基于拟牛顿法的深度强化学习在车联网边缘计算中的研究OA北大核心CSTPCD
Research on deep reinforcement learning in Internet of vehicles edge computing based on Quasi-Newton method
为了解决车联网中由于多任务和资源限制导致的任务卸载决策不理想的问题,提出了拟牛顿法的深度强化学习双阶段在线卸载(QNRLO)算法.该算法首先引入批归一化技术优化深度神经网络的训练过程,随后采用拟牛顿法进行优化,有效逼近最优解.通过此双阶段优化,算法显著提升了在多任务和动态无线信道条件下的性能,提高了计算效率.通过引入拉格朗日算子和重构的对偶函数,将非凸优化问题转化为对偶函数的凸优化问题,确保算法的全局最优性.此外,算法考虑了车联网模型中的系统传输…查看全部>>
To address the issues of ineffective task offloading decisions caused by multitasking and resource constraints in vehicular networks,the Quasi-Newton method deep reinforcement learning dual-phase online offloading(QNRLO)al-gorithm was proposed.The algorithm was designed by initially incorporating batch normalization techniques to optimize the training process of deep neural networks.Subsequently,optimization was performed using the Quasi-Newton method to eff…查看全部>>
章坚武;芦泽韬;章谦骅;詹明
杭州电子科技大学通信工程学院,浙江 杭州 310018杭州电子科技大学通信工程学院,浙江 杭州 310018之江实验室天基计算研究中心,浙江 杭州 311121||浙江大学信息与电子工程学院,浙江 杭州 310027台州学院电子与信息工程学院,浙江 台州 318000
电子信息工程
车联网任务卸载深度强化学习拟牛顿法
Internet of vehiclestask offloadingdeep reinforcement learningQuasi-Newton method
《通信学报》 2024 (5)
90-100,11
浙江省自然科学基金重点项目(No.LZ23F010001) Key Program of Zhejiang Provincial Natural Science Foundation (No.LZ23F010001)
评论