动态车联网中的 DNN 划分、任务卸载和资源分配:一种基于 Lyapunov 导引的扩散强化学习方法
原文中文,约600字,阅读约需2分钟。发表于: 。人工智能和深度神经网络在车辆网络生态系统中的快速发展引入了计算密集型任务,对单个车辆的计算资源需求超过其能力,为解决这一挑战,车辆边缘计算作为一个解决方案应运而生,通过车辆间 / 基础设施之间的通信资源池提供深度神经网络任务的计算服务,本文将 VEC 中的 DNN 划分、任务卸载和资源分配问题建模为动态长期优化问题,目标是在时间上保证系统稳定的同时尽量减少 DNN 任务的完成时间,首先利用...
本文提出了基于MAD2RL算法的动态长期优化问题模型,通过扩散模型确定最优的DNN划分和任务卸载决策,并使用凸优化技术分配计算资源,解决车辆边缘计算中的计算资源需求超过能力的问题。通过模拟车辆移动轨迹,证明了该算法性能优越。