.png){kind=icon}
返回
Multi-queue Lyapunov-guided deep reinforcement learning scheme for mobile edge computing offloading
.png){kind=icon}
PRE
AI
DOI：10.1108/IJWIS-05-2025-0131.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的在时间敏感的自然灾害场景中，无人机（UAV）对于搜救至关重要。虽然移动边缘计算（MEC）为这些无人机提供了实时数据处理能力，但它带来了一个重大挑战：在低延迟数据分析以定位幸存者与无人机的有限电池寿命之间取得平衡。本文旨在提出一种解决方案，以在动态救援环境中最小化任务处理延迟的同时节省无人机能源。设计/方法/途径为克服这一挑战，本研究提出了多队列李雅普诺夫引导深度强化学习（MQ-LyDRL）方法，通过联合优化任务卸载和资源分配来最小化任务处理延迟。该方法创新性地将李雅普诺夫优化与深度强化学习（DRL）相结合。具体而言，通过基于队列稳定性和能源约束构建李雅普诺夫函数，MQ-LyDRL将复杂的多阶段随机优化问题分解为确定性、按时间槽的子问题。随后采用自适应DRL框架求解该子问题，使其能够在无需先验环境动态知识的情况下学习最优策略以进行实时决策。研究发现大量模拟结果表明，MQ-LyDRL显著优于现有方法。它在波动条件下保持运行稳定性，并在遵守能源预算的前提下将平均延迟降低至少9.21%。这一减少转化为更快的从数据到决策的周期，通过延长无人机的运行时间加速了救援干预。原创性/价值本工作的主要价值在于为高风险场景中的智能高效边缘计算系统提供了蓝图。通过结合稳定性理论与自适应人工智能（AI），本研究提供了一种适用于性能和可靠性不可妥协的关键任务的实用框架。
Keyword:
Edge computing
Task offloading
Resource allocation
Lyapunov optimization
Deep reinforcement learning
Disaster response
期刊
I
IF:
2.3
论文数:
20
被引数:
0
机构
引用论文
分享收藏DRL-based federated self-supervised learning for task offloading and resource allocation in ISAC-enabled vehicle edge computingGu, X.; Wu, Q.; Fan, P.; Cheng, N.; Chen, W.; Letaief, K.B. 基于深度强化学习的联邦自监督学习在ISAC赋能的车辆边缘计算中的任务卸载和资源分配。Digit. Commun. Netw. 2024; 已录用. [Google Scholar] [CrossRef]
OAAI
OAAI分享收藏Task Offloading of Deep Learning Services for Autonomous Driving in Mobile Edge Computing.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Liu, Z.; Zhang, Q.; Su, Y. PPO-Based Joint Optimization for UAV-Assisted Edge Computing Networks. Appl. Sci. 2023, 13, 12828. [Google Scholar] [CrossRef]刘, Z.; 张, Q.; 苏, Y. 基于 PPO 的无人机辅助边缘计算网络联合优化. Appl. Sci. 2023, 13, 12828. [Google Scholar] [CrossRef]
IF0
PREAI
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