.png){kind=icon}
返回
An intention-driven task offloading strategy based on imitation learning in pervasive edge computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2024.110998.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
考虑一个无基础设施的无线网络环境（例如陆地战场），其中设备具有可变的资源配置、动态移动性、生成感知任务的复杂性以及处理这些任务的确定延迟约束。解决相关问题是许多瘦客户机移动设备或物联网设备不可行的。现有研究尚未解决上述问题。在本文中，我们首先分析将任务卸载到其他邻近设备进行处理的延迟问题，并将自利益最大化的任务分配过程建模为随机博弈。其次，通过探测可用计算资源的状态信息，我们将基于最小斯坦纳树（MST）的任务迁移问题建模为序贯决策过程，并构建由分配决策和状态变化形成的活动轨迹分布。然后，基于专家系统演示，提出基于MST的多智能体模仿学习（MILMST）。对于每个任务，MST根据智能体的局部观测作为任务卸载的决策依据，并通过与周围智能体的在线交互逐步改进分配策略。最后，实验证明了我们算法的优越性。
Keyword:
Pervasive edge computing
Stochastic game
Nash equilibrium
Computing-aware
Intention-driven
Imitation learning
期刊
IF:
4.6
论文数:
1.7K
被引数:
1.6W
机构
引用论文
.png){kind=icon}
Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks用于无线供电的移动边缘计算网络中在线计算卸载的深度强化学习
OAAI
OAAI分享收藏A self-adaptive approach to service deployment under mobile edge computing for autonomous driving
PREAI
分享收藏Delay-Aware Microservice Coordination in Mobile Edge Computing: A Reinforcement Learning Approach移动边缘计算中的延迟感知微服务协调: 一种强化学习方法
PREAI
分享收藏
查看更多内容