稠密网络中移动边缘计算的分散任务卸载和负载均衡
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
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
本文提出了一种基于博弈论的移动云计算高效计算卸载方案,将分散的决策过程转换为博弈的形式,设计了一个去中心化的计算卸载机制并分析了其效率。数值实验表明,本文提出的机制能够实现高效的计算卸载,随着系统规模的增加能够有很好的扩展性。
Apr, 2014
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
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
本论文提出了一种基于极值理论的移动边缘计算系统设计,用于满足极其可靠的低延迟要求和减少用户能量消耗,同时考虑无线通道动态和服务器资源负载。论文提供了两种时间尺度的解决方案,即长时间尺度下的用户 - 服务器关联和短时间尺度下的动态任务卸载和资源分配策略,并通过仿真实验验证了该方法的有效性。
Dec, 2018
通过在基于分布式贪婪框架上引入基于图的机器学习,我们提出了一种低开销、拥塞感知的分布式任务卸载方案,以应对无线多跳网络中来自多个移动设备的任务所造成的潜在网络拥塞问题。在仿真的无线多跳网络中,根据最短路径路由和基于争用的链路调度的资源分配方案,我们的方法在减少拥塞或不稳定队列的同时,提高了本地计算的执行延迟,相比于上下文不可知的基准方案。
Dec, 2023
在多用户移动边缘计算场景下,考虑延迟和可靠性约束,提出了一种概率约束方法,使用了极值理论来解决低概率事件的问题,旨在最小化计算和传输功率,并使用 Lyapunov 随机优化工具解决。模拟结果表明该方法的有效性,同时研究了不同计算强度所需的功率延迟权衡和计算资源。
Oct, 2017
本论文旨在为在具有异构计算和通信能力的无线边缘节点上实现具有性能保证的逼真分布式学习算法建立新的优化范例,并考虑了 MEL 的动态任务分配问题,以最大化学习准确性,同时保证在预设时间内,异构通道上数据分布 / 聚合的总时间和异构节点上的局部计算迭代次数被限制。通过比较这些提议解决方案的性能与数值方法和等任务分配方法,展示了这些提议解决方案的优点。
Nov, 2018
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