复现的论文文献地址https://doi.org/10.1016/j.ins.2021.05.020，可自行下载文献阅读
2023-11-10 20:11:36
3KB
1
改代码对应的文章：Multi-Agent Deep Reinforcement Learning for Task Offloading in Group Distributed Manufacturing Systems（资源里包含PDF文章）
含有可运行的pytorch代码，调试多次，实测可运行
包括大规模数据集用来仿真实验
算法：多智能体深度强化学习 Actor-Critic
2023-10-20 09:49:48
899.23MB
1
计算能力和资源受限的移动设备可将待处理的密集型任务卸载到云端执行，从而增强移动设备的计算能力并减少电池能源消耗（EC）。然而，现有研究在卸载任务时不能较好地均衡移动端的应用完成时间（FT）和EC。提出了基于分解的多目标进化算法（MOEA/D）来同时优化应用 FT 和 EC，并将动态电压频率调整技术引入MOEA/D中，在不增加应用FT的前提下，调节移动设备的CPU时钟频率以进一步降低移动设备的EC。仿真结果表明，与多个算法相比，所提出的算法在多目标性能上更优。
2022-03-01 11:41:35
1.51MB
1
针对移动边缘计算（MEC）提供IT服务环境和云计算能力带来的高带宽、低时延优势，结合LTE免授权频谱（LTE-U）技术，研究了车辆异构网络中基于 MEC 的任务卸载模式决策和资源分配问题。考虑链路差异化要求，即车辆到路边单元（V2I）链路的高容量和车辆到车辆（V2V）链路的高可靠性，将用户服务质量（QoS）建模为容量与时延的组合形式。首先采用改进的 K-means 算法依据不同的 QoS 对请求车辆进行聚类，从而确定通信模式，其次利用基于无竞争期（CFP）的LTE-U，结合载波聚合（CA）技术，使用分布式Q-Learning算法进行信道和功率分配。仿真结果表明，所提机制可以在保证V2V链路可靠性的同时，使得V2I遍历容量最大化。
2021-09-29 14:45:35
1.35MB
1