Deep Reinforcement Learning Enabled Reverse Offloading in Cooperative Vehicle Edge Computing
Notice bibliographique
Résumé
The advent of cooperative vehicle-infrastructure system (CVIS) has the potential to turn the futuristic transportation system into reality. Although CVIS can increase the road safety and traffic efficiency, it also brings the challenge of huge data processing demand. Fortunately, with reverse offloading, the soaring computing capabilities of connected autonomous vehicles (CAV s) can be utilized to address the limitation in computing power. In this paper, the reverse offloading strategy is adopted in a vehicular edge computing (VEC) network, aiming to reduce the system latency through intelligent task partition and resource allocation. Specifically, we firstly formulate the reverse offloading problem as a Markov decision process (MDP), considering the time-varying status of channel quality, task queueing status, and task load. Then, we propose a deep reinforcement learning (DRL) algorithm to learn optimal decisions by interacting with the environment. Specifically, a deep deterministic policy gradient (DDPG) based algorithm is proposed to make task partition and allocation decisions in a constrained continuous manner with the help of Softmax function. Simulation results demonstrate that the proposed approach can significantly reduce the system latency compared to three baseline schemes. Notably, when facing the longer traffic rush time, the advantages of the proposed method are progressively growlng.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».