Deep Reinforcement Learning‐Based Multireconfigurable Intelligent Surface for MEC Offloading
Notice bibliographique
Résumé
Computational offloading in mobile edge computing (MEC) systems provides an efficient solution for resource‐intensive applications on devices. However, the frequent communication between devices and edge servers increases the traffic within the network, thereby hindering significant improvements in latency. Furthermore, the benefits of MEC cannot be fully realized when the communication link utilized for offloading tasks experiences severe attenuation. Fortunately, reconfigurable intelligent surfaces (RISs) can mitigate propagation‐induced impairments by adjusting the phase shifts imposed on the incident signals using their passive reflecting elements. This paper investigates the performance gains achieved by deploying multiple RISs in MEC systems under energy‐constrained conditions to minimize the overall system latency. Considering the high coupling among variables such as the selection of multiple RISs, optimization of their phase shifts, transmit power, and MEC offloading volume, the problem is formulated as a nonconvex problem. We propose two approaches to address this problem. First, we employ an alternating optimization approach based on semidefinite relaxation (AO‐SDR) to decompose the original problem into two subproblems, enabling the alternating optimization of multi‐RIS communication and MEC offloading volume. Second, due to its capability to model and learn the optimal phase adjustment strategies adaptively in dynamic and uncertain environments, deep reinforcement learning (DRL) offers a promising approach to enhance the performance of phase optimization strategies. We leverage DRL to address the joint design of MEC‐offloading volume and multi‐RIS communication. Extensive simulations and numerical analysis results demonstrate that compared to conventional MEC systems without RIS assistance, the multi‐RIS‐assisted schemes based on the AO‐SDR and DRL methods achieve a reduction in latency by 23.5% and 29.6%, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».