論文の概要: A Fast Task Offloading Optimization Framework for IRS-Assisted Multi-Access Edge Computing System

• arxiv url: http://arxiv.org/abs/2307.08474v1
• Date: Mon, 17 Jul 2023 13:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 13:16:31.048250
• Title: A Fast Task Offloading Optimization Framework for IRS-Assisted Multi-Access Edge Computing System
• Title（参考訳）: irs支援マルチアクセスエッジコンピューティングシステムのための高速タスクオフロード最適化フレームワーク
• Authors: Jianqiu Wu, Zhongyi Yu, Jianxiong Guo, Zhiqing Tang, Tian Wang, Weijia Jia
• Abstract要約: 我々は,IOPO(Iterative Order-Preserving Policy Optimization)と呼ばれるディープラーニングに基づく最適化フレームワークを提案する。 IOPOはエネルギー効率のよいタスクオフロード決定をミリ秒で生成できる。 実験の結果,提案フレームワークは短時間でエネルギー効率の高いタスクオフロード決定を生成できることがわかった。
• 参考スコア（独自算出の注目度）: 14.82292289994152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Terahertz communication networks and intelligent reflecting surfaces exhibit significant potential in advancing wireless networks, particularly within the domain of aerial-based multi-access edge computing systems. These technologies enable efficient offloading of computational tasks from user electronic devices to Unmanned Aerial Vehicles or local execution. For the generation of high-quality task-offloading allocations, conventional numerical optimization methods often struggle to solve challenging combinatorial optimization problems within the limited channel coherence time, thereby failing to respond quickly to dynamic changes in system conditions. To address this challenge, we propose a deep learning-based optimization framework called Iterative Order-Preserving policy Optimization (IOPO), which enables the generation of energy-efficient task-offloading decisions within milliseconds. Unlike exhaustive search methods, IOPO provides continuous updates to the offloading decisions without resorting to exhaustive search, resulting in accelerated convergence and reduced computational complexity, particularly when dealing with complex problems characterized by extensive solution spaces. Experimental results demonstrate that the proposed framework can generate energy-efficient task-offloading decisions within a very short time period, outperforming other benchmark methods.
• Abstract（参考訳）: テラヘルツ通信網とインテリジェント反射面は、特に航空ベースのマルチアクセスエッジコンピューティングシステムの領域において、無線ネットワークを前進させる大きな可能性を示している。 これらの技術は、ユーザの電子機器から無人航空機やローカル実行への効率的な計算タスクのオフロードを可能にする。 高品質なタスクオフロードアロケーションの生成のために、従来の数値最適化手法は、制限されたチャネルコヒーレンス時間内の組合せ最適化問題を解くのにしばしば苦労し、システム状態の動的変化に素早く対応できない。 この課題に対処するため,我々は,反復順序保存ポリシー最適化(iopo)と呼ばれる,エネルギー効率の高いタスクオフロード決定をミリ秒以内に生成できる深層学習に基づく最適化フレームワークを提案する。 徹底的な探索法とは異なり、IOPOは徹底的な探索に頼らずにオフロード決定を継続的に更新し、特に広範な解空間を特徴とする複雑な問題を扱う場合、収束の加速と計算複雑性の低減をもたらす。 実験結果から,提案フレームワークは短時間でエネルギー効率の高いタスクオフロード決定を生成でき,他のベンチマーク手法よりも優れていることが示された。

関連論文リスト

• Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks [0.0]
  予測制御をモデル化するための機械学習支援手法を提案する。 安全保証を維持しつつ,問題地平線の一部を近似することを提案する。 提案手法は,迅速な制御応答を必要とするアプリケーションを含む,幅広いアプリケーションに適用可能である。
  論文  参考訳（メタデータ） (2024-08-19T08:13:37Z)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Distributed Multi-Objective Dynamic Offloading Scheduling for Air-Ground Cooperative MEC [13.71241401034042]
  本稿では,MORLとカーネル手法を統合した分散軌道計画とオフロードスケジューリング手法を提案する。 数値的な結果から,n段階の戻り値はカーネルベースのアプローチに有効であり,長期平均バックログ性能の大幅な向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-03-16T13:50:31Z)
• Joint User Association, Interference Cancellation and Power Control for Multi-IRS Assisted UAV Communications [80.35959154762381]
  インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。 既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。 我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
  論文  参考訳（メタデータ） (2023-12-08T01:57:10Z)
• Learning for Semantic Knowledge Base-Guided Online Feature Transmission in Dynamic Channels [41.59960455142914]
  本稿では,エンドツーエンド通信システムにおける動的チャネル条件とデバイスモビリティの課題に対処する,オンライン最適化フレームワークを提案する。 提案手法は,多レベル特徴伝達を駆動するための意味的知識ベースを活用することによって,既存の手法に基づいている。 オンライン最適化の課題を解決するために,リアルタイム意思決定のための報酬関数を慎重に設計した,ソフトアクターに基づく深層強化学習システムの設計を行った。
  論文  参考訳（メタデータ） (2023-11-30T07:35:56Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
  再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。 無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。 本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
  論文  参考訳（メタデータ） (2022-04-28T09:26:14Z)
• CoSA: Scheduling by Constrained Optimization for Spatial Accelerators [1.9149970150912705]
  我々は、Deep Neural Networks(DNN)アクセラレーターをスケジューリングするための制約最適化に基づくアプローチであるCoSAを提案する。 探索空間をナビゲートするデザイナの手法や反復的な手法に依存する既存のアプローチとは対照的に、CoSAはスケジューリング決定を制約最適化問題として表現している。 CoSA生成スケジュールは、最大2.5xの幾何学平均で最先端のアプローチを大幅に上回ることを実証します。
  論文  参考訳（メタデータ） (2021-05-05T07:17:25Z)
• Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning [12.845204986571053]
  本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。 考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。 提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
  論文  参考訳（メタデータ） (2021-03-31T11:02:29Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot Transfer [71.44215606325005]
  本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。 このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。 すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。