个性化联邦强化计算卸载

任务成功率更高

面向多边缘智慧社区的个性化计算卸载与资源分配联合决策方法，可在动态网络与用户差异化需求下保持低延迟与低能耗。

Chen, Zheyi · Bing, Xiong · 陈星 · Min, Geyong · 黎洁

IEEE Transactions on Mobile Computing 2024

技术优势

无需先验知识

传统方案依赖先验模型或全局信息，PFR-OA通过在线学习直接根据实时状态生成卸载与资源分配决策，省去人工建模环节。

适应个性需求

在生成策略时显式考虑智能社区中用户的个性化需求，使卸载决策贴合不同用户的服务偏好。

联邦聚合更高效

设计基于部分贪心的参与者选择机制，在保证足够探索的同时降低联邦聚合的复杂度，减少通信与计算开销。

应用场景

• 边缘计算：用于边缘节点上实时生成卸载与资源分配策略，替代集中式控制器。
• 智能社区：面向社区内多用户差异化服务需求，实现个性化决策，提升整体服务质量。
• 联邦强化学习：采用联邦强化学习框架在保护数据隐私的同时协同多个边缘节点进行策略学习。
• 移动计算：为移动终端设备提供低延迟、低能耗的计算任务卸载服务。