.png){kind=icon}
返回
Collaborative Vehicular Edge Cloud Computing Task Offloading Optimization Scheme Based on Deep Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-93251-9_12.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统车联网边缘计算中常忽略边缘服务器计算资源限制，未能充分利用车辆、边缘服务器和云服务器的计算能力。同时，在利用深度强化学习解决车辆任务卸载问题时，数据使用效率和环境探索效率在复杂环境中未被充分考虑。因此，本文提出一种基于分布式分布式深度确定性策略梯度（D4PG）的车联网边缘云计算卸载优化方案。针对边缘服务器资源短缺问题，本文构建了车联网边缘云计算（VECC）系统框架，充分利用车辆、边缘服务器和云的计算资源执行车联网任务。针对深度强化学习在复杂环境中的数据使用效率和环境探索效率问题，本文提出一种基于D4PG的计算卸载优化算法，利用分布式计算目标值分布有效利用采样数据以提高学习效率。通过引入值分布，D4PG能够更好地探索环境并有效利用经验以提高复杂环境的探索效率。本研究将系统延迟和能耗整合为成本函数，以最小化系统成本为目标。实验结果表明，本文提出的方法在稳定性性能方面优于传统任务卸载方案。
Keyword:
Mobile Edge Computing
Mobile Cloud Computing
Internet of Vehicles
Task Offloading
Deep Reinforcement Learning
期刊
机构
引用论文
The Security and Privacy of Mobile-Edge Computing: An Artificial Intelligence Perspective移动边缘计算的安全和隐私: 人工智能视角
OAAI
.png){kind=icon}
OAAI分享收藏Multiobjective Optimization for Joint Task Offloading, Power Assignment, and Resource Allocation in Mobile Edge Computing移动边缘计算中联合任务卸载、功率分配和资源分配的多目标优化
PREAI
分享收藏分享收藏Deep Reinforcement Learning and Markov Decision Problem for Task Offloading in Mobile Edge Computing面向移动边缘计算任务卸载的深度强化学习和马尔可夫决策问题
PREAI
分享收藏Dynamic Offloading Strategy for Delay-Sensitive Task in Mobile-Edge Computing Networks移动边缘计算网络中延迟敏感任务的动态分流策略
PREAI
分享收藏
查看更多内容