
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。
本文旨在提出一种基于深度学习和优化算法的混合式移动边缘计算方案,包含地面站、地面车辆和无人机,通过实时联合优化地面车辆和无人机的位置、用户关联和资源分配,以达到在线减少 UE 设备的能耗。
Nov, 2019
无人机协助地面移动边缘计算具有较高能效和减少任务积压的潜力,本文提出了基于多目标动态轨迹规划和卸载调度的分布式方案,集成了多目标强化学习和核方法,结果显示此方法相较于传统方法具有更好的能耗和任务积压表现。
Mar, 2024
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。
该论文提出了一种密度感知的通信多智能体去中心化双重深度 Q 网络方法,它最大化了每个无人机的轨迹、已连接用户数量和无人机的能耗,同时跟踪密集和不均匀的用户分布。该方法优于现有技术 65%-85%的能源效率。
Jun, 2023