.png){kind=icon}
返回
Energy-Harvesting Reinforcement Learning-based Offloading Decision Algorithm for Mobile Edge Computing Networks (EHRL)
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0336903.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动边缘计算（MEC）是一种将资源靠近网络边缘的计算范式，旨在为移动设备（MDs）提供快速高效的计算服务。然而，MDs通常受限于有限的能量和计算资源，这些资源不足以处理大量的任务。有限的能量资源和无线节点计算能力不足的问题促使无线能量传输（WPT）和能量收集（EH）作为一种潜在解决方案出现，其中电能通过无线方式传输，随后由MDs收集并转化为能量。本文考虑了一种采用二进制卸载策略的无线供电MEC网络，其中MDs的计算任务要么在本地执行，要么完全卸载到边缘服务器（ES）。目标是在动态无线信道条件和能量收集约束下优化二进制卸载决策。因此，提出了一种基于能量收集强化学习的卸载决策算法（EHRL）。EHRL将强化学习（RL）与深度神经网络（DNNs）相结合，以动态优化二进制卸载决策，从而避免了手动标注训练数据的需要，并消除了反复求解复杂优化问题的需求。为增强卸载决策过程，算法采用了牛顿-拉夫森方法，用于在能量约束下快速高效地优化计算速率。同时，DNN使用Nadam优化器（Nesterov-accelerated Adaptive Moment Estimation）进行训练，该优化器结合了Adam和Nesterov动量的优点，提供了更快的收敛速度和更稳定的训练效果。所提出的算法解决了MDs能量有限和高效任务卸载以最小化延迟并最大化计算性能的双重挑战。数值结果验证了所提方法的优越性，相较于传统技术，其在计算性能和时间效率方面展现出显著优势，即使在快速衰落环境中，也使实时和最优卸载设计真正可行。
Keyword:
OPTIMIZATION
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
分享收藏Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing边缘智能: 用边缘计算铺平人工智能的最后一英里.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks用于无线供电的移动边缘计算网络中在线计算卸载的深度强化学习OAAI
OAAI分享收藏
查看更多内容