Dynamic Multi-user Computation Offloading for Mobile Edge Computing using Game Theory and Deep Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile edge computing (MEC) has appeared as a promising solution to fill the gap between the growing computationally intensive applications and limited computation capability of mobile devices by providing powerful computing services at the edge of the wireless access network. To use the services provided by the MEC more effectively, making efficient and reasonable offloading decisions is crucial. In this paper, we study the computation offloading of tasks from multiple users to a single-cell edge server under a dynamic environment. We consider a practical case wherein a group of mobile users with random mobility patterns use a common set of time-varying stochastic transmission channels to perform computation offloading, and the number of active users in the system randomly changes. To reduce the mutual interference among users when accessing the wireless channels, we adopt game theory to formulate the users’ computation offloading decision process as a stochastic game model. Next, we prove the existence of the Nash Equilibrium (NE) for the proposed game model by showing its equivalency to a weighted potential game which has at least one pure-strategy NE point. Then, we present distributed computation offloading algorithms by adopting a payoff-based multi-agent reinforcement learning (MARL) approach to reach the NE of the game. Finally, through simulation, we validate the effectiveness of the proposed algorithms by comparing them with the results obtained from other previously studied multi-agent learning algorithms as well as conventional Q-learning and deep Q-learning algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle