典型文献
基于深度Q学习的电力物联网任务卸载研究
文献摘要：
随着现代化城市与工业生产中电力需求的不断提高,电力物联网(Power Internet of Things,PIoT)作为一种能够显著提高电力系统效率的解决方案受到了广泛关注.为有效解决接入问题,现有的电力设备往往已配备内置轻量级人工智能的5G模组.然而,受制于模组有限的计算能力和通信能力,设备产生的海量数据难以实时处理和分析.基于该问题,本文主要研究电力物联网系统中的任务卸载问题,通过联合优化卸载决策和边缘服务器的计算资源分配,从而降低时延与能耗的加权和.此外本文提出一种基于深度强化学习的任务卸载算法,首先任务在边缘服务器的处理过程建模为队列,其次基于凸优化理论对本地计算资源分配进行优化,最后采用深度Q学习算法优化任务卸载决策.实验结果表明,本文提出的方法能够有效降低系统时延与能耗的加权和.
文献关键词：
电力物联网;边缘卸载;资源分配;深度强化学习;5G模组
中图分类号：
作者姓名：
丁忠林;李洋;曹委;谈宇浩;徐波
作者机构：
国网电力科学研究院有限公司,江苏 南京 211000;南京邮电大学通信与信息工程学院,江苏 南京 210003
文献出处：
引用格式：
[1]丁忠林;李洋;曹委;谈宇浩;徐波-.基于深度Q学习的电力物联网任务卸载研究)[J].计算机与现代化,2022(11):75-80,88
A类：
边缘卸载
B类：
电力物联网,任务卸载,现代化城市,电力需求,Power,Internet,Things,PIoT,电力系统,系统效率,电力设备,内置,轻量级,模组,受制于,计算能力,海量数据,实时处理,物联网系统,联合优化,卸载决策,边缘服务器,计算资源分配,低时延,加权和,深度强化学习,过程建模,凸优化,优化理论,算法优化
AB值：
0.337013
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。
