.png){kind=icon}
返回
Task offloading in vehicular edge computing based on traffic density-driven task generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.adhoc.2026.104203.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有车载边缘计算中的任务卸载方法，尽管考虑了服务器和无线设备（WDs）的移动性，但往往因任务生成模式过于简化（例如静态场景和固定设备数量）而难以与复杂的真实交通环境相匹配。此外，这些方法对动态网络环境的适应性有限。为解决这些局限性，我们提出了一种由交通密度生成的任务驱动的车载边缘任务卸载方案，其中定义了一个拥塞系数作为基于两个关键指标（道路占用时间和平均车速）的综合节点负载评估指标。首先，设计了一种任务生成机制，利用高斯分布优化车流数据，以实现任务生成的更细粒度。为进一步提高环境真实感，通过增加拥塞系数升高的节点的任务量，对任务生成进行了二次调整。接下来，构建了车载边缘计算系统模型，涵盖任务生成、传输、计算和能耗模块。随后将任务卸载问题建模为马尔可夫决策过程（MDP），并开发了一种基于深度确定性策略梯度（DDPG）的优化策略。在该策略中，定义的拥塞系数被整合为状态空间的关键特征之一，并构建了以时延-能耗协同优化为目标的奖励函数。最后，仿真结果表明，我们的卸载方案在降低平均用户体验质量（QoE）方面优于现有先进方法，同时实现了近最优解。
Keyword:
task offloading
vehicular edge computing
traffic density
congestion coefficient
deep deterministic policy gradient
期刊
IF:
4.8
论文数:
498
被引数:
6.2K
机构
暂无机构信息
引用论文
A comprehensive survey on reinforcement-learning-based computation offloading techniques in Edge Computing Systems边缘计算系统中基于强化学习的计算卸载技术综述
OAAI
OAAI分享收藏CE-IoT: Cost-Effective Cloud-Edge Resource Provisioning for Heterogeneous IoT ApplicationsCe-iot: 为异构IoT应用程序提供经济高效的云边缘资源配置
PREAI
分享收藏Parking Edge Computing: Parked-Vehicle-Assisted Task Offloading for Urban VANETs停车边缘计算: 城市vanet的停放车辆辅助任务卸载
PREAI
分享收藏Autonomous Platoon Control With Integrated Deep Reinforcement Learning and Dynamic Programming集成深度强化学习和动态规划的自主排控
OAAI
OAAI分享收藏Action decoupled SAC reinforcement learning with discrete-continuous hybrid action spaces具有离散-连续混合动作空间的动作解耦SAC强化学习.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Deep Reinforcement Learning-Based Server Selection for Mobile Edge Computing基于深度强化学习的移动边缘计算服务器选择
PREAI
分享收藏
查看更多内容