Digital Twin-Driven Vehicular Task Offloading and IRS Configuration in the Internet of Vehicles
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
Digital mymargin Twin (DT) and Intelligent Reflective Surface (IRS), the most two promising technologies of 6G make the Internet of Vehicles (IoV) more adaptive. However, future autonomous driving needs powerful networking resources and high-quality wireless communications to guarantee the Quality of Service (QoS). Especially considering the time-varying physical operating environments of IoV, it is extremely urgent to improve resource utilization and wireless channel quality. In this work, we propose a Digital Twin-Driven Vehicular Task Offloading and IRS Configuration Framework (DTVIF) to efficiently monitor, learn, and manage the IoV. Specifically, we adopt Mobile Edge Computing (MEC) and IRS to provide augmented computing capacities for vehicles and improve transmission performance when vehicles communicate to MEC servers. DT is employed to achieve real-time data collection and digital representation of physical operating environments of IoV to better support decisions making. In order to reduce the overall delay and energy consumption of DTVIF, we propose a Two-Stage Optimization for Jointly Optimizing Task Offloading and IRS Configuration (TSJTI) algorithm based on Deep Reinforcement Learning (DRL) and Transfer Learning (TFL). In the first stage, we introduce Double Deep <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$Q$ </tex-math></inline-formula> -learning Networks (DDQN) to find the optimal offloading decision. In the second stage, based on the parameters learned from the first stage, we migrate the parameters from the first stage to find the optimal IRS configuration based on the Deep Deterministic Policy Gradient (DDPG) method. The simulations demonstrate that the proposed algorithm can effectively reduce the processing latency of task offloading and reduce the average energy consumption in DTVIF.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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