针对移动边缘计算(Mobile Edge Computing,MEC)的计算卸载决策的问题,基于强化学习方法提出了一个在多用户的MEC系统中的计算卸载决策算法(Offloading Decision algorithm based on Reinforcement Learning,ODRL)。ODRL算法根据任务模...针对移动边缘计算(Mobile Edge Computing,MEC)的计算卸载决策的问题,基于强化学习方法提出了一个在多用户的MEC系统中的计算卸载决策算法(Offloading Decision algorithm based on Reinforcement Learning,ODRL)。ODRL算法根据任务模型、计算模型以及信道状态对任务进行卸载决策,采用强化学习方法求解最优计算卸载策略。仿真结果证明了所提出的ODRL算法与基线策略相比,具有更低的系统总成本。展开更多
针对当前流媒体的大量视频资源从而带来的云计算的负载均衡和任务分配问题,在Cloudsim云环境下实现了任务调度的GAAC算法(Greedy And Ant Colony Algorithm,GAAC)。GAAC算法具有迭代学习机制、局部最优和负载均衡的特点。并在Cloudsim...针对当前流媒体的大量视频资源从而带来的云计算的负载均衡和任务分配问题,在Cloudsim云环境下实现了任务调度的GAAC算法(Greedy And Ant Colony Algorithm,GAAC)。GAAC算法具有迭代学习机制、局部最优和负载均衡的特点。并在Cloudsim的环境下,完成了对GAAC算法、轮转算法(Round Roll Algorithm,RR)、贪心算法和蚁群算法的仿真比较。实验验证,GAAC算法从总体上而言,任务调度所用的时间明显较低于贪心算法和传统的轮转算法和蚁群算法,即其任务执行的时间更短,效率更高。展开更多
文摘针对移动边缘计算(Mobile Edge Computing,MEC)的计算卸载决策的问题,基于强化学习方法提出了一个在多用户的MEC系统中的计算卸载决策算法(Offloading Decision algorithm based on Reinforcement Learning,ODRL)。ODRL算法根据任务模型、计算模型以及信道状态对任务进行卸载决策,采用强化学习方法求解最优计算卸载策略。仿真结果证明了所提出的ODRL算法与基线策略相比,具有更低的系统总成本。
文摘针对当前流媒体的大量视频资源从而带来的云计算的负载均衡和任务分配问题,在Cloudsim云环境下实现了任务调度的GAAC算法(Greedy And Ant Colony Algorithm,GAAC)。GAAC算法具有迭代学习机制、局部最优和负载均衡的特点。并在Cloudsim的环境下,完成了对GAAC算法、轮转算法(Round Roll Algorithm,RR)、贪心算法和蚁群算法的仿真比较。实验验证,GAAC算法从总体上而言,任务调度所用的时间明显较低于贪心算法和传统的轮转算法和蚁群算法,即其任务执行的时间更短,效率更高。
