深度强化学习算法DROO在无线供电边缘计算网络中的应用

资源摘要信息:"DROO:无线供电的移动边缘计算网络中在线计算卸载的深度强化学习" 1. 无线供电的移动边缘计算网络：这是一种计算架构，旨在将计算任务从中心云服务器分散到网络边缘的设备上，通过无线方式为这些设备供电，以减小计算延迟，提高资源利用效率。它适用于那些需要快速响应和高数据吞吐量的场景。 2. 在线计算卸载：在线计算卸载是一种策略，用于决定哪些计算任务应该在本地设备上执行，哪些应该卸载到边缘服务器上执行，以优化性能。在线卸载强调的是实时性，即在计算过程中动态地做出决策。 3. 深度强化学习：深度强化学习结合了深度学习和强化学习的优点，利用深度神经网络作为函数逼近器，以处理高维的状态空间问题。在本研究中，深度强化学习被用来生成二进制卸载决策，即决定任务是在本地计算还是卸载到边缘服务器。 4. DROO算法：DROO算法是本研究提出的一种特定的深度强化学习算法，用于无线供电的移动边缘计算网络中的在线计算卸载问题。该算法使用随时间变化的无线信道增益作为输入，并生成二进制卸载决策。 5. Python代码实现：研究者使用Python语言编写了DROO算法的代码，包含了训练结构和测试结构。Python因其易读性强和开发效率高而被广泛用于机器学习和深度学习的实现。 6. DNN结构：在研究中，基于深度神经网络（DNN）的结构被用于实现WPMEC，其中WPMEC指的是无线供电的移动边缘计算。DNN结构在训练和测试过程中扮演了核心角色。 7. 资源分配问题：在移动边缘计算网络中，资源分配问题是一个关键问题，需要决定如何最有效地分配计算、存储和带宽资源。DROO算法能够帮助解决这一问题，优化资源的使用。 8. 数据存储：所有相关数据存储在名为DROO-master的子目录中，其中包括不同用户编号的训练和测试数据集，以及用于评估算法性能的各种文件。 9. 性能评估：通过运行不同的Python脚本文件来评估DROO算法的性能，包括改变系统参数，模拟无线设备（WDs）的开关动作，以及随机选择WDs进行开/关操作等。 10. 引用：本研究可以引用L. Huang，S。Bi和YJ Zhang的论文《用于无线移动边缘计算网络中在线计算》。 以上提到的资源摘要信息基于给定的文件标题、描述、标签和压缩包子文件的文件名称列表，详细阐述了涉及的关键知识点。这些知识点不仅涵盖了移动边缘计算、在线计算卸载和深度强化学习的理论与应用，还包括了DROO算法的具体实现方法、性能评估策略以及使用的编程语言和数据管理方式。