.png){kind=icon}
返回
Task offloading for multi-UAV asset edge computing with deep reinforcement learning
.png){kind=icon}
OA
AI
DOI：10.1007/s10586-025-05382-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动边缘计算（MEC）通过在网络边缘提供处理能力来解决计算密集型网络服务的需求，降低服务延迟。无人 aerial vehicles（UAV）因其灵活性、广泛覆盖和可靠的无线通信而增强MEC。本文研究了在多协同UAV辅助的MEC系统中进行任务卸载，优化二元卸载模式下的任务分配以提高系统效率。系统性能从能耗和任务延迟方面进行评估，而提出的框架联合优化UAV轨迹设计、二元卸载、计算资源分配和通信资源管理，以实现更好的资源利用。为克服传统基于启发式方法（heuristic-based approaches）的局限性，我们提出了一种创新的基于深度强化学习（DRL）的任务卸载框架，并进行了深度确定性策略梯度与任务位置距离及能力匹配（DDPG with DTLCM）、深度Q网络（DQN）和Q-Learning的对比分析。我们的方法利用DTLCM增强决策能力，使UAV能够通过考虑其与任务的距离和计算能力来更智能地分配任务。实验结果表明，DDPG with DTLCM在任务分配的稳定性及动态场景下的适应性方面均优于DQN和Q-Learning。虽然DQN在高维状态空间中比Q-Learning更稳定，但仍受离散化约束的限制。相比之下，DDPG with DTLCM受益于连续动作空间，能够实现更灵活和精细化的决策。这些见解强调了策略梯度DRL方法在推进UAV辅助MEC任务调度和资源优化方面的优势，尤其是在结合了DTLCM等情境感知机制时。
Keyword:
Deep reinforcement learning
Unmanned aerial vehicle (UAV)
Task offloading
Mobile edge computing
Multi-UAV
DTLCM
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
An Improved DQN Algorithm for Automated Guided Vehicle Pathfinding Problem in Port Environment港口环境下自动导引车路径规划问题的改进DQN算法.png)
IF0
PREAI
分享收藏Intelligent ubiquitous computing for future UAV-enabled MEC network systems面向未来无人机MEC网络系统的智能普适计算
PREAI
分享收藏Joint Task Offloading, Resource Allocation, and Load-Balancing Optimization in Multi-UAV-Aided MEC Systems多无人机辅助MEC系统中的联合任务卸载、资源分配和负载均衡优化OAAI
OAAI分享收藏Unmanned aerial vehicle assisted communication: applications, challenges, and future outlook无人机辅助通信: 应用、挑战与未来展望
PREAI
分享收藏Active device detection and performance analysis of massive non-orthogonal transmissions in cellular Internet of Things蜂窝物联网大规模非正交传输的主动设备检测及性能分析OAAI
OAAI分享收藏Collaborative Computation Offloading in Multi-UAV-MEC Networks: A Reinforcement Learning Approach多UAV-MEC网络中的协同计算卸载：一种强化学习方法
PREAI
分享收藏
查看更多内容