.png){kind=icon}
返回
Deep Reinforcement Learning Based Dynamic Trajectory Control for UAV-Assisted Mobile Edge Computing
.png){kind=icon}
OA
AI
DOI：10.1109/TMC.2021.3059691.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在本文中，我们考虑了一个飞行移动边缘计算 (f-mec) 的平台，其中无人机 (uav) 充当提供计算资源的设备，并且它们可以从用户设备 (UE) 卸载任务。我们旨在通过优化用户关联，资源分配和uav的轨迹来最小化所有ue的能耗。为此，我们首先提出了一种基于凸优化的轨迹控制算法 (CAT)，该算法通过使用块坐标下降 (BCD) 方法以迭代方式解决了该问题。然后，为了在考虑环境动态 (即无人机可能从不同位置起飞) 的同时做出实时决策，我们提出了一种基于深度强化学习的轨迹控制算法 (RAT)。在RAT中，我们应用优先体验回放 (PER) 来提高训练过程的收敛性。与可能易受初始点影响且需要迭代的基于凸优化的算法不同，RAT可以适应uav的任何起飞点，并且一旦训练过程完成，就可以比CAT更快地获得解。仿真结果表明，所提出的CAT和RAT算法在性能上都优于传统算法。
Keyword:
Trajectory
Unmanned aerial vehicles
Radio access technologies
Task analysis
Resource management
Reinforcement learning
Cats
Deep reinforcement learning
mobile edge computing
Unmanned Aerial Vehicle (UAV)
trajectory control
user association
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
9.2
论文数:
5.8K
被引数:
1.8W
机构
引用论文
Physical Activity in Community‐Dwelling Stroke Survivors and a Healthy Population Is Not Explained by Motor Function Only.png)
PM&R
PM&RIF0
PREAI
分享收藏Computation Rate Maximization in UAV-Enabled Wireless-Powered Mobile-Edge Computing Systems支持无人机的无线移动边缘计算系统中的计算速率最大化OAAI
OAAI分享收藏Study of bi-directional buck-boost converter topologies for application in electrical vehicle motor drives应用于电动汽车电机驱动的双向buck-boost变换器拓扑研究
PREAI
分享收藏Energy Efficient Resource Allocation in UAV-Enabled Mobile Edge Computing Networks支持无人机的移动边缘计算网络中的节能资源分配OAAI
OAAI分享收藏Caching UAV Assisted Secure Transmission in Hyper-Dense Networks Based on Interference Alignment基于干扰对齐的缓存无人机辅助超密集网络安全传输OAAI
OAAI分享收藏
查看更多内容