.png){kind=icon}
返回
Optimizing Profit and Delay in Computing Power Network via Deep Deterministic Policy Gradient: A Task Decomposition and Computing Path Optimization Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TSC.2025.3570862.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在计算密集型应用的当代背景下，计算能力网络（CPN）通过整合与共享计算资源，提供了一种提升计算效率和经济性的解决方案。然而，在多用户环境中，随着任务量的激增，有效调度这些任务以优化系统收益和延迟构成了重大挑战。本文介绍了一种基于深度确定性策略梯度（DDPG）的优化方法，通过任务分解和计算路径优化来提升CPN性能。我们首先构建了一个包含云计算、边缘计算和终端设备层的多层CPN系统模型。随后，我们整合了一种基于凸优化的任务分解新机制，实现了任务向子任务的智能细分，并动态分配至网络内的合适节点。此外，我们设计了一种基于凸优化任务分解的多智能体深度确定性策略梯度（CO-MADDPG）算法，使多个计算任务作为独立智能体学习并识别最优卸载路径和计算节点，从而最小化延迟并最大化系统收益。一系列仿真实验验证了CO-MADDPG算法在处理并发任务方面的有效性，展示了其缩短任务完成时间、提高系统收益，以及在变化任务需求下保持适应性和稳定性的能力。
Keyword:
Computing power architecture
computing power network (CPN)
convex optimization theory
deep reinforcement learning
scheduling strategy
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
Cost-efficient multi-service task offloading scheduling for mobile edge computing.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
Delay-Prioritized Task Scheduling with Load Balancing in Computing Power Networks计算能力网络中的延迟优先任务调度与负载均衡
PREAI
分享收藏
查看更多内容