.png){kind=icon}
返回
Transformer-Based Distributed Task Offloading and Resource Management in Cloud-Edge Computing Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/JSAC.2025.3574611.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业信息物理系统（ICPS）已成为工业领域的关键组成部分。为促进海量设备间的无缝协作，云边计算架构已成为ICPS的关键使能技术，通过利用分布式智能来协调设备和计算任务。在云边计算中，高效的任务卸载和资源管理对于优化任务性能和降低能耗成本至关重要。然而，传统的集中式资源管理策略难以满足动态ICPS系统的实时性、适应性和性能需求。本文提出了一种分布式Transformer-Actor-Critic（DTAC）算法，用于在云边计算网络中联合确定任务卸载和资源管理决策，特别针对ICPS中的延迟敏感应用。DTAC算法整合了强大的Transformer模型与流行的Actor-Critic架构，以应对混合高维动作空间的挑战。我们首先训练一个集中式模型来学习用户设备（UEs）之间的协调，然后引入一种去中心化迁移学习（TL）方法，将集中式模型高效地迁移至DTAC框架。通过DTAC模型，每个UE可以仅依据本地信息独立管理其本地资源，避免了集中式方法固有的巨大信令开销。仿真结果表明，DTAC不仅在中小规模场景中优于其他多智能体强化学习（MARL）和迁移学习（TL）方案，而且在无经验场景下展现出强大的泛化能力。此外，DTAC和去中心化迁移学习方案相比其他方法将训练成本降低了73%，使其更适用于ICPS部署。
Keyword:
Cloud-edge computing
deep reinforcement learning (DRL)
distributed resource management
transfer learning (TL)
期刊
IF:
17.2
论文数:
6.4K
被引数:
3.1W
机构
引用论文
.png){kind=icon}
Optimal Control of Chilled Water System With Ensemble Learning and Cloud Edge Terminal Implementation基于集成学习的冷冻水系统优化控制及云边缘终端实现
PREAI
分享收藏
Joint Caching, Communication, Computation Resource Management in Mobile-Edge Computing Networks
PREAI
分享收藏Deep Reinforcement Learning for Energy-Efficient Computation Offloading in Mobile-Edge Computing面向移动边缘计算节能计算卸载的深度强化学习
PREAI
分享收藏Cloud-Fog Automation: Vision, Enabling Technologies, and Future Research Directions云雾自动化: 视觉、使能技术和未来研究方向
PREAI
分享收藏
查看更多内容