Two-Time-Scale Hierarchical Sequential Multiagent DRL Framework With Compute Reuse for Energy and Delay Minimization in UAV-Based Edge
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAV)-based edge computing (EC) has been a core enabler for task offloading in the last decade with a major focus on UAV energy and task processing delay minimization, especially for delay-sensitive applications that require high availability of task offloading services throughout the day, such as vehicular networks. In this work, we tackle the problem of task offloading for internet of things (IoT) devices in UAV-based EC networks by introducing compute reuse for result sharing. The goal is to minimize the energy consumption of the edge-computing UAVs and the task processing delay. By considering the original problem split into two subproblems on two different time scales: the small time scale handles the forwarding decisions and the CPU operating frequency at each UAV, while the large time scale handles the wake-sleep status of each UAV. Most existing work in this area ignores the discussion of result reuse in a UAV edge setup and considers a single agent on each time scale without sequential decision-making. Additionally, the literature concerning sending UAVs to sleep for energy savings under edge computing framework or the integration of both sequentiality and hierarchical deep reinforcement learning (DRL) under a multi-time scale framework remains unexplored in the literature. An algorithm based on a hierarchical sequential multi-agent deep reinforcement learning (HSMADRL) framework is developed. The hierarchical DRL explores patterns between the two time scales; and the sequential and multi-agent designs address the curse of dimensionality and decision-making coordination, respectively. Simulation results show that our algorithm can quickly converge and outperform baselines, while the energy computation efficiency (ECE) is maximized.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».