.png){kind=icon}
返回
Multi-Service Dependent Task Offloading Based on Multi-Agent DRL for Vehicular Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.23919/transcom.2025EBP3029.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车载边缘计算在网路边缘提供丰富的计算和存储资源，旨在满足延迟敏感型车联网应用日益增长的需求。有效利用这些资源对于提高车联网任务执行效率至关重要。然而，现有研究常忽略边缘服务器有限的服务能力和车联网应用的依赖关系，导致卸载决策次优。此外，车辆的高移动性进一步增加了制定最优卸载决策的难度。为解决这些问题，本文针对具有依赖关系和多样化服务需求的车联网应用，提出了一种基于多智能体深度强化学习（MADRL）的任务卸载算法。该算法综合考虑了车辆移动性和边缘服务器有限的服务能力，以满足异构车联网中的异构服务质量（QoS）需求。在所提算法中，我们首先将依赖任务卸载分解为序列卸载过程，并将该过程建模为马尔可夫决策过程（MDP）。然后应用多智能体深度确定性策略梯度（MADDPG）算法求解该问题。仿真结果表明，所提方案在降低平均任务处理延迟方面具有更好的性能。
Keyword:
multi-service task offloading
vehicular edge computing
dependent task
deep reinforcement learning
期刊
I
IF:
0.6
论文数:
193
被引数:
1.2K
机构
引用论文
Multitask Offloading Strategy Optimization Based on Directed Acyclic Graphs for Edge Computing基于有向无环图的边缘计算多任务卸载策略优化
PREAI
分享收藏分享收藏Dependent task offloading with deadline-aware scheduling in mobile edge networks移动边缘网络中具有截止时间感知调度的依赖任务卸载.png)
INTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏
查看更多内容