.png){kind=icon}
返回
Multi-task classification offloading strategy based on reinforcement learning for mobile edge computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07693-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决多任务并发计算卸载在车联网（IoV）中引起的资源竞争问题，本文提出MCO-DQN策略，该策略协同车辆与边缘服务器建立多任务并发分类卸载模型。该模型构建以时延和能耗为双目标的约束多目标优化问题，旨在实现双目标优化及性能指标间的动态平衡。基于任务特征，分配不同的状态系数权重，并将计算卸载形式化为马尔可夫决策过程（MDP），以满足不同类型任务的分类卸载需求。通过结合实时任务状态与高维状态建模以及DQN算法的自适应能力，确定全局最优卸载决策，在车联网（IoV）的动态复杂场景中准确高效地实现多任务分类卸载。实验结果表明，所提策略在时延、能耗、成功率及收敛性方面表现出优越性能，使其成为车联网（IoV）多任务分类卸载的实用且最优的解决方案。
Keyword:
Multi-task concurrency
Classification offloading
Dynamic decision
Multi-objective optimization
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
Deep reinforcement learning approach for multi-hop task offloading in vehicular edge computing面向车载边缘计算的深度强化学习多跳任务卸载方法
OAAI
OAAI分享收藏分享收藏Computation offloading in vehicular communications using PPO-based deep reinforcement learning基于PPO的深度强化学习在车联网中的计算卸载
PREAI
分享收藏Priority-based multitasking offloading policy in NOMA-MEC network基于优先级的非正交多址接入移动边缘计算网络中的多任务卸载策略.png)
IF0
PREAI
分享收藏Heterogeneous Task Oriented Data Scheduling in Vehicular Edge Computing via Deep Reinforcement Learning基于深度强化学习的面向异构任务的车载边缘计算数据调度
PREAI
分享收藏
查看更多内容