面向边缘计算物联网网络资源分配的多智能体强化学习
信号处理
2020-04-07 v1 机器学习
摘要
为支持虚拟现实、移动游戏和可穿戴设备等热门物联网(IoT)应用，边缘计算以低时延提供了集中式云计算的前端分布式计算原型。然而，由于终端用户对频谱和计算资源的大量需求以及对无线接入技术(RAT)的频繁请求，其计算卸载颇具挑战。本文通过将IoT边缘计算网络中的带资源分配的计算卸载机制建模为随机博弈来研究该问题。其中，每个终端用户是一个学习智能体，观测其局部环境以学习关于本地计算或边缘计算的最优决策，目标是在不知晓其他终端用户信息的情况下，通过选择发射功率水平、RAT和子信道来最小化长期系统代价。为此，开发了多智能体强化学习框架，以所提出的基于独立学习者的多智能体Q学习(IL-based MA-Q)算法求解该随机博弈。仿真表明，与其他两种基准算法相比，所提IL-based MA-Q算法可求解所述问题，且更节能，并在集中式网关处无需额外的信道估计代价。
引用
@article{arxiv.2004.02315,
title = {Multi-agent Reinforcement Learning for Resource Allocation in IoT networks with Edge Computing},
author = {Xiaolan Liu and Jiadong Yu and Yue Gao},
journal= {arXiv preprint arXiv:2004.02315},
year = {2020}
}
备注
10 pages, 7 figures, Journal