典型文献
一种基于强化学习的车联网边缘计算卸载策略
文献摘要：
计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性.针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配.结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载.仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用.
文献关键词：
车联网;移动边缘计算;计算卸载;强化学习
中图分类号：
作者姓名：
张家波;吕洁娜;甘臣权;张祖凡
作者机构：
重庆邮电大学 通信与信息工程学院,重庆400065;移动通信技术重庆市重点实验室,重庆400065;移动通信教育部工程研究中心,重庆400065
文献出处：
引用格式：
[1]张家波;吕洁娜;甘臣权;张祖凡-.一种基于强化学习的车联网边缘计算卸载策略)[J].重庆邮电大学学报（自然科学版）,2022(03):525-534
A类：
B类：
强化学习,车联网,计算卸载策略,计算密集型,时延,敏感型,资源受限,车载终端,终端设备,量的应用,动态变化特性,现任,任务卸载,计算资源分配,接时,通信半径,移动边缘计算,效用函数,优化目标,问题转化,优化问题,learning,智能节点,节点选择,系统效用
AB值：
0.318552
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
