task offloading | BriefGPT - AI 论文速递

关键词task offloading

搜索结果 - 12

PeersimGym：使用强化学习解决任务卸载问题的环境
通过开发和优化计算网络中的任务卸载策略，引入了一个可自定义的模拟环境以支持深度强化学习代理，并展示了深度强化学习方法在分布式计算环境中显著提升任务卸载策略的潜力，从而弥合了理论强化学习模型和实际应用之间的差距。
PDF3 months ago
基于结构知识驱动的元学习在集成通信、传感和计算的车联网任务卸载中的应用
通过使用集成通信、感知和计算的模式，该研究论文探讨了一种以任务卸载为基础的问题，旨在通过优化计算模式和网络资源，降低资源消耗的成本，并确保每个任务的延迟。为了解决该挑战，提出了一种创造性的基于结构知识的元学习方法，采用了 LSTM 神经网络
PDF4 months ago
组合式客户端 - 主节点多智能体深度强化学习在移动边缘计算中的任务卸载
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
PDF5 months ago
智能眼镜中的任务卸载：增强体温升高的检测
该论文研究了在智能可穿戴眼镜上进行的医疗监测应用的任务卸载场景，旨在识别最优的卸载条件，并评估了在现实环境下任务完成时间、计算能力和能量消耗等性能指标。研究重点关注在如机场等室内区域进行的特定用例，安全人员佩戴智能眼镜来检测个体的体温是否升
PDFa year ago
基于知识驱动的多智能体强化学习在智能车联网中的计算卸载
通过在车辆和路边单元之间进行计算任务卸载，车联网中的边缘计算可以减轻车载计算负担。本文提出了一种基于知识驱动的多智能体强化学习方法来降低虚拟空间中基于边缘计算的车联网任务卸载的延迟，通过利用图神经网络整合图结构通信拓扑和置换不变性的领域知识
PDFa year ago
基于多智体深度强化学习的区块链边缘计算中的任务卸载与块挖掘合作
本篇论文提出了一种基于区块链的移动边缘计算 (MEC) 系统的新型合作任务卸载和区块挖掘 (TOBM) 方案，旨在通过任务卸载和块挖掘优化 MEC 系统效益，同时提出了一种基于轻量级块验证策略的声誉证明共识机制，结合卸载决策、信道选择、发送
PDF3 years ago
MM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
PDF4 years ago
缓存辅助的 NOMA 移动边缘计算：一种强化学习方法
本文提出了一种基于 NOMA 的缓存辅助移动边缘计算框架，使用 LSTM 网络预测任务的受欢迎程度，MAQ-learning 算法用于任务卸载决策并证明了其在每个状态下选择的动作均为最优解。实验结果表明，该框架优于本地计算、卸载计算和非缓存
PDF5 years ago
MM利用移动智能：延迟优化的车联网雾计算卸载
本文回顾了 Vefn 中任务卸载的现有技术，并阐述了车辆的高移动性既是时限约束的障碍，也可助于延迟表现。文章进一步探讨了机器学习和编码计算作为关键的支持技术，并提供案例以演示如何在变化的 Vefn 环境中适应学习算法，并利用车辆的移动性来实
PDF5 years ago
基于自适应学习的车联网边缘计算任务卸载系统
本论文针对汽车间的计算任务卸载环境动态不确定的挑战，提出了一种基于自适应学习的任务卸载算法，在多臂赌博理论基础上，利用邻近车辆的卸载延迟性能进行学习并且能够适应动态环境，实现了分布式协作的任务卸载，并证明了具有子线性的学习遗憾。在综合考虑各
PDF5 years ago
面向移动边缘计算的延迟和可靠性感知任务卸载和资源分配
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
PDF7 years ago
面向多服务器边缘移动计算网络的联合任务卸载和资源分配
研究 MEC 启用的多小区无线网络中，联合任务卸载和资源分配（JTORA）问题，提出一种资源分配问题和任务卸载问题相结合的解决方案，其中资源分配问题采用凸优化技术解决，任务卸载问题则采用启发式算法，在数值模拟中表现接近最优解并显著提高了用户
PDF7 years ago