内容提供者
基于深度强化学习的边云协同串行任务卸载算法.pptx
2024-10-03
20金币
390KB
24页
快乐****蜜蜂
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共24页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
基于深度强化学习的边云协同串行任务卸载算法.pptx
汇报人：CONTENTSPARTONEPARTTWO深度强化学习的基本原理串行任务卸载问题的定义深度强化学习在串行任务卸载中的适用性PARTTHREE边云协同的基本概念边云协同的架构设计边云协同的任务卸载流程PARTFOUR深度强化学习模型的构建任务卸载决策的强化学习实现串行任务卸载的策略优化PARTFIVE实验设置与数据集描述算法性能评估标准与方法实验结果分析与讨论PARTSIX基于深度强化学习的边云协同串行任务卸载算法的优势算法的局限性及未来改进方向对实际应用的启示和建议汇报人：
2024-10-03
20
390KB
基于云边协同的能耗最优任务卸载方法、装置及系统.pdf
本发明提供一种基于云边协同的能耗最优任务卸载方法、装置及系统，涉及通信技术领域，该方法包括：接收当前时隙内目标终端发送的卸载请求，从卸载请求中解析出多个内容请求任务；基于云边协同网络中各节点承载各内容请求任务所需的功率消耗、各物理链路承载各内容请求任务所需的功率消耗，以及各内容请求任务的属性信息、各节点的服务性能和各物理链路的服务性能，构建云边协同网络的能耗优化模型；根据能耗优化模型的求解结果，在云边协同网络中获取各内容请求任务的最优缓存节点、最优处理节点和最优路由决策，以对多个内容请求任务进行卸载。本发
2023-07-21
10
1.2MB
基于边-端协同的任务卸载资源分配联合优化算法.docx
基于边-端协同的任务卸载资源分配联合优化算法随着物联网技术的不断发展和应用，众多的智能设备在生产生活中广泛应用。大规模的数据处理和计算需要较高的计算能力和存储能力，而单一设备未能满足这种需求。因此，边缘计算技术应运而生。边缘计算通过在边缘设备上增加计算和存储资源，将部分计算任务从云端迁移到边缘设备，从而降低了整个网络的延迟和能耗。然而，边缘设备一般具有较小的计算能力和存储能力。当边缘设备需要处理的任务较多或者任务规模较大时，边缘设备的计算负载就会增加。这时，边-端协同可以充分发挥其作用。边-端协同将云端、
2024-10-18
5
11KB
基于宽注意力机制的云边协同元强化学习计算卸载方法.pdf
本发明公开了一种基于宽注意力机制的云边协同元强化学习计算卸载方法，包括：根据用户设备生成的各计算任务之间的依赖关系构建任务执行图；以任务总延迟、任务处理总能耗以及计算任务与所卸载资源池之间的匹配度的权衡为目标构建卸载目标函数；将任务的卸载过程建模为马尔可夫决策过程，根据卸载目标函数、执行任务图定义状态、动作和奖励函数；构建宽注意力机制的seq2seq神经网络，将任务执行图输入seq2seq神经网络中，利用近端策略优化方法对卸载目标函数进行优化输出最优调度决策，同时利用元强化学习算法对近端策略优化方法的参数
2023-05-31
10
2.3MB
边云架构下基于深度强化学习的多目标优化卸载策略.pdf
本发明涉及一种边云架构下基于深度强化学习的多目标优化卸载策略,用于解决现有技术所存在的终端设备计算能力有限的问题,进而提高系统整体处理任务的效率。首先确定边云架构,然后根据边云架构建立系统模型、通信模型和计算模型;进一步建立联合优化模型。根据联合优化模型,结合深度强化学习算法的优点,采用深度确定性策略梯度DDPG算法求解最优的卸载策略,其中,DDPG算法的使用需要根据系统模型、计算模型和联合优化模型构建一个深度强化学习模型,模型包括四个部分,状态单元,动作单元,奖惩制和Q值函数。DDPG算法在优化深度强化
2023-05-21
10