| 标题 |
 Deep Reinforcement Learning-Based Task Offloading for Vehicular Edge Computing With Flexible RSU-RSU Cooperation 基于深度强化学习的灵活RSU-RSU合作车辆边缘计算任务卸载
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） 是一种增强功能，可为车联网 （IoV） 应用提供低延迟和低能耗。车辆的移动性和路侧单元 （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，因为车辆移出其当前RSU的覆盖范围;后者由于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，可以很好地解决这些问题，而现有工作尚未充分研究。本文提出了一种新的联合任务卸载、车辆和RSU的计算资源分配、车对RSU发射功率分配和RSU对RSU传输速率分配的资源管理方案。在我们的方案中，可以将任务结果传输到车辆当前所在的RSU，并且可以将任务从高负载RSU进一步卸载到低负载RSU中。为了最大限度地减少所有车辆的总任务处理延迟和能耗，我们设计了一种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，其中嵌入了一个优化子例程，通过数值方法求解2个子问题，从而降低了算法的训练复杂度。在 6 种不同的场景中进行了广泛的模拟。与4种参考方案相比，该方案可降低任务处理总成本17.3%-28.4%。 |
| 求助人 | |
| 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。
|
嘿嘿
CAOHOU
比比谁的速度快
如意草丛
二三
FIN
核桃
风清扬
Liufgui
哈基米德
YifanWang
yx_cheng
lzx
yihao
秀丽的大白菜
Kirito
yydragen
香蕉觅云
明亮花生
敬老院N号
皖公网安备34019202002308
