车联网中基于联邦深度强化学习的任务卸载算法

车联网中基于联邦深度强化学习的任务卸载算法

TP338; 随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用.计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题.对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法.该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间.设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析.实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案.实验结果表明,所...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:计算机科学 2023, Vol.50 (9), p.347-356
Hauptverfasser: 林欣郁, 姚泽玮, 胡晟熙, 陈哲毅, 陈星
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 356
container_issue 9
container_start_page 347
container_title 计算机科学
container_volume 50
creator 林欣郁
姚泽玮
胡晟熙
陈哲毅
陈星
description TP338; 随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用.计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题.对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法.该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间.设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析.实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案.实验结果表明,所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间.
doi_str_mv 10.11896/jsjkx.220800243
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_jsjkx202309042</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>jsjkx202309042</wanfj_id><sourcerecordid>jsjkx202309042</sourcerecordid><originalsourceid>FETCH-wanfang_journals_jsjkx2023090423</originalsourceid><addsrcrecordid>eNpjYJAwNNAzNLSwNNPPKs7KrtAzMjKwMDAwMjFmYeA0BDJ0DY3NIzgYeIuLM5MMjIzNTIDQkJPB_sXeZS8apzzfO_HJjrVP5-96sqsPyH3ZtOzZ9o1Pdy17umfX055pT9cue7JzwfNZLU92737atfBp744Xe_c-Xzf92eapPAysaYk5xam8UJqbQc3NNcTZQ7c8MS8tMS89Piu_tCgPKBMPdpYR0GoDSwMTI2OiFQIA029X8w</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>车联网中基于联邦深度强化学习的任务卸载算法</title><source>DOAJ Directory of Open Access Journals</source><creator>林欣郁 ; 姚泽玮 ; 胡晟熙 ; 陈哲毅 ; 陈星</creator><creatorcontrib>林欣郁 ; 姚泽玮 ; 胡晟熙 ; 陈哲毅 ; 陈星</creatorcontrib><description>TP338; 随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用.计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题.对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法.该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间.设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析.实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案.实验结果表明,所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间.</description><identifier>ISSN: 1002-137X</identifier><identifier>DOI: 10.11896/jsjkx.220800243</identifier><language>chi</language><publisher>福州大学计算机与大数据学院 福州350108%福建省网络计算与智能信息处理重点实验室 福州350108</publisher><ispartof>计算机科学, 2023, Vol.50 (9), p.347-356</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/jsjkx/jsjkx.jpg</thumbnail><link.rule.ids>314,780,784,864,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>林欣郁</creatorcontrib><creatorcontrib>姚泽玮</creatorcontrib><creatorcontrib>胡晟熙</creatorcontrib><creatorcontrib>陈哲毅</creatorcontrib><creatorcontrib>陈星</creatorcontrib><title>车联网中基于联邦深度强化学习的任务卸载算法</title><title>计算机科学</title><description>TP338; 随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用.计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题.对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法.该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间.设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析.实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案.实验结果表明,所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间.</description><issn>1002-137X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNpjYJAwNNAzNLSwNNPPKs7KrtAzMjKwMDAwMjFmYeA0BDJ0DY3NIzgYeIuLM5MMjIzNTIDQkJPB_sXeZS8apzzfO_HJjrVP5-96sqsPyH3ZtOzZ9o1Pdy17umfX055pT9cue7JzwfNZLU92737atfBp744Xe_c-Xzf92eapPAysaYk5xam8UJqbQc3NNcTZQ7c8MS8tMS89Piu_tCgPKBMPdpYR0GoDSwMTI2OiFQIA029X8w</recordid><startdate>2023</startdate><enddate>2023</enddate><creator>林欣郁</creator><creator>姚泽玮</creator><creator>胡晟熙</creator><creator>陈哲毅</creator><creator>陈星</creator><general>福州大学计算机与大数据学院 福州350108%福建省网络计算与智能信息处理重点实验室 福州350108</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2023</creationdate><title>车联网中基于联邦深度强化学习的任务卸载算法</title><author>林欣郁 ; 姚泽玮 ; 胡晟熙 ; 陈哲毅 ; 陈星</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_jsjkx2023090423</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>online_resources</toplevel><creatorcontrib>林欣郁</creatorcontrib><creatorcontrib>姚泽玮</creatorcontrib><creatorcontrib>胡晟熙</creatorcontrib><creatorcontrib>陈哲毅</creatorcontrib><creatorcontrib>陈星</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>计算机科学</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>林欣郁</au><au>姚泽玮</au><au>胡晟熙</au><au>陈哲毅</au><au>陈星</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>车联网中基于联邦深度强化学习的任务卸载算法</atitle><jtitle>计算机科学</jtitle><date>2023</date><risdate>2023</risdate><volume>50</volume><issue>9</issue><spage>347</spage><epage>356</epage><pages>347-356</pages><issn>1002-137X</issn><abstract>TP338; 随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用.计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题.对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法.该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间.设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析.实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案.实验结果表明,所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间.</abstract><pub>福州大学计算机与大数据学院 福州350108%福建省网络计算与智能信息处理重点实验室 福州350108</pub><doi>10.11896/jsjkx.220800243</doi></addata></record>
fulltext fulltext
identifier ISSN: 1002-137X
ispartof 计算机科学, 2023, Vol.50 (9), p.347-356
issn 1002-137X
language chi
recordid cdi_wanfang_journals_jsjkx202309042
source DOAJ Directory of Open Access Journals
title 车联网中基于联邦深度强化学习的任务卸载算法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-24T02%3A18%3A29IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E8%BD%A6%E8%81%94%E7%BD%91%E4%B8%AD%E5%9F%BA%E4%BA%8E%E8%81%94%E9%82%A6%E6%B7%B1%E5%BA%A6%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E7%9A%84%E4%BB%BB%E5%8A%A1%E5%8D%B8%E8%BD%BD%E7%AE%97%E6%B3%95&rft.jtitle=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6&rft.au=%E6%9E%97%E6%AC%A3%E9%83%81&rft.date=2023&rft.volume=50&rft.issue=9&rft.spage=347&rft.epage=356&rft.pages=347-356&rft.issn=1002-137X&rft_id=info:doi/10.11896/jsjkx.220800243&rft_dat=%3Cwanfang_jour%3Ejsjkx202309042%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=jsjkx202309042&rfr_iscdi=true