.png){kind=icon}
返回
Computation offloading in vehicular communications using PPO-based deep reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07009-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车联网边缘计算使车辆能够将计算密集型任务卸载到与路侧单元集成的附近边缘服务器上，以提升性能并节省电池电量。在实际环境中，车辆通常面临固有的任务依赖关系、严格的截止时间，以及在高动态网络中的速度和位置变化，这仍然是车联网通信中的一个重大挑战。数值优化、博弈论和启发式方案难以满足这些多样化和动态的需求以优化计算卸载决策。为此，我们提出了一种基于近端策略优化（PPO）的算法，通过采用带有代理裁剪的策略梯度方法，最优地管理卸载决策，以确保稳定可靠的更新。这在动态车联网中至关重要，因为策略更新可能显著影响系统性能。此外，我们使用广义优势估计（Generalized Advantage Estimation）进一步提升了稳定性和效率，通过准确估计多步优势。我们提出的PPO算法有效平衡了探索与利用，在最小化延迟和任务丢弃率的同时产生最优卸载决策。广泛的实验验证了该方法的有效性，表明在动态车联网环境中，任务完成率得到显著提升，延迟最小化，同时满足固有的任务依赖关系和严格的截止时间要求。例如，结果表明，在总延迟方面，所提出的方法相比DQN提升了13.85%，相比DDQN提升了11.24%，相比DRQN提升了19.48%，相比DA-TODDPG提升了8.81%；在任务丢弃率方面，相比DQN提升了约30%，相比DDQN提升了17.65%，相比DA-TODDPG提升了9.68%，相比DRQN提升了44%（在RSU能力为140GHz时）。
Keyword:
Computation offloading
Deep reinforcement learning
Deep Q networks
Proximal policy optimization
Vehicular edge computing (VEC)
Mobile edge computing (MEC)
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
分享收藏分享收藏Efficient Dependent Task Offloading for Multiple Applications in MEC-Cloud SystemMEC云系统中多应用的高效依赖任务卸载
PREAI
分享收藏MESON: A Mobility-Aware Dependent Task Offloading Scheme for Urban Vehicular Edge Computing介子: 一种基于移动感知的城市车载边缘计算任务卸载方案
OAAI
OAAI分享收藏Dependent task offloading with deadline-aware scheduling in mobile edge networks移动边缘网络中具有截止时间感知调度的依赖任务卸载.png)
INTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏
UAV-assisted ubiquitous communication architecture for urban VANET environment面向城市VANET环境的UAV辅助泛在通信架构
PREAI
分享收藏
查看更多内容