Deep Reinforcement Learning‐Based Multireconfigurable Intelligent Surface for MEC Offloading
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
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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