.png){kind=icon}
返回
Online Partial Computation Offloading Optimization in Wireless Powered Mobile Edge Computing Network
.png){kind=icon}
PRE
AI
DOI：10.1109/TCCN.2025.3612741.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算卸载是无线供电移动边缘计算（WP-MEC）网络中最关键的问题之一，它决定了如何将无线设备（WDs）的任务卸载到接入点（AP）以进行进一步的密集计算。然而，在实际应用中，高效的计算卸载和资源调度面临在线因素的挑战，即时变的信道条件和随机的任务到达。与二元卸载决策相比，部分卸载决策可以根据任务特性灵活调整。可行部分卸载方案的增加也给计算卸载策略的优化带来了挑战。为解决上述问题，本文提出了一种基于李雅普诺夫优化和深度强化学习（LyDROP）的在线部分计算卸载方案，在WP-MEC网络中联合优化无线能量传输（WPT）持续时间、部分卸载决策和传输时间分配。目标是最大化所有无线设备的加权总计算速率，同时尽可能减少数据队列积压。首先，利用李雅普诺夫优化将随机的在线问题解耦为一组逐帧的确定性问题。随后，采用基于模型优化和无模型机器学习算法的组合进行扩展仿真实验。利用澳大利亚墨尔本的真实世界数据集验证了LyDROP的性能。最后，通过与包括基于李雅普诺夫优化的坐标下降（LyCD）、基于李雅普诺夫优化的随机部分计算卸载（LyRPO）和近视算法（Myopic）在内的几种基线或最先进算法的比较，证明了LyDROP算法的优越性。
Keyword:
Online computation offloading
mobile edge computing
wireless power transfer
Lyapunov optimization
deep reinforcement learning
期刊
I
IF:
7
论文数:
1.6K
被引数:
5.5K
机构
引用论文
.png){kind=icon}
Joint Resource Scheduling for UAV-Enabled Mobile Edge Computing System in Internet of Vehicles基于无人机的车联网移动边缘计算系统联合资源调度
PREAI
分享收藏分享收藏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Energy-Efficient Task Offloading for Three-Tier Wireless-Powered Mobile-Edge Computing适用于三层无线供电移动边缘计算的高能效任务卸载
PREAI
分享收藏
查看更多内容