Collaborative Computing Optimization in Train-Edge-Cloud-Based Smart Train Systems Using Risk-Sensitive Reinforcement Learning
Notice bibliographique
Résumé
With the advent of the intelligent and digital era, intelligent urban rail transit systems have been a research focus. As the core part of intelligent urban rail transit systems, smart trains are empowered by various intelligent applications. While improving system performance and reducing system risk, intelligent applications demand a large amount of computing power. However, it is challenging to provide simultaneously all intelligent applications for smart trains due to limited on-board computing resources. In this article, we design a train-edge-cloud (TEC) collaborative computing framework for train intelligent computing tasks. We aim to develop a TEC-based collaborative computing scheme to minimize the task processing delay with edge computing resource constraints. Considering the unique environment of smart train systems, we design a risk-sensitive reinforcement learning (RL) algorithm to realize collaborative computing optimization. We design a novel risk function in the system by jointly considering the computing load of edge intelligence (EI) servers and the characteristics of the urban rail transit systems. Moreover, we optimize the proposed risk-sensitive RL algorithm by using quantum representation and functions to accelerate its convergence speed. We design the TEC-based collaborative computing framework and design the quantum-inspired risk-sensitive RL algorithm to formulate the strategies for task scheduling. Comprehensive simulation results indicate that the algorithm adopted in this article can significantly reduce the task processing delay while satisfying EI servers' computing resource constraints. The quantum-inspired-optimized risk-sensitive RL model dramatically improves the model convergence speed.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».