Multiagent Reinforcement Learning for Optimal Resource Allocation in Space–Air–Ground Integrated Networks
Notice bibliographique
Résumé
This paper addresses the problem of reliable task offloading in space-air-ground integrated network (SAGIN)-assisted edge computing systems, with the goal of maximising the ratio of tasks successfully offloaded and executed within quality-of-service (QoS) constraints. In the considered system, ground users offload computation tasks to a satellite-mounted edge server via unmanned aerial vehicles (UAVs) acting as relays. The formulated optimisation problem jointly considers task offloading portions and bandwidth allocations across ground-to-air and air-to-space links, subject to constraints on transmission rates, total bandwidth, energy budgets, and the satellite’s computational capacity. The resulting problem is non-linear, non-convex, and mixed-integer, making it challenging to solve with traditional optimisation techniques. To this end, we propose a deep reinforcement learning (DRL)-based solution to learn optimal offloading and resource allocation policies in dynamic environments. Furthermore, to enhance scalability and decentralised coordination, we develop a multi-agent DRL framework that enables cooperative decision-making across UAVs. Simulation results demonstrate that both the single-agent and multi-agent approaches achieve stable training performance, and the proposed method improves the reliable task offloading ratio by up to two times compared to benchmark schemes, while also achieving more efficient resource utilisation in complex SAGIN scenarios.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».