.png){kind=icon}
返回
Optimizing ratio-based task offloading in two-tier edge computing: Multi-agent weighted action TD3 approach
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jnca.2025.104277.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在分布式边缘系统中，如中央办公室重构为数据中心（CORD），流量卸载对于通过将流量从过载的边缘站点重新分配到拥塞较少的站点来最小化延迟至关重要。控制平面必须做出快速决策以适应波动的流量速率。传统的优化方法，如模拟退火（SA），在这种复杂环境中通常需要大量时间才能收敛。本研究提出了加权动作双延迟深度确定性策略梯度（WA-TD3），一种加权动作方法，通过优化探索阶段来减少原始TD3算法在连续动作空间中的探索空间，从而实现更快的收敛。WA-TD3通过有效解决连续搜索空间问题并比传统优化方法更快地做出决策，增强了边缘卸载中的决策制定。评估结果表明，WA-TD3实现的决策时间以毫秒计，比SA快五个数量级，而SA的决策时间范围从分钟到小时不等，尽管WA-TD3的平均分组延迟略高。除了性能优势外，卸载代理可以在集中的云（单代理）或跨多个核心网络（多代理）中实现，具有不同的覆盖范围。在包含50个站点的CORD中，SA、单代理WA-TD3和多代理WA-TD3的收敛时间分别为47,813秒、1,302秒和929秒。
Keyword:
edge computing
traffic offloading
reinforcement learning
TD3 algorithm
distributed systems
期刊
IF:
8
论文数:
3.7K
被引数:
1.1W
机构
引用论文
Multi-agent reinforcement learning for task offloading with hybrid decision space in multi-access edge computing多智能体强化学习在多接入边缘计算中用于任务卸载的混合决策空间
PREAI
分享收藏
Joint computation offloading and task caching for multi-user and multi-task MEC systems: reinforcement learning-based algorithms多用户多任务MEC系统的联合计算卸载和任务缓存: 基于强化学习的算法
PREAI
分享收藏Advanced Deep Learning-Based Computational Offloading for Multilevel Vehicular Edge-Cloud Computing Networks基于深度学习的多级车载边缘云计算网络计算卸载.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Cache-Aided NOMA Mobile Edge Computing: A Reinforcement Learning Approach缓存辅助的NOMA移动边缘计算: 一种强化学习方法OAAI
OAAI分享收藏Multi-Agent Deep Reinforcement Learning-Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing基于多Agent深度强化学习的多无人机辅助移动边缘计算轨迹规划OAAI
OAAI分享收藏
查看更多内容