.png){kind=icon}
返回
Deep meta reinforcement learning for efficient task offloading in edge computing environments
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05360-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多接入边缘计算（MEC）面临着将用户设备上的多样化任务高效卸载到MEC主机以减少网络流量和延迟的挑战。现有的深度强化学习（DRL）方法通常需要完全重新训练，且在新环境中效率低下。为解决此问题，我们引入了深度元强化学习计算（DMRLC）框架。该框架将用户设备上运行的应用程序转换为有向无环图（DAG）的输入节点，并采用定制的序列到序列（Sequence-to-Sequence）神经网络来制定卸载策略。在完全训练DMRLC模型后，通过优化内环和外环、使用序列到序列神经网络和信任域策略优化（TRPO），可获得最优卸载策略。在不同拓扑结构、任务规模和传输速率下的仿真结果表明，TRPO相较于现有算法（如贪婪算法Greedy、HEFT和微调DRL）实现了显著的延迟降低。微调DRL优于贪婪算法和HEFT，但TRPO超越了微调DRL，在所有拓扑结构中实现5.65%的延迟降低、任务数量提升2.66%，并在带宽范围内实现6.78%的延迟降低。此外，TRPO相较于微调DRL、HEFT和Greedy分别实现了平均能耗降低20.89%、36.06%和16.53%，展现出其卓越的能效优势。
Keyword:
Graph neural network
Meta reinforcement learning
Multi-access edge computing
Task offloading
TRPO
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Mobile Edge Computing and Machine Learning in the Internet of Unmanned Aerial Vehicles: A Survey无人机互联网中的移动边缘计算和机器学习: 一项调查
PREAI
分享收藏Joint optimization of service chain caching and task offloading in mobile edge computing移动边缘计算中服务链缓存与任务卸载的联合优化
PREAI
分享收藏Trust region policy optimization via entropy regularization for Kullback-Leibler divergence constraint.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容