数字孪生车辆边缘计算网络中孪生维护和计算任务处理的资源分配
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
本文提出了一种数字孪生(DT)辅助的任务卸载框架,用于移动边缘计算卸载策略的优化,基于预测未来计算任务的学习方案,将卸载调度过程建模为马尔可夫决策过程(MDP),以在延迟、能耗和云租用成本之间平衡,以获得最优卸载策略。
Dec, 2021
本论文提出一种去中心化的方法,解决了服务任务分配和边缘资源扩展的紧密耦合的问题。文章通过模拟实际的 C-V2N 流量数据集,对该方法进行了基准测试,并将其性能与现有方法进行了比较,结果表明基于 DDPG 的解决方案优于现有解决方案,满足 C-V2N 服务的低延迟要求。
May, 2023
该研究探讨了数字孪生(DT)在提升密集人口城区中的网络性能方面的潜力,具体关注车辆网络。研究包括两个阶段,第一阶段利用交通数据和人工智能聚类来确定关键位置,尤其是在事故率高的拥挤城区。第二阶段评估了通过三种部署场景对车辆网络进行孪生的优势:基于边缘的孪生、基于云的孪生和混合孪生。我们的分析表明,孪生显著减少了网络延迟,虚拟孪生优于物理网络。虚拟孪生即使在车辆密度增加的情况下,如300辆车的情况下,仍保持较低的延迟,例如15.05秒。此外,在某些情境中,云孪生的计算速度较快,是边缘孪生的1.7倍。这些发现为高效车辆通信提供了见解,并强调在做出部署决策时考虑现实因素的重要性。
Feb, 2024
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。
Feb, 2024
优化资源分配的车辆孪生系统中车载元宇宙的迁移机制,基于拍卖的机制采用生成预训练变换器(GPT)为基础的深度强化学习(DRL)算法,在不同设置下比较了社会福利和拍卖信息交流成本的性能,并证明了我们提出的GPT-based DRL拍卖方案具有更好的性能。
Jun, 2024
人工智能和深度神经网络在车辆网络生态系统中的快速发展引入了计算密集型任务,对单个车辆的计算资源需求超过其能力,为解决这一挑战,车辆边缘计算作为一个解决方案应运而生,通过车辆间/基础设施之间的通信资源池提供深度神经网络任务的计算服务,本文将VEC中的DNN划分、任务卸载和资源分配问题建模为动态长期优化问题,目标是在时间上保证系统稳定的同时尽量减少DNN任务的完成时间,首先利用Lyapunov优化技术将原始的长期优化问题与稳定约束解耦成每个时隙的确定性问题,然后提出了一种基于Multi-Agent Diffusion-based Deep Reinforcement Learning (MAD2RL)算法,通过创新性地使用扩散模型来确定最优的DNN划分和任务卸载决策,在MAD2RL中还将凸优化技术作为子程序加以整合来分配计算资源,提高学习效率,通过对真实世界车辆移动轨迹的模拟,我们证明了我们所提出的算法相对于现有的基准解决方案具有更优越的性能。
Jun, 2024
车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理,而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架,结合修改后的多智能体深度确定性策略梯度(MADDPG)方法和块坐标下降(BCD)算法,用于优化车辆用户(VUs)的功率分配和可重构智能表面的相位调整,在模拟结果中表现出优于集中式深度确定性策略梯度(DDPG)方案和随机方案的性能。
Jun, 2024
本文建立了一个多任务数字孪生车联网(Vehicle Edge Computing, VEC)网络,通过使用数字孪生技术为每辆车的多个任务开发卸载策略和资源分配策略,在单个时隙中构建了一个优化问题,并提出了一个多智能体强化学习方法来解决任务卸载和资源分配的问题。大量实验表明,与其他基准算法相比,我们的方法是有效的。
Jul, 2024
车辆边缘计算是一种新兴技术,在车联网领域具有重要潜力,通过使车辆在本地执行密集的计算任务或将其转移到附近的边缘设备来提供支持。为了解决由于建筑物等障碍物导致通信链路质量严重恶化而妨碍卸载过程的挑战,本研究引入了可重构智能表面 (Reconfigurable Intelligent Surfaces, RIS),通过动态调整RIS的相移来大幅提高车辆边缘计算系统的性能。在本工作中,考虑了RIS辅助的车辆边缘计算系统,并设计了一种优化方案,包括本地执行功率、卸载功率和RIS相移,考虑了随机任务到达和信道变化。为了解决这个方案,我们提出了一种创新的深度强化学习 (Deep Reinforcement Learning, DRL) 框架,结合了深度确定策略梯度 (Deep Deterministic Policy Gradient, DDPG) 算法,用于优化RIS相移系数,以及多智能体深度确定策略梯度 (Multi-Agent Deep Deterministic Policy Gradient, MADDPG) 算法,用于优化车辆用户的功率分配。仿真结果表明,我们提出的方案优于传统的集中式DDPG、Twin Delayed Deep Deterministic Policy Gradient (TD3)和一些典型的随机方案。
Jul, 2024