| 标题 |
 Deep Reinforcement Learning-Based Task Offloading for Vehicular Edge Computing With Flexible RSU-RSU Cooperation 相关领域
计算机科学
强化学习
能源消耗
任务（项目管理）
资源配置
边缘计算
GSM演进的增强数据速率
延迟（音频）
计算机网络
分布式计算
实时计算
工程类
人工智能
电信
系统工程
电气工程
|
| 网址 | |
| DOI | |
| 其它 |
摘要： 车辆边缘计算（VEC）作为一种增强，为车载互联网（IoV）应用提供低延迟和低能耗。车辆的机动性和路边车辆（RSU）的负载差异是VEC中的两个重要问题。前者导致任务结果接收失败，因为车辆超出其当前RSU的覆盖范围;后者则因RSU之间的负载不平衡导致系统性能下降。通过利用灵活的RSU-RSU合作机制，这些问题可以很好地解决，而现有研究尚未充分研究这一点。本文提出了一种用于联合任务卸载、车辆与RSU资源分配计算、车辆至RSU传输功率分配以及RSU至RSU传输速率分配的新型资源管理方案。在我们的方案中，任务结果可以转移到车辆当前所在的RSU，并将任务从高负载RSU进一步卸载到低负载RSU。为最小化所有车辆的总任务处理延迟和能耗，我们设计了基于双延迟深度确定性策略梯度（TD3）的深度强化学习（DRL）算法，嵌入优化子程序通过数值方法解决两个子问题，从而降低了算法的训练复杂度。在6种不同场景中进行大量模拟。与4个参考方案相比，我们的方案可将总任务处理成本降低17.3%至28.4%。 |
| 求助人 | |
| 下载 | 该求助完结已超 24 小时，文件已从服务器自动删除，无法下载。 |
|
温馨提示：该文献已被科研通 学术中心 收录，前往查看
科研通『学术中心』是文献索引库，收集文献的基本信息（如标题、摘要、期刊、作者、被引量等），不提供下载功能。如需下载文献全文，请通过文献求助获取。
|
PDF的下载单位、IP信息已删除
(2025-6-4)
Kao
GingerF
GG
OK
嘻嘻哈哈
cdercder
Nole
arniu2008
Criminology34
fantasy
时尚梦易
xingxing
lx
sagitar
披着羊皮的狼
蕃茄鱼
粗心的谷槐
Samuel
Oracle
竹青
皖公网安备34019202002308
