检索结果-内蒙古大学图书馆

作者：泮晓波浙江大学

学位级别：硕士

工业互联网中数据流量的指数型增长和大量计算密集型任务的产生,对网络带宽和云服务器带来了巨大的挑战。传统的云计算模型虽然可以提供一些计算资源,但是在面对着爆发增长的工业数据时,存在效率低、时延高、能耗高的情况。因此本文考... 详细信息

工业互联网中数据流量的指数型增长和大量计算密集型任务的产生,对网络带宽和云服务器带来了巨大的挑战。传统的云计算模型虽然可以提供一些计算资源,但是在面对着爆发增长的工业数据时,存在效率低、时延高、能耗高的情况。因此本文考虑在工业场景下引入移动边缘计算(Mobile Edge Computing,MEC),对边缘计算任务卸载进行了研究。针对工业互联网低能耗、低时延等需求,本文在两种场景下进行了研究,主要工作如下: 1、在多用户单MEC服务器场景下,本文提出了一种基于双重深度Q网络算法的任务卸载策略。本文综合考虑了时延和能耗,并且将这两个优化目标综合考虑为系统的成本;接着通过仿真实验和其他几种卸载策略进行比较,从多个角度证明了本文提出的卸载策略的有效性;最后通过将卸载策略运用到实际场景中,与传统云处理模式进行比较,证明了该卸载策略相比传统云模式,节省了任务完成的总耗时。 2、在多用户多MEC服务器场景下,本文提出了一种基于异步优势演员评论家算法的任务卸载策略;接着通过仿真实验和其他几种卸载策略进行比较,从多个角度证明了该算法的有效性;最后通过将卸载策略运用到实际场景中,通过部署了多个MEC服务器,和双重深度Q网络卸载策略、传统云处理模式进行比较,证明了该卸载策略在面对大量设备时性能更佳。 3、面向T公司的实际业务需求,本文首先对搭建监控系统进行了详细的需求分析;根据需求分析结果,设计了一套基于云-边-端架构,并且支持自定义采集、实时异常检测、实时监控和机器效率分析等功能的工业数据监控系统;最后完成了功能开发和系统测试。

关键词：工业互联网边缘计算计算任务卸载云计算

来源：评论

学校读者我要写书评

暂无评论

异构无线网络中智能边缘计算卸载策略研究

异构无线网络中智能边缘计算卸载策略研究

引用

作者：牛莅文郑州大学

学位级别：硕士

移动边缘计算(MobileEdgeComputing,MEC)通过在网络边缘部署计算资源，使得移动设备可以将任务卸载到边缘服务器处理，有效减少设备的计算时延和能耗。目前，大量研究都集中在仅通过蜂窝网络将计算任务卸载到边缘服务器上执行。随着移... 详细信息

移动边缘计算(MobileEdgeComputing,MEC)通过在网络边缘部署计算资源，使得移动设备可以将任务卸载到边缘服务器处理，有效减少设备的计算时延和能耗。目前，大量研究都集中在仅通过蜂窝网络将计算任务卸载到边缘服务器上执行。随着移动设备的爆炸性增长，此种卸载方式面临着授权频谱资源拥塞的挑战，这反过来又恶化了用户的体验质量。在异构无线网络背景下,频谱资源变得多样化，移动用户可以选择合适的通信资源进行卸载，从而缓解蜂窝网络资源拥塞的问题。因此，如何有效利用异构无线网络的通信资源，提高MEC系统中移动用户的任务卸载性能，成为当前研究的重点之一。本论文提出利用强化学习方法来优化异构无线网络中MEC系统的计算卸载性能，主要包括以下两个方面:　　(1)针对MEC系统在计算卸载时所面临的移动设备的高移动性、异构网络流量的动态性以及蜂窝网络的付费成本等挑战，本文首先对异构WiFi和蜂窝网络中MEC系统的计算卸载进行建模。在无限时间范围内，移动设备根据其与基站或WiFi接入点之间的连接性变化、移动性导致的WiFi可用性变化等系统动态，智能的做出任务卸载决策。为了求解具有高维状态空间且缺乏系统动力学统计知识的马尔可夫决策过程(MarkovDecisionProcess,MDP)的最优卸载策略，本文提出一种单智能体深度Q网络(DeepQNetwork,DQN)算法来优化MEC系统的长期性能。实验结果表明，本文提出的算法实现了更低的平均成本，并且在任务执行时延、任务付费和任务排队时延之间有更好的权衡。　　(2)针对真实MEC系统中多个移动设备在共享有限通信资源和计算资源时存在冲突，且无法直接观测全局状态信息的挑战，本文进一步对异构无线网络中多用户MEC系统进行建模，此系统提供了授权和未授权频谱机会。考虑到移动用户在竞争无线网络资源时信道分配存在不确定性，本文将MEC系统中相互竞争的移动用户之间的任务卸载问题建模为多智能体MDP中的非合作随机博弈，提出一种不考虑全局状态观测的基于近似的多智能体MDP框架。进一步，本论文提出多智能体近端策略优化(ProximalPolicyOptimization,PPO)算法来求解在平稳MEC系统中每个移动用户的最优控制策略。最后，考虑到在非平稳MEC系统中，由于适应性受限，强化学习算法存在收敛速度慢的问题，本文将元学习(MetaLearning)与PPO算法结合，提出一种多智能体Meta-PPO算法，该算法在学习最优控制策略方面具有更高的适应性。实验结果表明，多智能体Meta-PPO算法和多智能体PPO算法在计算任务卸载性能方面有显著改进。　　综上所述，本文对异构无线网络中智能边缘计算卸载策略进行研究，针对不同的MEC系统提出了不同的强化学习算法，使得MEC系统中每个移动用户能够学习到最优计算卸载策略，有效提升了MEC系统的长期计算卸载性能。

关键词：异构无线网络移动边缘计算计算任务卸载边缘服务器强化学习

来源：评论

学校读者我要写书评

暂无评论

异构无线接入环境下移动边缘计算联合资源管理技术研究

异构无线接入环境下移动边缘计算联合资源管理技术研究

引用

作者：韩珺婷北京邮电大学

学位级别：硕士

移动通信技术与无线接入业务的快速发展共同驱动着移动边缘计算技术的演进,由异构节点组成的无线通信网络可为移动终端提供泛在异构无线接入环境。由于WiFi网络被广泛部署并提供着高传输速率,使用蜂窝-WiFi网络联合管理有限的移动终端... 详细信息

移动通信技术与无线接入业务的快速发展共同驱动着移动边缘计算技术的演进,由异构节点组成的无线通信网络可为移动终端提供泛在异构无线接入环境。由于WiFi网络被广泛部署并提供着高传输速率,使用蜂窝-WiFi网络联合管理有限的移动终端计算资源和蜂窝移动网络通信资源逐渐成为一种经济有效的方案,WiFi接入点和基站具备的计算和存储单元允许移动终端将庞杂的应用程序进行任务卸载及服务缓存,有效避免计算任务的重复卸载,缓解蜂窝网络中高负载下的计算任务卸载带来的网络拥塞问题,实现蜂窝-WiFi网络与移动终端的协作配合,降低移动终端的计算任务处理开销,满足用户对服务质量的要求,提高整体网络系统的性能效用。现有工作中针对蜂窝-WiFi网络协作式资源调度方案相关研究较为少,为此,本文重点关注面向蜂窝-WiFi异构无线网络下移动边缘计算的联合资源管理问题,主要研究内容包括:(1)提出了一种新型的WiFi网络与蜂窝网络联合计算任务卸载方案,以达到最小化移动终端计算任务处理时延和处理能耗的目的。该方案在建模中考虑了 WiFi网络终端接入优先级,并引入平衡因子来衡量计算任务处理时延和处理能耗之间的优化权重。为了有效求解计算任务卸载策略中的非凸优化问题,本文提出了一种基于线性规划与交替最优化的迭代算法。最后,仿真结果表明,本文提出的卸载方案可以有效地提高整体系统性能,与已有研究方案相比,时延与能耗的联合增益平均提高20-40%。(2)提出了一种基于蜂窝-WiFi网络协作的应用服务缓存放置策略,在保证终端任务处理时延要求的前提下,建立以最小化计算任务处理过程中终端运行耗能为目标的信道接入、计算任务卸载、服务缓存决策联合优化模型,保障用户的应用使用体验。为了解决该模型的混合整数非线性优化问题,本文提出了一种基于交替优化技术与分支定界算法的迭代算法。最后设计了相应的数值仿真验证实验,结果表明本文提出的优化方案在各种场景下都能大幅降低移动终端运行能耗,并与现有研究中的方案相比,能耗下降率高10%-26%。本文所提出的异构无线接入环境下移动边缘计算联合资源管理方案对移动终端的计算任务处理时延和运行能耗方面均有显著优化效果,研究成果可为移动边缘计算领域的相关研究提供理论参考。

关键词：异构无线网络计算任务卸载服务缓存资源调度

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的移动边缘网络卸载研究

基于深度学习的移动边缘网络卸载研究

引用

作者：刘颖青电子科技大学

学位级别：硕士

在Mobile Edge Computing(MEC,移动边缘计算)的研究中,任务的计算卸载一直是其中的关键问题,完善的计算卸载决策及相应的最优资源分配方案能够极大地提升MEC的服务性能以及用户体验。另外,在最优资源分配问题求解过程中,如何有效地提高... 详细信息

在Mobile Edge Computing(MEC,移动边缘计算)的研究中,任务的计算卸载一直是其中的关键问题,完善的计算卸载决策及相应的最优资源分配方案能够极大地提升MEC的服务性能以及用户体验。另外,在最优资源分配问题求解过程中,如何有效地提高计算效率以满足MEC低延迟等性能同样具有重要的研究意义,而深度学习作为能够处理海量数据的强大分析工具,对此研究具备充足可行性。此外,将深度学习与强化学习相结合所组成的深度强化学习,同时具备深度学习的强大分析能力和强化学习的复杂探索交互能力,可以被用来解决复杂环境下的卸载优化问题。本文主要将深度学习和深度强化学习应用在MEC计算卸载领域的相关问题求解,解决了单个MEC单元环境下用户任务请求的计算卸载和之后的资源分配问题,具体的研究工作总结如下:首先,针对移动终端设备所产生的任务请求,构建了一个协同系统以尽可能高效地实现卸载决策及资源分配。本文主要考虑将深度神经网络与现有的迭代优化算法相结合,构建一个协同运作的系统来对问题模型进行求解。同时,在对神经网络学习训练的过程中,考虑到网络系统数据传输过程中信道系数的随机波动,提出了一种分区域的训练模式,保证了系统的及时性。仿真结果表明,系统通过神经网路对优化算法中某些重要迭代因子的预测,极大地减少了原算法的迭代次数,有效提升了算法效率。其次,对于已请求卸载执行的任务数据,在边缘节点构建了一个资源分配方案问题模型,其优化目标是使得任务在MEC服务器卸载执行中的总代价达到最低。考虑到MEC网络系统中边缘服务器计算资源不足的情况,建立了一个5G场景下的异构MEC问题模型。部署在系统上的是单个移动边缘应用程序,应用程序的目标是对其资源进行合理分配以确保更多的卸载任务能够在MEC系统中尽快得到处理,并保证任务执行的总代价最低。本文通过建立马尔科夫决策过程,引入任务执行优先级的概念,运用深度强化学习实现了对该问题的求解。另外,在具体的求解中,提出了在Q-网络末端添加一个过滤层以实现无效动作对应状态-动作值的过滤。仿真结果显示,深度强化学习能够有效地对本文所提问题模型进行求解。

关键词：移动边缘计算计算任务卸载协同系统深度学习深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于流量疏导的云边弹性光网络资源优化方法研究

基于流量疏导的云边弹性光网络资源优化方法研究

引用

作者：梁瑞鑫苏州大学

学位级别：硕士

随着全球物联网服务的迅速发展,传统的云计算网络模式无法满足新兴业务低时延、高速率、大带宽的需求。因此,为了更好地满足各类新兴应用的需求,提出了云边弹性光网络。本文主要研究了云边弹性光网络中的资源分配问题,尽可能地降低网络... 详细信息

随着全球物联网服务的迅速发展,传统的云计算网络模式无法满足新兴业务低时延、高速率、大带宽的需求。因此,为了更好地满足各类新兴应用的需求,提出了云边弹性光网络。本文主要研究了云边弹性光网络中的资源分配问题,尽可能地降低网络阻塞率,并提高网络的频谱资源利用率,实现网络资源的最优化分配。首先,为了优化云边弹性光网络的计算资源与频谱资源分配,建立了基于流量疏导的云边弹性光网络资源优化的整数线性规划模型。同时,提出了基于流量疏导与节点空闲度卸载的网络资源优化算法。仿真的结果表明,相比现有的几种网络资源优化算法,本章提出的基于流量疏导与节点空闲度卸载的网络资源优化算法的网络性能与整数线性规划模型的优化效果是最为接近的,有效降低了网络的频谱占用率,优化了网络中的资源分配。其次,针对云边弹性光网络中的网络资源优化问题,提出了面向计算代价优化的任务卸载方法和面向路由代价优化的路径选择方法。根据网络计算代价和路由代价的优化方法,提出了基于不同线速率流量疏导的网络资源优化算法。仿真结果表明,与传统网络资源优化算法对比,所提出的网络资源优化算法有效降低了网络阻塞率、平均路由代价与平均计算代价,提高了频谱资源利用率。最后,针对云边弹性光网络中的频谱碎片优化问题,引入了可用频谱块分布的碎片度量方法以及动态负载均衡方法,并提出了基于碎片感知与动态负载均衡的网络资源优化算法。仿真结果表明,与现有的碎片感知资源优化算法对比,本章提出的基于碎片感知与动态负载均衡的网络资源优化算法可以有效降低网络阻塞率与带宽阻塞率,提高网络的频谱资源利用率,并优化网络的资源分配。

关键词：云边弹性光网络计算任务卸载流量疏导

来源：评论

学校读者我要写书评

暂无评论

基于边缘计算的5G低时延高可靠业务卸载策略研究

基于边缘计算的5G低时延高可靠业务卸载策略研究

引用

作者：史晨华西安电子科技大学

学位级别：硕士

随着信息与通信技术的发展,用户对通信及业务服务的要求越来越高,目前的4G网络架构较难满足用户及应用的需求,因此5G网络应运而生。5G网络的目标是在网络中支撑不同需求的业务,其中低时延高可靠业务受到了各界的广泛关注。在5G网络中,... 详细信息

随着信息与通信技术的发展,用户对通信及业务服务的要求越来越高,目前的4G网络架构较难满足用户及应用的需求,因此5G网络应运而生。5G网络的目标是在网络中支撑不同需求的业务,其中低时延高可靠业务受到了各界的广泛关注。在5G网络中,云计算被认为是能高效处理大量业务数据,满足用户对业务需求的有效技术之一。但由于云服务器往往被部署在距离终端较远的地方,且随着用户数量的增多,云计算网络带宽将严重不足,并且鲁棒性较差,因此云计算网络架构难以满足用户对低时延高可靠业务的需求。为了解决云计算网络架构在支撑5G业务时所存在的不足,本文针对移动边缘计算(Mobile Edge computing,MEC)技术展开了研究,重点分析了移动边缘计算技术的优势及其应用,深入研究了云-边缘计算架构,对该网络架构设备无故障情况下的业务响应时延及故障情况下的业务响应时延进行了建模,并研究了相应模型中的计算任务卸载策略以降低业务响应时延,增强业务处理可靠性。本文的具体研究内容如下:在实时移动人脸识别场景中,针对传统云计算架构存在识别业务响应时延高的问题,本文提出了一种“软件定义云-边缘计算网络架构”。在该架构中,将SDN(Software Defined Network,SDN)技术与MEC技术进行结合,其中,SDN技术可为网络提供灵活方便的集中控制和管理,同时MEC可在网络边缘对人脸识别业务进行处理以降低时延。在云-边缘计算网络架构中,本文首先对人脸识别业务响应时延进行了建模,其次综合考虑了MEC设备的计算及通信能力,提出了在多个MEC设备集群中基于烟花算法的计算任务卸载策略,以达到进一步降低业务响应时延的目的。仿真结果表明基于烟花算法的软件定义云-边缘计算网络架构可有效降低人脸识别业务响应时延。当处理200个人脸识别业务请求时,所提出的架构相比于传统的云计算架构及单个MEC设备时延性能分别提升了84.2%及77.8%。针对云计算架构难以支撑工业物联网中低时延高可靠业务的问题,本文提出了一种“基于工业物联网的新型云-边缘计算网络架构”。在该架构中,云服务器被引入至多个MEC设备组成的集群中作为一个计算节点,与MEC设备组成分布式云-边缘计算网络,并行处理工业物联网业务。同时,本文对工业物联网业务在分布式云-边缘计算网络中的业务响应时延进行了建模;并考虑到恶劣环境中,MEC设备或链路可能发生故障的情况,建立了故障情况下的业务平均响应时延模型。此外,文中提出了一种基于带约束优化实数编码遗传算法(Real-Coded Genetic Algorithm for Constrained Optimization Problem,RCGA-CO)的计算卸载策略,优化设备无故障时的业务响应时延,并在故障情况下基于RCGA-CO算法提出了一种再分配重传计算任务卸载策略,提升业务处理的可靠性,并优化故障情况下的业务平均响应时延。仿真结果表明,当处理500个工业物联网业务请求时,基于RCGA-CO策略的新型云-边缘计算网络架构相比于传统云计架构、单个MEC设备及MEC网络的时延性能分别提升了84.8%,58.5%及12.7%。同时,在故障情况下,所提出的再分配重传计算卸载策略可提升业务处理可靠性,并降低故障情况下的业务平均响应时延。

关键词：移动边缘计算云计算低时延高可靠计算任务卸载

来源：评论

学校读者我要写书评

暂无评论

基于NOMA的用户移动边缘计算卸载研究

基于NOMA的用户移动边缘计算卸载研究

引用

作者：刘田田南京邮电大学

学位级别：硕士

随着移动通信的快速发展,各种新兴的智能应用程序层出不穷,这些应用程序大多是计算密集型的,直接在用户设备上处理它们需要消耗大量的能量。在此情况下,移动边缘计算(Mobile Edge Computing,MEC)作为一种新兴技术被提出,通过将计算任务... 详细信息

随着移动通信的快速发展,各种新兴的智能应用程序层出不穷,这些应用程序大多是计算密集型的,直接在用户设备上处理它们需要消耗大量的能量。在此情况下,移动边缘计算(Mobile Edge Computing,MEC)作为一种新兴技术被提出,通过将计算任务卸载到服务器来降低用户的成本。具体而言,用户可以通过无线通道将其全部或部分计算任务卸载到MEC服务器上,进而提高用户的服务质量(Quality of Service,Qo S),减少网络延迟和能耗。此外,由于频谱资源有限,传统的正交多址(Orthogonal Multiple Acces,OMA)技术已经不能满足MEC对低时延和低能耗的要求。为了解决OMA技术的缺陷,提出了非正交多址(Nonorthogonal Multiple Acces,NOMA)技术来解决频谱资源的限制。NOMA与OMA相比,可以将相同的资源分配给多个用户,有效提高系统频谱效率。但NOMA的引入也使得用户分组、功率分配、计算资源的分配耦合起来,对MEC系统中的任务卸载问题的建模和求解带来巨大挑战。因此,本论文针对NOMA-MEC系统中的用户分组、计算资源分配和任务卸载方式展开了研究。本文第三章研究将两个Io T(Internet of Things,Io T)用户分别通过正交多址(OMA)和非正交多址(NOMA)传输将他们的计算工作负载卸载到边缘服务器上的场景。在该场景中,多址传输包含三种卸载方式,即纯OMA、纯NOMA和混合NOMA,本章分别研究了在三种卸载方式下的系统模型和数学模型,并通过求解最小化能量消耗的原则下用户功率的封闭解,解释不同卸载策略的优缺点,最终结合约束条件和能量消耗最小化原则为用户选择合适的计算卸载策略。本文第四章在第三章的基础上进一步研究了基于NOMA的多用户单MEC服务器系统,该系统可以通过优化用户集群、计算资源分配和功率控制来最小化系统的能量消耗。但由于优化方法的求解过程包含整数变量和连续变量,是一个非凸问题,难以求解。为解决这个问题,本章分析了该系统的系统模型和数学模型,并提出了用户分组与计算资源分配的启发式算法和PSO功率控制算法的联合优化方案。仿真结果表明了所提出的NOMA方案在降低能耗方面的有效性。

关键词：非正交多址技术移动边缘计算计算任务卸载能量消耗功率控制

来源：评论

学校读者我要写书评

暂无评论

优化延时和资源利用率的车联网任务卸载

优化延时和资源利用率的车联网任务卸载

引用

作者：王天琪吉林大学

学位级别：硕士

为了改善日益拥挤的交通条件,出现了车联网(IoV)技术。在车联网技术中,智能车辆应用的爆炸性增长催生许多计算任务量大以及延时敏感的任务,例如自动驾驶,实时路况等,其最终目的是使人们的生活更加方便便利。然而,那些有前途的应用通常... 详细信息

为了改善日益拥挤的交通条件,出现了车联网(IoV)技术。在车联网技术中,智能车辆应用的爆炸性增长催生许多计算任务量大以及延时敏感的任务,例如自动驾驶,实时路况等,其最终目的是使人们的生活更加方便便利。然而,那些有前途的应用通常都需要处理大量数据,需要很高的计算能力,但是,由于每一辆车的计算能力有限,车辆自身很难完全满足任务所需的要求。为了应对这一挑战,现有的文章提出了车辆到所有(V2X)通信是一种有前途的技术,可以支持跨车辆的边缘计算传输任务。采取移动边缘计算(MEC)和车联网(IoV)相结合的方式,充分利用了各自的优势缩短了服务器与车辆之间的距离,提供更有效的数据处理。通过使用V2X通信,可以更有效使用频谱资源,显著降低能耗,提高计算的质量。目前使用广泛且较常见的车辆到所有(V2X)通信技术是:车载MEC环境中车对车技术和车对基础设施通信技术。现有的主流技术是将车载任务通过车对基础设施(V2I)通信卸载到边缘基站上来处理,虽然边缘基站可以处理车辆发送来的任务,但是车对基础设施(V2I)通信存在很大的局限性,为保证通信质量,场景一般都设定在城市路面,且基站一般的都是均匀分布在马路上,当车辆不在目标基站的覆盖范围内时,会存在延时较高的情况,说明边缘基站存在灵活性低、移动性较差的问题,这时有学者提出使用车对车(V2V)通信技术对卸载过程进行辅助,也就是将车辆发送的任务通过车对车的方式将任务多跳传送到适合的基站上卸载以优化卸载问题,但是针对偏远的地带,地势险峻的地区,这个方法仍具有局限性。为了更好的优化上述问题,同时也考虑到较少的基站区域或者偏远的地区,本文提出了一种以车对车(V2V)通信技术为主,车对基础设施(V2I)通信技术为辅,两者相结合的卸载方式,也就是优先采用V2V通信技术将任务卸载到符合约束条件的车上,若当前车辆的通信范围内没有符合要求的车辆,则再考虑将任务卸载到基站上。对于目标车辆的选择,本文通过三个步骤来解决该问题:第一步是通过车辆的坐标和速度,编写初步筛选目标车辆的算法,再通过基于笛卡尔积算法的排列组合策略,获得初步的选择策略的集合。第二步本文将计算卸载任务定义为最小化延时和最大化资源利用率的多目标联合优化问题。鉴于遗传算法(NSGA-Ⅲ)在解决多目标优化问题方面是有效的,因此本文采用NSGA-Ⅲ算法为计算卸载方法寻求全局最优解,该方法首先对卸载策略进行编码,为了为多目标优化问题提供约束条件,接下来本文需要给出适应度函数,之后本文通过NSGA-Ⅲ遗传算法对第一步得到的初始策略进行交叉操作和变异操作来创建全新的卸载解决方案。经过多次迭代后,选择种群中的最优解。第三步本文将在第二步的基础上使用简单加权法SAW(Simple Additive Weighting),参考延时和资源利用率两个指标,对第二步的卸载解决方案进行加权计算,再用多准则决策MCDM(Multiple Criteria Decision Making)将计算后的结果进行归一化处理,得到最佳的任务卸载方案。最终通过仿真模拟实验结果表明,本文所提出的方法具有有效性。

关键词：车联网(IoV) 移动边缘计算计算任务卸载遗传算法(NSGA-Ⅲ) 简单加权法(SAW) 多准则决策(MCDM)

来源：评论

学校读者我要写书评

暂无评论

智慧交通场景下基于多智能体强化学习的任务协同框架

引用

人工智能 2022年第4期 50-60页

作者：王春阳朱燕民张心译曹健原良晓谈佳睿上海交通大学电子信息与电气工程学院上海200240 上海电科智能系统股份有限公司上海200063

随着人工智能、车联网等技术不断发展,交通智慧化建设不断推进,大幅提升了交通效率与出行的便利性。在智慧交通场景下,一些计算密集型车辆应用和技术(如自动驾驶,轨迹规划等)得以快速发展和应用。这些数据驱动与时延敏感的应用往往需要... 详细信息

随着人工智能、车联网等技术不断发展,交通智慧化建设不断推进,大幅提升了交通效率与出行的便利性。在智慧交通场景下,一些计算密集型车辆应用和技术(如自动驾驶,轨迹规划等)得以快速发展和应用。这些数据驱动与时延敏感的应用往往需要短时间内完成大量的数据处理和分析等计算任务。因此,这些新型应用在赋予了智能车辆更好的用户体验的同时,也对感知能力和计算能力有了更高的需求。近年来,基于移动边缘计算的任务卸载成为一种能够有效应对移动终端设备自身计算资源不足的新型模式。现有的研究工作主要关注于不同车辆之间的资源竞争或者不同边缘服务器的卸载选择问题。然而,实际的车辆任务卸载场景中,多边缘服务器的协同对于优化整个任务卸载系统的计算资源分配至关重要。本文针对基于多边缘服务器的车辆任务卸载场景,初步探索一个基于多智能体深度强化学习的任务协同框架,分布式地为每个边缘服务器学习任务卸载决策模型。特别地,为了增强多边缘服务器之间的协同能力,可以从以下两个方面对多智能体强化学习算法MADDQN进行优化。一方面,利用邻居信息增强各强化学习智能体的状态建模;另一方面,除了对当前时刻状态的观测,本文引入时空预测模块,挖掘各路口车流量的时空依赖,对未来时刻每个智能体所在路口的车流量进行预测,从而增强对未来时刻车辆任务负载的预测能力。

关键词：计算任务卸载边缘计算多智能体强化学习时空预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：