- 工业物联网中的任务卸载的紧急通信协议学习
使用多智能体强化学习框架,协同学习计算卸载决策和多信道访问策略以及相应的信令,通过采用新兴通信协议学习框架解决了基于期限约束的多智能体计算任务合作执行问题,并实验证明了新兴通信对于提高信道访问成功率和成功计算任务数量的效果,同时所提出的任务 - 基于深度强化学习的 6G 无线通信下移动边缘计算与 AI 启用的 Web3 Metaverse
该研究提出了一种全新的质量服务(Quality-of-Service)模型,利用深度强化学习方法来找到多用户社交中接近最优的信道资源分配。全面的实验证明采用该质量服务模型可以提升整体社交体验。
- 多头集成多任务学习方法用于动态计算卸载
本文提出了一种多头集成多任务学习(MEMTL)方法,通过共享骨干网络和多个预测头(PHs)来解决计算卸载中的推断性能问题,从而有效解决了时变无线环境中的混合优化问题。实验证明,该方法在推断准确性和均方误差方面优于基准方法,而无需额外的训练数 - 基于网络内计算的元宇宙动态部分计算卸载
该研究在 “网络内计算” 范式下探讨了分布式计算优化的问题,采用了序态潜力博弈(OPG)和双深度 Q 网络(DDQN)等算法以优化计算资源利用率和性能,进而获得了比传统基线更加出色的结果。
- MM用户中心深度强化学习在无线网络元宇宙中的虚拟现实应用
本文介绍了一种基于多用户虚拟现实计算卸载的深度强化学习方法,可在符合多种要求和约束条件下找到近乎最优解,以此来探索 Metaverse 等虚拟世界的社交互动特点。
- MM利用异步混合强化学习在无线通信下的元宇宙延迟和可靠性优化
文章提出在 Metaverse 中异步联合上下行场景中,设计了一个新型的多智能体强化学习算法结构来优化计算卸载和通道分配决策,以及优化下行阶段的传输功率,实验结果表明该算法相较于现有算法能够在满意的训练时间内获得更好的解决方案。
- F-RAN 中的计算卸载和资源分配:一种联邦深度强化学习方法
本文提出了一种基于联邦深度强化学习的算法,用于解决在 F-RAN 中动态计算卸载和资源分配问题,通过联邦学习,可以在保护用户隐私的同时,降低训练过程的计算复杂度,结果表明,该算法相对于其他现有策略,可以更快地实现更低的任务执行延迟和设备端能 - 多用户边缘云网络中编排深度学习推理的混合学习
通过将基于模型的强化学习和无模型强化学习相结合,我们提出了一种混合学习策略,可以加速深度学习推理编配过程中寻找最佳编配策略的过程,并在实验中表现出比基于最新强化学习方法的编排方法加速学习过程 166.6 倍的高效性。
- 边缘云多用户推理编排的在线学习
我们提出了一种基于强化学习的计算卸载解决方案,它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略,以最小化响应时间同时提供足够的准确性,我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35%的加速,并且最少仅有 0 - 数字孪生网络中随机计算卸载的深度强化学习
本文提出了一种新的数字孪生网络(DTN)模型来帮助 IIoT 系统中的网络拓扑和随机任务到达模型,进而将随机计算卸载和资源分配问题转化为 Lyapunov 优化问题,并使用异步 Actor-Critic 算法来找到最优的随机计算卸载策略和提 - 基于云 / 边缘 / 雾计算的互联车辆架构设计方案
这篇综述论文提供了云 / 边缘 / 雾计算等计算架构的全面研究,特别是与互联汽车相关的计算架构,旨在为实现更安全、舒适的驾驶体验提供指导。
- 基于能源效率的无人机辅助移动边缘计算:资源分配与轨迹优化
本文研究了无人机辅助移动边缘计算,旨在通过联合优化无人机轨迹、用户传输功率和计算负载分配来最大程度地提高能源效率,并且采用分布式和并行问题求解来处理该问题。
- MM移动边缘计算系统中服务缓存放置和计算卸载的联合优化
本文提出了一种混合整数非线性规划方法,以最小化计算延迟和移动用户的能量消耗,同时考虑服务缓存放置、计算卸载和系统资源分配,利用降低复杂度的交替最小化技术更新缓存放置和卸载决策。仿真表明,相比其他基准方法,所提出的技术实现了大量的资源节约。
- 通过二步剪枝改进深度学习设备 - 边缘合作推理
本文提出了一种高效、灵活的 DNN 分区方法,通过迭代删除不重要的卷积层过滤器进行剪枝,从而减少移动设备的无线传输负担或总计算负担,并能够自动选择满足各种延迟和准确性要求的修剪过的模型。实验表明,与未剪枝的原始 DNN 模型相比,该框架在传 - 智能边缘计算:异构物联网联合计算、缓存和通信的人工智能智能边缘
本文提出了一种新的结合了边缘计算、缓存和通信的异构物联网智能边缘架构,并通过 Smart-Edge-CoCaCo 算法对其进行性能优化,实验结果表明该算法对于计算任务数据和并发用户数量的增加,相较于传统的云计算模型,其计算延迟更低。
- 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。
- 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 - 联合计算和通信协作的能效移动边缘计算
这篇论文提出了一种新颖的移动边缘计算 (MEC) 系统中的用户合作方法,既在计算方面,又在通信方面,以改善低延迟计算任务的能效。通过对部分和二进制卸载两种计算卸载模型的研究,并联合优化用户和助手的计算和通信资源,本研究提出的方案明显提高了用 - 移动 VR 传递的通讯、计算和缓存:建模与折衷
为了实现移动虚拟现实的传输,利用移动 VR 设备的缓存和计算能力,共同优化缓存和计算卸载策略,以减少网络流量和传输速率,并揭示通信,计算和缓存之间的权衡以及在异构场景中的优化问题。
- 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。