2021-10-10论文

Resource Allocation for Delay-Sensitive Vehicle-to-Multi-Edges (V2Es) Communications in Vehicular Networks: A Multi-Agent Deep Reinforcement Learning Approach

从服务器角度考虑
Introducion: 介绍了现在的vehicle-to-vehicle (V2V), vehicle-to-cloud (V2C), and vehicle-to-roadside infrastructure (V2I)的缺点==>提出了edge computing。
缓存：把一些流量大的应用提前缓存在边缘节点上
在对车辆网络中现在存在以下问题：车辆速度很快，会影响通信；现在应用的复杂性，需要多个边缘节点协同计算；不同的应用应该有不同的紧急程度。
本文旨在设计一种车辆与多边缘节点之间的高效任务卸载和边缘缓存机制，以最小的能量消耗保证任务请求信息的快速传输
这里面把edge作为local
使用MADDPG算法，但是在此之前对多智能体的解释看的不是很懂，对经验回放池根据TD误差的值进行优先级排序，值越大，优先级越高
state: 任务的优先级、是否在边缘上进行缓存、信道间的噪声
action: 是否卸载、是否在边缘上进行缓存、所需的CPU资源、数据大小
考虑了时间和能耗公式很简单

Dynamic Task Offloading in Multi-Agent Mobile Edge Computing Networks

我们考虑一个由多个非合作的MD和多个ED组成的环境.从用户角度考虑。
system model
local execution: 计算任务的时间，以及mobile device的能量
task offloading: 计算任务的时间以及传输时间，以及卸载到边缘服务器时，如果服务在忙，需要一个等待时间，等待时间与传输时间作比较，谁大取谁。
本文的目标是：对执行延迟和任务丢弃率进行加权，并且把它看作一个长期期望累积成本
state: 移动设备中任务队列的大小、移动设备的能量、信道增益、在服务器的等待时间
action: 是否卸载、完成任务所需的能量
使用A2C算法，因为是非合作的关系，对状态进一步处理。
不知道环境的动态变化，资源分配问题也是部分观察，把POMDP==>MDP通过增加移动设备的状态。这增加状态不是很理解