Dec, 2023

分数深度强化学习用于年龄最小化的移动边缘计算

PDF
TL;DR移动边缘计算是一种有潜力的范式，用于实时应用程序，具有密集的计算需求（例如，自动驾驶），因为它可以减少处理延迟。本文关注计算密集型更新的及时性，通过信息时代（Age-of-Information）来衡量，并研究如何联合优化任务更新和离线策略以及分数形式的信息时代。我们提出了一个分数强化学习（RL）框架，并证明其收敛性。实验结果表明，与几个非分数基准相比，我们提出的算法将平均信息时代降低了高达 57.6％。
mobile edge computingtimelinessage-of-informationtask schedulingfractional reinforcement learning
发现论文，激发创造
  • 基于年龄的移动边缘计算调度：一种深度强化学习方法

    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

  • 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

  • 强化学习增强的移动边缘计算用于 6G 边缘智能

    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

  • 车联网中的协作边缘计算深度强化学习

    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

  • 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

  • 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

  • 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

  • 移动边缘计算系统中最小化信息时延的嵌套索引方法

    本篇论文提出了一种优化移动边缘计算系统中信息鲜度的算法，使用了多层次 MDP 和嵌套索引框架，并设计了一种带有可证明渐近最优性的嵌套索引策略，与基准相比，我们的算法优化间隙缩小了高达 40％，并且当系统纲量足够大时，渐进地逼近了下限。

    Jul, 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

  • 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