Attention-Based Adaptive Reinforcement Learning for Efficient Resource Management in Edge Computing

doi:10.1080/01969722.2026.2643176

Attention-Based Adaptive Reinforcement Learning for Efficient Resource Management in Edge Computing

2026-03-01

0

PRE

AI

H

Hameed, Shabi Alam *

M

Muhammad Shahid Ghulam Farid

DOI：10.1080/01969722.2026.2643176

原文链接

原文求助

摘要

En 中文

所提出的系统采用一种先进的深度学习方法，称为带注意力机制的适应性深度确定性策略梯度（Ada-DDPG-A），以智能地分配任务和资源。随后，通过使用面向适应度的非洲野牛优化算法（FE-ABOA），对开发的深度学习模型Ada-DDPG-A进行精确调优，从而实现更优的资源管理。该新型模型中的自适应组件能够实时学习并根据接收到的数据调整其行为。这种混合方法优化了性能，提高了资源利用率，并增强了系统整体可靠性。该方法有效解决了NP难资源管理问题，并通过精确参数调优提升了任务效率。最后，对所建议的技术进行了多项验证，以观察其相较于现有技术的效率。在时隙1中，所开发的FE-ABOA-Ada-DDPG-A模型的延迟时间为66.43 ms，而OOA-Ada-DDPG-A、MAO-Ada-DDPG-A、SCO-Ada-DDPG-A和ABOA-Ada-DDPG-A的延迟时间分别为74.74、147.97、99.27和137.57 ms。这些结果表明，所提出的方法显著降低了延迟，在实时处理效率方面优于现有算法。最终证明，对算法的改进带来了实质性的、有意义的提升，超过了既定的优化技术。

Keyword:

Adaptive deep deterministic policy gradient with attention

edge computing environment

fitness oriented African bison optimization algorithm

resource management

Attention-Based Adaptive Reinforcement Learning for Efficient Resource Management in Edge Computing

摘要

期刊

机构

引用论文