Jul, 2024

可重构智能表面辅助车辆边缘计算：联合相位调节优化与多用户功率分配

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 基于深度强化学习的V2N服务扩展

    本文使用深度强化学习的方法解决边缘计算中垂直缩放的问题，为车联网通信提供支持，实验表明，与现有解决方案相比，该方法可以降低至少 23％ 的 CPU 使用率，同时增加 24％ 的长期收益。

    Jan, 2023

  • 动态车联网中的DNN划分、任务卸载和资源分配: 一种基于Lyapunov导引的扩散强化学习方法

    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

  • 基于强化学习的感知到达时延感知资源分配方法研究

    提出了一种基于可重构智能表面的车联网网络方案，利用信息时代模型和负载传输概率模型来优化车辆与基础设施之间的时效和车辆之间的稳定性，通过软性演员-评论家算法以最小化信息时代和优先传输负载的方式，使用驻波状态下AI-B图方案控制车辆的资源分配和相移控制，仿真结果表明该算法在收敛速度、累积奖励、信息时代性能和负载传输概率等方面胜过其他算法。

    Jun, 2024

  • 基于多智能体强化学习的可重构智能表面辅助VEC

    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

  • 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

    通过将数字孪生与车辆边缘计算相集成，研究论文提出了一种优化资源分配策略的多智能体深度强化学习算法，以解决车辆边缘计算网络中的维护和计算任务处理延迟问题。

    Jul, 2024

  • 基于分布式深度强化学习的梯度量化在联邦学习启用的车载边缘计算中的应用

    本文通过共享车辆本地模型的梯度而非本地数据，提出了一种基于分布式深度强化学习的量化级别分配方案，以优化总训练时间和量化误差的长期奖励，并通过广泛的模拟实验确定了总训练时间和量化误差之间的最佳加权因子，展示了该方案的可行性和有效性。

    Jul, 2024

  • 数字孪生车辆边缘计算网络：任务卸载与资源分配

    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

  • 面向移动用户与自主车辆的通信感知一致性边缘选择

    本研究解决了自主车辆在移动过程中的任务迁移和接入点切换问题。通过基于深度确定性策略梯度（DDPG）算法的深度强化学习框架，提出了一种通信与计算的联合分配方法，旨在降低计算负载和服务延迟。实验结果表明，该方法显著提高了网络的服务质量（QoS）。

    Aug, 2024