Modellierung der Ressourcenallokation für altersensitive Mobile-Edge-Computing unter Verwendung von föderiertem Multiagenten-Verstärkungslernen

Bestehende Mobile-Edge-Computing (MEC) Systeme stehen vor den Herausforderungen begrenzter Ressourcen und hochdynamischer Netzwerkumgebungen. Wie Ressourcen zugewiesen werden können, um die Effizienz und Aktualität von Daten und Aufgaben zu erhalten, ist weiterhin ein offenes Thema. Um dieses Problem zu lösen, schlagen wir einen neuartigen Rahmen für UAV-unterstützte MEC-Systeme unter Verwendung von föderiertem Multi-Agenten-Verstärkungslernen vor. Zunächst formulieren wir ein gemeinsames Optimierungsproblem als ein Multi-Agenten-Markov-Entscheidungsprozess, indem wir das durchschnittliche Alter der Informationen minimieren und gleichzeitig die Anzahl der aktuellen Aufgaben maximieren. Zweitens entwerfen wir einen neuartigen Planungsalgorithmus für online kollaborative Ressourcen, indem wir mehrere Agenten einsetzen, um zu lernen und Entscheidungen gemäß den Gesamtinteressen durch föderiertes Lernen zu treffen. Schließlich wird ein Erfahrungsspielmechanismus für den internen Erfahrungspool eingeführt, um die Lerneffizienz weiter zu verbessern. Experimentelle Ergebnisse zeigen, dass unser vorgeschlagener Algorithmus den aktuellen typischen verstärkungslernen-basierten Algorithmen überlegen ist. Er weist nicht nur eine höhere Effizienz bei der Aufgabenverarbeitung und Datenfrische auf, sondern auch eine stabilere Leistung und Anpassungsfähigkeit unter vielfältigen experimentellen Bedingungen.