.png){kind=icon}
返回
Hierarchical Deep Reinforcement Learning-Based Partial Task Offloading in Device-Edge-Cloud Computing Architecture
.png){kind=icon}
PRE
AI
DOI：10.1109/TCE.2025.3611973.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IIoT）和5G应用的快速增长需要高性能计算、低延迟和能效，这通常超出了本地设备的能力。任务卸载到边缘或云服务器提供了一种有前景的解决方案。然而，由于动态网络条件、异构资源和冲突的性能目标，在设备、边缘和云之间实现最优部分任务分配仍然具有挑战性。本文提出了一种分层深度强化学习（HDRL）框架，用于在设备-边缘-云架构中进行智能、资源感知和延迟约束的部分任务卸载。该问题被表述为一个两级马尔可夫决策过程（MDP）以进行结构化决策。在高层，一个双重深度Q网络（DDQN）代理观察全局网络状态并选择计算层级。在低层，一个近端策略优化（PPO）代理确定最优的任务分割比例，实现子任务分配的精细控制。HDRL框架联合优化能耗、任务接受率和资源利用率，同时确保端到端延迟约束。该系统动态适应不断变化的工作负载和资源可用性。仿真结果表明，HDRL-PTO实现了80%至90%的任务接受率，相比DRL-PTO和DRL-TO降低了能耗，并在网络I和网络II中始终实现了更高的回合奖励。
Keyword:
Edge-cloud computing
partial task offloading
hierarchical deep reinforcement learning
Markov decision process
resource allocation
deep reinforcement learning
期刊
IF:
10.9
论文数:
5.3K
被引数:
6.8K
机构
引用论文
.png){kind=icon}
分享收藏Toward Energy-Efficient and Cost-Effective Task Offloading in Mobile Edge Computing for Intelligent Surveillance Systems面向智能监控系统的移动边缘计算中的高能效和具有成本效益的任务卸载
PREAI
分享收藏Virtual Network Embedding for Task Offloading in IIoT: A DRL-Assisted Federated Learning Scheme面向IIoT任务卸载的虚拟网络嵌入: 一种DRL辅助的联邦学习方案
PREAI
分享收藏Meta-Hierarchical Reinforcement Learning (MHRL)-Based Dynamic Resource Allocation for Dynamic Vehicular Networks基于元分层强化学习 (MHRL) 的动态车载网络动态资源分配
PREAI
分享收藏
查看更多内容