Deep Reinforcement Learning for Computation and Communication Resource Allocation in Multiaccess MEC Assisted Railway IoT Networks
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Multi-access mobile edge computing (MEC) is envisioned as a key enabling technology to support compute-intensive and delay-sensitive applications in railway Internet of Things (RIoT) networks. However, the time-varying channel variations in RIoT scenarios make it challenging to achieve efficient resource allocation. The emerging deep reinforcement learning (DRL) is able to respond to the above-mentioned challenge. In this paper, with the aim of reducing the total computational cost (weighted sum of consumed energy and delay), we investigate the dynamic resource management issue of joint subcarrier assignment, offloading ratio, power allocation and computation resource allocation in multi-access MEC assisted RIoT networks. To address this intractable mixed integer nonlinear programming issue, we put forward a hybrid DRL (HDRL) scheme, which is an integration of deep double Q-learning (DDQN) and deep deterministic policy gradient (DDPG). The HDRL algorithm is capable of learning the advisable strategies for actions including discrete-continuous hybrid variables. In HDRL algorithm, DDQN plays the role of making subcarrier assignment decision, and DDPG plays the role of making offloading ratio, power allocation as well as computation resource allocation decisions. Numerical results demonstrate that HDRL scheme can yield much less computational cost than the existing baselines for multi-access MEC assisted RIoT networks. In addition, the HDRL scheme is close to the near-optimal performance with comparatively low execution time.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Deep Reinforcement Learning for Computation and Communication Resource Allocation in Multiaccess MEC Assisted Railway IoT Networks
- Date Crossref
- 01/12/2022
- Éditeur
- Institute of Electrical and Electronics Engineers (IEEE)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Hebei University pays non établi dans la noticeUniversité ou école supérieure
-
Beijing Jiaotong University State Key Laboratory of Rail Traffic Control and Safety pays non établi dans la noticeUniversité ou école supérieure
-
Zhengzhou University pays non établi dans la noticeUniversité ou école supérieure
-
Peng Cheng Laboratory pays non établi dans la noticeStructure de recherche
-
Beijing University of Posts and Telecommunications State Key Laboratory of Networking and Switching Technology pays non établi dans la noticeUniversité ou école supérieure
-
Chongqing University of Posts and Telecommunications pays non établi dans la noticeUniversité ou école supérieure
-
University of Electronic Science and Technology of China pays non établi dans la noticeUniversité ou école supérieure
-
College of Electronic and Information Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Information Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Communication and Information Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Aeronautics and Astronautics pays non établi dans la noticeUniversité ou école supérieure
Hebei University, State Key Laboratory of Rail Traffic Control and Safety — Beijing Jiaotong University et Zhengzhou University, avec 8 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.