.png){kind=icon}
返回
DRL-COO: DRL-Based Collaborative Offloading Optimization for Multiaccess Edge Computing Using Improved Experience Replay
.png){kind=icon}
PRE
AI
DOI：10.1109/JSEN.2025.3623885.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
万物互联网（IoE）生态系统的需求推动了第六代（6G）网络的出现。多接入边缘计算（MEC）通过卸载优化为提升6G IoE中感知与通信的集成性能提供了高效解决方案。然而，现有的卸载决策方法在平衡系统计算负载和获取全局最优策略方面存在困难。本文提出了一种基于深度强化学习的协同卸载优化（DRL-COO）方法，用于解决在6G赋能的多用户协同任务卸载MEC（MU-CTOMEC）系统中的卸载优化问题，旨在最小化延迟、能耗和任务失败率。具体而言，该方法为协同任务卸载建立了马尔可夫决策过程（MDP）模型，并采用基于异步优先经验回放机制（async priority experience replay）的深度强化学习（DRL）算法通过与环境交互进行训练。实验结果表明，所提出的优化算法在平均计算时间、能耗和任务失败率方面优于现有最先进的方法。
Keyword:
Collaborative offloading
deep reinforcement learning (DRL)
edge computing
期刊
IF:
4.5
论文数:
2.2W
被引数:
7.3W
机构
引用论文
Smart Healthcare: RL-Based Task Offloading Scheme for Edge-Enable Sensor Networks.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Deep Reinforcement Learning-based computation offloading and distributed edge service caching for Mobile Edge Computing基于深度强化学习的计算卸载和分布式边缘服务缓存用于移动边缘计算
PREAI
分享收藏Resource Allocation and Task Off-Loading for 6G Enabled Smart Edge EnvironmentsIEEE ACCESS
IEEE ACCESSIF3.6
PREAI
分享收藏
查看更多内容