.png){kind=icon}
返回
Optimizing CPU-GPU resource scheduling with deep reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108065.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（IoT）和边缘计算的快速发展，在延迟敏感型应用中创造了实时、准确信息更新的更大需求。我们通过构建马尔可夫决策过程（MDP）模型，处理包括仅CPU、仅GPU及混合CPU-GPU设备在内的异构设备，该模型有效捕捉了这些设备与边缘服务器（ES）的动态特性。为充分利用无线设备（WDs）的异构性，我们提出了一种基于多头注意力（Multi-Head Attention）的深度强化学习（DRL）算法，其中每种设备类型被赋予独立的注意力权重，以高效捕捉其对任务调度决策的影响。为解决传统强化学习（RL）算法在完全未知系统下的收敛缓慢问题，我们提出了异构计算感知的决策后状态（PDS）学习。该机制结合了边缘环境中系统动态的部分先验知识，以加速探索和学习过程。实验结果表明，所提出的方法在异构边缘环境中显著优化了信息新鲜度（AoI）和能耗性能，优于现有方法。
Keyword:
IoT
Edge Computing
Markov Decision Process
Deep Reinforcement Learning
Age of Information
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
Near-Optimal and Truthful Online Auction for Computation Offloading in Green Edge-Computing Systems
OAAI
.png){kind=icon}
OAAI分享收藏Energy Efficient Dynamic Offloading in Mobile Edge Computing for Internet of Things面向物联网的移动边缘计算中的高能效动态卸载
PREAI
分享收藏Energy-Efficient Resource Management for Federated Edge Learning With CPU-GPU Heterogeneous Computing通过cpu-gpu异构计算实现联合边缘学习的高能效资源管理
OAAI
OAAI分享收藏
查看更多内容