-
题名面向MEC多智能体协同任务卸载的深度强化学习算法
- 1
-
-
作者
张茜
苏冬冬
张聪
李润川
-
机构
中原工学院人工智能学院
中原工学院计算机学院
深圳江行联加智能科技有限公司
-
出处
《电讯技术》
北大核心
2024年第11期1750-1757,共8页
-
基金
河南省科技攻关计划项目(242102211046)
河南省高等学校重点科研项目(25A520039,24B520048)
+2 种基金
中原工学院优势学科实力提升计划资助(SD202230)
中原工学院研究生教育教学改革研究项目(JG202424,JG202328)
中原工学院基本科研业务费专项资金项目(K2022QN021)。
-
文摘
针对移动边缘计算中的多用户协同任务卸载场景,提出了一种基于深度强化学习的多智能体协同任务卸载算法(Deep Reinforcement Learning-based Multi-agent Collaborative Task Offloading Algorithm,MCTO-DRL)。考虑到用户移动性、协同性、任务动态优先级以及资源受限等问题,构建了一种多用户协同任务卸载的网络模型。在此基础上建立了端到端优化目标函数,并利用马尔可夫决策过程(Markov Decison Processes,MDP)形式化多任务协同卸载问题。利用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络提取状态向量动态时序依赖关系的特征信息,结合强化学习方法建立高维状态与动作之间的关系映射,并设计了一种动态优先级协同采样算法,用于提高多智能体的协同性。实验分析表明,在多智能体协同任务卸载场景中,MCTO-DRL算法最优卸载概率达到86%以上,时隙累积奖励较4种基线算法分别提升约20.0%、16.23%、22.0%、9.44%,并能够适应不同复杂性和需求型的卸载任务。
-
关键词
移动边缘计算
深度强化学习
协同卸载
双向长短期记忆(Bi-LSTM)网络
-
Keywords
mobile edge computing
deep reinforcement learning
collaborative offloading
long short-term memory(Bi-LSTM)network
-
分类号
TN929.5
[电子电信—通信与信息系统]
-
