基于深度渐进强化学习的IRS和无人机协助MEC系统的灵活资源调度框架
机器学习
2024-08-05 v1 人工智能
摘要
智能反射面（IRS）和无人机（UAV）协助的移动边缘计算（MEC）系统广泛应用于临时和紧急场景。我们的目标是通过联合优化UAV位置、IRS相位移、任务卸载和资源分配（UAV数量可变），最小化MEC系统的能耗。为此，我们提出了灵活资源调度（FRES）框架，采用创新的深度渐进强化学习方法，具体包括：首先，提出一种新型多任务智能体，用于解决混合整数非线性规划（MINLP）问题。该多任务智能体设计了两个输出头以处理不同任务，其中分类头用于做出带整数变量的卸载决策，而拟合头用于解决带连续变量的资源分配问题。其次，引入渐进式调度器，通过渐进式调整智能体中部分神经元来适应UAV数量的变化。该结构能够自然积累经验，并能抗击灾难性遗忘。最后，引入轻量禁忌搜索（LTS）以提升FRES的全局搜索能力。数值结果表明，FRES框架在动态MEC系统中能够实现实时和最优资源调度。
引用
@article{arxiv.2408.01248,
title = {Deep progressive reinforcement learning-based flexible resource scheduling framework for IRS and UAV-assisted MEC system},
author = {Li Dong and Feibo Jiang and Minjie Wang and Yubo Peng and Xiaolong Li},
journal= {arXiv preprint arXiv:2408.01248},
year = {2024}
}
备注
13 pages, 10 figures