Attention-Based Deep Reinforcement Learning for Joint Trajectory Planning and Task Offloading in AAV-Assisted Vehicular Edge Computing
Notice bibliographique
Résumé
The rapid growth of compute-intensive and delay-sensitive applications in the Internet of Vehicles (IoV) has brought new challenges to traditional Vehicle Edge Computing (VEC). Especially during peak traffic periods, fixed base stations (BSs), due to their static deployment and limited coverage, struggle to elastically scale computing resources to meet the dynamically changing computational demands of vehicular users, which to some extent affects the overall quality of service and efficiency of system resource utilization. In this paper, we propose a hybrid edge computing framework that integrates Autonomous Aerial Vehicles (AAVs) as mobile computing nodes to complement fixed base stations. For this AAV-BS hybrid edge computing environment, we design and optimize a computation offloading model considering heterogeneous task types and AAV trajectory planning. The proposed model tackles the joint optimization of system revenue, service delay, and energy consumption, while considering practical constraints such as AAV energy limitations and base station capacity. To address this multi-objective optimization challenge, we construct a Markov Decision Process (MDP) model and develop a multi-head self-attention enhanced Multi-Agent Deep Dirichlet Deterministic Policy Gradient (MHSA-MAD3PG) algorithm. The multi-head self-attention mechanism enables agents to capture complex dependencies and interactions in the environment, leading to more effective collaborative decision-making. Comprehensive simulation results demonstrate that our proposed approach achieves superior performance in terms of system revenue, service delay, and energy efficiency compared to baseline methods.
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 | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».