Profit Maximization for Multi-Time-Scale Hierarchical DRL-Based Joint Optimization in MEC-Enabled Air-Ground Integrated Networks
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
In this paper, we address the problem of the operator’s economic profit maximization in a multi-access edge computing (MEC)-enabled time division multiple access (TDMA)-based air-ground integrated networking (AGIN) network. We consider to optimize task placement and replacement, unmanned aerial vehicle (UAV) placement, UAV flight time, access control, and task offloading ratios in user devices (UDs) and the UAV. The optimization is constrained by storage capacity, task processing quality of service (QoS) requirements, and TDMA requirements, etc. Our optimization is conducted in two time scales. Task placement and replacement are performed in a coarse-grained time scale (frame), while other optimizations are conducted in a fine-grained time scale (time slot). Due to the high dynamics of the environment, finding a solution is challenging. To address this problem, we present a hierarchical deep reinforcement learning (DRL) algorithm. The high-level component is a deep Q network (DQN) agent responsible for obtaining task placement and replacement solutions within a frame. The low-level component is an improved deep deterministic policy gradient (IDDPG) agent, which is used to address task processing-related issues within a time slot. Our simulations illustrate that the proposed algorithm has good performance in economic profit maximization compared with other 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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