Feb, 2024

多服务器多接入边缘车联网的计算卸载：基于 DDQN 的方法

PDF
TL;DR本文研究了多服务器移动边缘计算系统中重叠领域的多用户卸载问题。我们将原始问题划分为两个阶段：卸载决策阶段和请求调度阶段。为了防止终端在卸载过程中超出服务范围，我们考虑终端的移动性参数，并根据人类行为模型进行卸载决策，然后引入基于移动性参数和服务器负载的服务器评估机制来选择最佳的卸载服务器。为了充分利用服务器资源，在调度卸载请求时，我们设计了基于双深度 Q 网络（DDQN）的回报评估算法，考虑任务的优先级。最后，进行数值模拟验证了我们提出的方法优于传统的数学计算方法和 DQN 算法。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于深度强化学习的移动边缘计算 QoE 导向的计算卸载算法

    在移动边缘计算领域，通过有效的计算任务卸载可以确保用户无缝的体验质量。本研究以马尔科夫决策过程为基础，提出了一种基于深度强化学习的去中心化 QoS 导向的计算任务卸载算法，通过充分利用边缘节点的计算资源，能够显著提高用户的体验质量。

    Nov, 2023

  • 稠密网络中移动边缘计算的分散任务卸载和负载均衡

    我们研究了在一个拥有大量设备和一组边缘服务器的稠密网络中的分散任务卸载和负载平衡问题。通过将均值场多智能体多臂赌博（MAB）游戏与一种负载平衡技术相结合，调整服务器的奖励以实现目标人口分布，解决了由于未知网络信息和随机任务大小而导致的复杂优化问题。数值结果证明了我们方法的有效性和对目标负载分布的收敛。

    Jun, 2024

  • 移动边缘云计算的高效多用户计算卸载

    本文研究了移动边缘云计算中的多用户计算卸载问题，并采用博弈论方法达到有效的分布式计算卸载，进一步扩展研究到多通道无线争用环境中的多用户计算卸载，提出了一种算法并通过实验验证其性能和可扩展性。

    Oct, 2015

  • 基于深度强化学习的群体机器人移动感知计算卸载

    通过利用移动边缘计算来减轻计算负担，本文提出了一种基于在边缘服务器端的可移动感知深度强化学习模型的有效解决方案，用于计算调度和资源，结果表明该方法可以通过使用最少的机器人能量满足延迟要求并保证计算精度。

    Aug, 2023

  • 无线供能移动边缘计算网络中的在线计算卸载深度强化学习

    本文提出了一种基于深度强化学习的在线边缘计算离线策略，在自适应调整参数的基础上有效减少了计算时间，提高了计算性能。

    Aug, 2018