缓存辅助 NOMA 移动边缘计算：一种强化学习方法
信号处理
2019-06-24 v1
摘要
提出了一种基于非正交多址接入（NOMA）的缓存辅助移动边缘计算（MEC）框架。为高效地将通信与计算资源分配给用户的计算任务请求，我们提出一种长短期记忆（LSTM）网络来预测任务流行度。基于预测的任务流行度，构建了一个涉及任务卸载决策、计算资源分配与缓存决策联合优化的长期奖励最大化问题。为求解这一难题，采用单智能体 Q-learning（SAQ-learning）算法学习长期资源分配策略。此外，提出了一种基于贝叶斯学习自动机（BLA）的多智能体 Q-learning（MAQ-learning）算法用于任务卸载决策。具体而言，在 MAQ-learning 中为智能体提出一种基于 BLA 的动作选择方案，以在每个状态下选择最优动作。我们证明了基于 BLA 的动作选择方案是瞬时自校正的，且所选动作为每个状态的最优解。大量仿真结果表明：1) 所提基于 LSTM 的任务流行度预测的预测误差随学习率增大而减小。2) 所提框架显著优于全本地计算、全卸载计算和非缓存计算等基准。3) 所提基于 BLA 的 MAQ-learning 相比传统强化学习算法取得了更优性能。
引用
@article{arxiv.1906.08812,
title = {Cache-Aided NOMA Mobile Edge Computing: A Reinforcement Learning Approach},
author = {Zhong Yang and Yuanwei Liu and Yue Chen and Naofal Al-Dhahir},
journal= {arXiv preprint arXiv:1906.08812},
year = {2019}
}
备注
30 pages, 10 figures