针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;...
详细信息
针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;针对服务迁移子问题,设计了一种基于改进深度强化学习的服务迁移方法,以探索最优迁移策略;针对资源分配子问题,设计了一种基于凸优化的资源分配方法,以推导给定迁移决策下每台MEC服务器的最优资源分配,提升服务迁移的性能。实验结果表明:与基准方法相比,SeMiR方法能够有效提升车辆的QoS,在各种场景下均展现出更加优越的性能。
多视图聚类是当前数据分析领域的一个重要研究方向，旨在通过整合来自不同视角的数据，提升聚类精度。然而，传统的多视图聚类方法虽然在一定程度上提高了聚类效果，但往往忽略了视图间局部与全局特征的交互与融合。此外，尽管近年提出的多视图深度聚类方法，通过深度神经网络或对比学习增强了表征能力，但大多只关注局部或全局特征，未能在同一框架下对这两类特征进行综合处理。针对这些不足，提出了一种融合卷积神经网络与Transformer的深度多视图聚类模型(Deep Multi-View Clustering Network Integrating Local and Global Features，DMVCN-ILGF)，该模型设计了并行的卷积分支和Transformer分支，分别用于提取局部特征和全局特征。为了实现特征的有效融合，引入了特征交互机制(Feature Interaction Mechanism，FIM)和特征融合模块(Feature Fusion Module，FFM)，通过充分整合各视图的特征信息，以增强不同特征的交互和融合，最终提升聚类性能。进一步地，还设计了实例级和类别级对比损失，分别计算各视图的局部与全局特征之间的相似性，从而优化模型的表征能力和聚类效果。实验结果表明，提出的DMVCN-ILGF模型在多个多视图数据集上均取得了显著优于现有方法的聚类性能。
暂无评论