.png){kind=icon}
返回
A multi-objective deep reinforcement learning algorithm for spatio-temporal latency optimization in mobile IoT-enabled edge computing networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.simpat.2025.103161.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动物联网（IoT）设备的快速增长需要新颖的计算框架。这些框架必须在边缘计算（Edge）和移动边缘计算（MEC）系统中满足严格的延迟和能效要求。时空动态性，包括边缘服务器的位置和任务调度的时机，构成了一个复杂的优化问题。这些挑战因物联网工作负载的异构性和设备移动性带来的约束而进一步加剧。计算开销与通信挑战之间的平衡也是一个问题。为解决这些问题，移动物联网和边缘计算环境中需要先进的资源管理和动态任务调度方法。在本文中，我们提出了一种深度强化学习（DRL）多目标算法，称为带有时空移动性预测、延迟感知任务卸载和能量受限物联网设备轨迹优化的Double Deep Q-Learning（DDQN）框架，用于联邦边缘计算网络。选择DDQN是因为其在Q值优化中的稳定性以及减少了高估。该框架采用基于奖励的优化模型，动态优先处理延迟敏感任务，最小化任务迁移开销，并在设备和边缘服务器之间平衡能效。它集成了动态资源分配算法，以应对随机的任务到达模式与实时计算需求。仿真结果表明，与基准算法相比，端到端延迟降低了35%，能效提高了28%，截止时间未满足率降低了20%。
查看更多机构