論文の概要: Distributed Multi-Objective Dynamic Offloading Scheduling for Air-Ground Cooperative MEC

• arxiv url: http://arxiv.org/abs/2403.10927v1
• Date: Sat, 16 Mar 2024 13:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 21:06:03.145460
• Title: Distributed Multi-Objective Dynamic Offloading Scheduling for Air-Ground Cooperative MEC
• Title（参考訳）: 空域協調MECのための分散多目的動的オフロードスケジューリング
• Authors: Yang Huang, Miaomiao Dong, Yijie Mao, Wenqiang Liu, Zhen Gao,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.71241401034042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Utilizing unmanned aerial vehicles (UAVs) with edge server to assist terrestrial mobile edge computing (MEC) has attracted tremendous attention. Nevertheless, state-of-the-art schemes based on deterministic optimizations or single-objective reinforcement learning (RL) cannot reduce the backlog of task bits and simultaneously improve energy efficiency in highly dynamic network environments, where the design problem amounts to a sequential decision-making problem. In order to address the aforementioned problems, as well as the curses of dimensionality introduced by the growing number of terrestrial terrestrial users, this paper proposes a distributed multi-objective (MO) dynamic trajectory planning and offloading scheduling scheme, integrated with MORL and the kernel method. The design of n-step return is also applied to average fluctuations in the backlog. Numerical results reveal that the n-step return can benefit the proposed kernel-based approach, achieving significant improvement in the long-term average backlog performance, compared to the conventional 1-step return design. Due to such design and the kernel-based neural network, to which decision-making features can be continuously added, the kernel-based approach can outperform the approach based on fully-connected deep neural network, yielding improvement in energy consumption and the backlog performance, as well as a significant reduction in decision-making and online learning time.
• Abstract（参考訳）: 無人航空機(UAV)をエッジサーバに利用して地球外移動エッジコンピューティング(MEC)を支援していることが注目されている。 それにもかかわらず、決定論的最適化や単目的強化学習(RL)に基づく最先端のスキームは、タスクビットのバックログを減らし、設計上の問題が逐次決定問題となる高度に動的なネットワーク環境におけるエネルギー効率を同時に改善できない。 そこで本研究では,MORLとカーネル手法を統合した分散多目的(MO)動的軌道計画およびオフロードスケジューリング手法を提案する。 n段階の戻り値の設計は、バックログ内の平均変動にも適用される。 計算結果から,nステップの戻り値が提案したカーネルベースのアプローチに有効であること,従来の1ステップの戻り値の設計に比べて長期平均バックログ性能が大幅に向上していることが判明した。 このような設計と、意思決定機能を継続的に追加できるカーネルベースのニューラルネットワークにより、カーネルベースのアプローチは、完全に接続されたディープニューラルネットワークに基づくアプローチよりも優れ、エネルギー消費とバックログのパフォーマンスが向上し、意思決定とオンライン学習時間が大幅に短縮される。

関連論文リスト

• Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
  我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。 エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
  論文  参考訳（メタデータ） (2024-10-23T21:59:07Z)
• 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)
• 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)
• A mechanistic-based data-driven approach to accelerate structural topology optimization through finite element convolutional neural network (FE-CNN) [5.469226380238751]
  構造トポロジ最適化を高速化するメカニスティックなデータ駆動手法を提案する。 我々のアプローチは、オフライントレーニングとオンライン最適化の2つの段階に分けられる。 数値的な例は、この手法が計算時間で最大1桁の最適化を加速できることを示している。
  論文  参考訳（メタデータ） (2021-06-25T14:11:45Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Improving Gradient Flow with Unrolled Highway Expectation Maximization [0.9539495585692008]
  本稿では,一般化EM (GEM) アルゴリズムの非順序反復からなるハイウェイ予測最大化ネットワーク (HEMNet) を提案する。 HEMNetは、スケールしたスキップ接続、あるいはハイウェイを、非ロールアーキテクチャの深さに沿って備えており、バックプロパゲーション時の勾配フローが改善されている。 複数のセマンティクスセグメンテーションベンチマークにおいて有意な改善を達成し,hemnetが勾配減衰を効果的に緩和することを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:11:45Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。