![](https://img-blog.csdnimg.cn/direct/47affdeeb0f04c3abea495c4bc201a6d.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
Paper_Analysis
文章平均质量分 94
本专栏用于分享博主自我阅读解析的深度强化学习与移动边缘计算相关的中英文论文。
Ee总是学不会
世界上有10种人,一种懂二进制,另一种不懂。
展开
-
【论文解析】Fast Adaptive Task Offloading in Edge Computing Based on Meta Reinforcement Learning
多接入边缘计算(multi -access edge computing, MEC)旨在将云服务扩展到网络边缘,以减少网络流量和服务延迟。MEC中的一个基本问题是如何有效地将移动应用程序的异构任务从用户设备(UE)卸载到MEC主机。最近,人们提出了许多基于深度强化学习(DRL)的方法,通过与由UE、无线信道和MEC主机组成的MEC环境交互来学习卸载策略。然而,这些方法对新环境的适应性较弱,因为它们的样本效率较低,并且需要充分的再训练来学习新环境的更新策略。为了克服这一缺点,我们提出了一种基于元强化学习。原创 2024-02-18 14:41:31 · 937 阅读 · 1 评论 -
【论文解析】A DRL-Based Service Offloading Approach UsingDAG for Edge Computational Orchestration
边缘基础设施和工业4.0所需的服务由具有不同计算能力的边缘服务器(ESs)提供,以基于租赁价格的方法运行社交应用的工作负载。社交物联网(SIoT)应用的使用日益增加,这使得社交平台非常受欢迎,同时需要一个有效的计算系统来实现高服务可靠性。在这方面,根据有向无环图(DAG)在时间槽内进行高要求计算社交服务请求(SRs)的卸载是一个NP完全问题。大多数最新方法关注网络的能源保存,但忽视了计算和资源共享过程中的资源共享成本和动态子服务执行时间(SET)。原创 2024-02-15 16:35:03 · 939 阅读 · 1 评论 -
【论文解析】Lyapunov-Guided DRL for Stable Online Computation Offloading inMobile-Edge Computing Networks
机会计算卸载是动态边缘环境下提高移动边缘计算(MEC)网络计算性能的有效方法。在本文中,考虑了一个具有时变无线信道和随机用户任务数据在连续时间框架内到达的多用户MEC网络。特别是目标是设计一种在线计算卸载算法,在长期数据队列稳定性和平均功率约束下,最大限度地提高网络数据处理能力。在线算法是实用的,因为每个时间框架的决策是在不知道随机信道条件和数据到达的未来实现的假设下做出的。将该问题表述为一个多阶段随机混合整数非线性规划(MINLP)问题。原创 2024-02-12 18:58:05 · 1657 阅读 · 5 评论 -
【论文解析】A Distributed DRL Technique for Application Placement in Edge and Fog Computing Environments
雾/边缘计算是一种新的计算范式,通过将任务放置在边缘和/或云服务器上来支持资源受限的物联网(IoT)设备。最近,在雾/边缘计算环境中提出了几种基于深度强化学习(DRL)的放置技术,这些技术仅适用于集中式设置。训练性能良好的DRL代理需要大量的训练数据,而获取训练数据的成本很高。因此,这些集中式的基于DRL的技术缺乏通用性和快速适应性,因此无法有效地解决应用程序放置问题。此外,许多物联网应用被建模为具有不同拓扑结构的有向无环图(DAG)。原创 2024-02-12 00:22:52 · 1095 阅读 · 1 评论 -
【论文解析】D3PG in MEC 移动边缘计算中具有约束混合动作空间的任务划分和卸载的狄利克雷深度确定性策略梯度算法
联合优化N个物联网设备、M个边缘服务器的动态环境下的任务卸载和资源分配;将问题表述为具有约束混合动作空间的马尔可夫决策过程;建立在DDPG上的D3PG;解决多目标优化问题,最大限度处理到期前任务,最大限度降低能耗和延迟;可有效处理约束分布-连续混合动作空间;联合优化了任务划分、任务卸载和计算频率控制;针对多个联合优化问题,提出了一个可配置的优化目标,以端到端方式优化多个目标,不需要像现有方法那样进一步优化。原创 2023-12-01 13:03:21 · 436 阅读 · 2 评论