基于知识驱动的多智能体强化学习在智能车联网中的计算卸载

Aug, 2023

基于知识驱动的多智能体强化学习在智能车联网中的计算卸载

Knowledge-Driven Multi-Agent Reinforcement Learning for Computation Offloading in Cybertwin-Enabled Internet of Vehicles

PDF

Ruijin Sun, Xiao Yang, Nan Cheng, Xiucheng Wang, Changle Li

TL;DR通过在车辆和路边单元之间进行计算任务卸载，车联网中的边缘计算可以减轻车载计算负担。本文提出了一种基于知识驱动的多智能体强化学习方法来降低虚拟空间中基于边缘计算的车联网任务卸载的延迟，通过利用图神经网络整合图结构通信拓扑和置换不变性的领域知识，提高了回报并显示了改进的可扩展性。

Abstract

By offloading computation-intensive tasks of vehicles to roadside units (RSUs), mobile edge computing (MEC) in the internet of vehicles (IoV) can relieve the onboard computation burden. However, existing model-ba

mobile edge computing internet of vehicles task offloading knowledge-driven multi-agent reinforcement learning cybertwin-enabled iov

发现论文，激发创造

基于深度强化学习的车联网边缘计算

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

基于结构知识驱动的元学习在集成通信、传感和计算的车联网任务卸载中的应用

通过使用集成通信、感知和计算的模式，该研究论文探讨了一种以任务卸载为基础的问题，旨在通过优化计算模式和网络资源，降低资源消耗的成本，并确保每个任务的延迟。为了解决该挑战，提出了一种创造性的基于结构知识的元学习方法，采用了 LSTM 神经网络以替代手工设计的卸载算法。

Feb, 2024

具有空间 - 时间感知能力的安全多智能体强化学习：应对复杂场景下的联网自动驾驶车辆

本文提出了一种使用多智能体强化学习框架 (MARL) 的安全保护平行体系结构来提高连接和自主车辆 (CAV) 系统在复杂驾驶情况下的安全性和效率，并使用 Graph Convolutional Network (GCN)-Transformer 作为空间 - 时间编码器，设立安全屏障并对 CAV 进行安全检查，实验结果显示该方法大大提高了系统安全性和效率。

Oct, 2022

量子多智能体强化学习与自主移动协作

基于量子供应链，并结合多智能体强化学习和量子优势，提出了一种能够实现多智能体合作、有效利用参数和快速收敛的量子 MARL 算法，并引入了投影值测量技术来进一步提高可伸缩性。

Aug, 2023

利用场均多智能体强化学习进行高效拼车订单调度

本研究采用多个智能体玩游戏的强化学习方法，结合平均场近似对订单调度问题进行建模，成功降低高峰期的供需差异并减少交通拥堵。

Jan, 2019

工业物联网中的任务卸载的紧急通信协议学习

使用多智能体强化学习框架，协同学习计算卸载决策和多信道访问策略以及相应的信令，通过采用新兴通信协议学习框架解决了基于期限约束的多智能体计算任务合作执行问题，并实验证明了新兴通信对于提高信道访问成功率和成功计算任务数量的效果，同时所提出的任务卸载策略优于远程和本地计算基准。

Jan, 2024

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

基于模型辅助的联邦强化学习在物联网多无人机轨迹规划中的应用

本文提出了一种新的基于模型的联邦多智能体强化学习算法，用于协调多个无人机在数据收集任务中，以解决传统多智能体强化学习算法需要大量真实训练数据的问题，并在各个方面取得了良好的表现。

Jun, 2023

多智能体强化学习介绍及其在自主移动中的应用综述

该论文介绍了多智能体强化学习在自主移动中的应用，包括行为规划、车辆之间通信、性能提升等方面，并探讨了该领域的一些最新方法和想法。

Mar, 2022

组合式客户端 - 主节点多智能体深度强化学习在移动边缘计算中的任务卸载

近年来，移动应用程序的爆发性增长引起了人们的关注，但用户设备在处理计算需求方面存在局限性。移动边缘计算作为应对用户设备不断增长的计算需求的一项有前途的技术，通过在用户设备和移动边缘计算服务器之间分配任务来满足用户设备的需求。深度强化学习在任务卸载问题中受到关注，因为它能够适应动态变化并减少在线计算复杂性。然而，用户设备和移动边缘计算服务器上的各种连续和离散资源约束给有效基于深度强化学习的任务卸载策略的设计带来了挑战。我们提出了一种新颖的组合客户端 - 主控深度强化学习算法（CCM_MADRL_MEC），用于移动边缘计算中的任务卸载，使得用户设备能够决定其资源需求，并使服务器基于用户设备的需求做出组合决策。CCM_MADRL_MEC 是任务卸载中首个考虑服务器存储容量以及用户设备约束的多智能体深度强化学习算法。通过利用组合动作选择，CCM_MADRL_MEC 相对于现有的多智能体深度确定性策略梯度算法和启发式算法具有更好的收敛性。

Feb, 2024