| 标题 |
 DRL-Driven Dual-Stage Resource Optimization Strategy for Efficient Computational Offloading in MEC-Enabled Vehicular Networks 相关领域
计算机科学
对偶（语法数字）
资源管理（计算）
计算机网络
文学类
艺术
|
| 网址 | |
| DOI | |
| 其它 |
摘要： 在当代车载网络的格局中，自动驾驶、实时交通监控和综合信息娱乐服务等颠覆性创新不断，对强大计算能力和精准作的需求日益增加。为了应对如此大的需求，移动边缘计算（MEC）成为提升车载网络容量的关键机制，利用边缘服务器，提供超低延迟，并支持需要近实时访问快速增长和变化数据的作。本文利用深度强化学习（DRL）技术，利用MEC最小化车辆在车辆网络中的整体服务延迟。我们提出了一种双阶段的日程日程辅助资源优化策略;首先，该策略在车辆启动计算卸载后，利用深度确定性策略梯度（DDPG）算法优化飞行器的发射功率，有助于最小化传播延迟。其次，一旦数据传输到路边单元（RSU），该策略使用深度Q网络（DQN）算法为计算任务分配最优数量的处理核心，从而最小化计算延迟。此外，我们还展示了车辆的能效（EE）和光谱效率（SE）分析，以探讨EE与SE之间的权衡。我们将所提策略的性能与基准方案进行比较，包括始终卸载、永不卸载、随机卸载以及基于深度神经网络（DNN）的协作卸载方案。模拟结果表明，所提资源分配策略优于基准方案，并通过减少整体服务延迟提升了系统性能。 |
| 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
潇洒的惋清
Criminology34
愉快的真
ousqki
Oracle
OK
dxp123
范特西
大力的冬萱
认真的不评
猪猪hero
whisper
嘻嘻哈哈
Astraeus
YifanWang
俭朴书桃
火星上的菲鹰
初景
MchemG
皖公网安备34019202002308
