为了降低低空边缘系统中的系统开销和优化用户体验质量(Quality of Experience,QoE),提出一种边缘低空系统中基于主动推理的深度强化学习(Active Inference Enabled Deep Reinforcement Learning,ADRL)算法。构建一个无人机(Unmanned Ae...
详细信息
为了降低低空边缘系统中的系统开销和优化用户体验质量(Quality of Experience,QoE),提出一种边缘低空系统中基于主动推理的深度强化学习(Active Inference Enabled Deep Reinforcement Learning,ADRL)算法。构建一个无人机(Unmanned Aerial Vehicle,UAV)辅助的多接入边缘计算(Multi-Access Edge Computing,MEC)系统网络模型,将边缘服务器部署在具有为用户提供卸载计算服务和内容缓存服务的UAV上。在考虑UAV算力资源限制的情况下,将最小化用户开销和最大化用户体验质量作为优化目标构建优化问题,并将该问题转化为马尔可夫决策过程,以实现任务卸载、内容缓存及资源分配。将所提算法与无物体缓存算法和UAV带宽平均分配算法在QoE、系统开销及实时奖励等进行对比,仿真结果表明,所提算法将用户开销相对基准算法降低了约13%,用户QoE相对基准算法提高了约14%。
针对超密集网络系统提出了一种改进的基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的干扰抑制方法。基站利用附加判断门限条件而改进DBSCAN聚类算法,并对小区里的用户进行分组,...
详细信息
针对超密集网络系统提出了一种改进的基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的干扰抑制方法。基站利用附加判断门限条件而改进DBSCAN聚类算法,并对小区里的用户进行分组,将具有相似信道特性的用户聚成一组,使不同分组用户之间的信道相关性较低。再利用比例公平调度选出每组中比例公平系数最高的用户进行传输,调度后的多个用户的空间特性不同的,从而降低空间干扰起到干扰抑制的效果。仿真结果表明,与其他相关2种方法比较,改进方法可有效地降低空间干扰,提高系统吞吐量。
暂无评论