Key points are not available for this paper at this time.
우리는 계산 오프 로딩을 자율 에이전트를 가진 분산 의사결정 문제로 정의합니다. 우리는 경쟁과 협력 사이의 균형을 맞추어 에이전트가 개인 목표와 시스템 목표를 조화롭게 하기 위한 상호작용 메커니즘을 설계합니다. 이 메커니즘은 정적 사례에서 최적의 자원 할당을 갖는 내시 균형을 증명합니다. 동적 환경을 위한 우리는 부분적, 지연된 및 잡음 상태 정보를 학습하는 새로운 다중 에이전트 온라인 학습 알고리즘과 정보 요구를 크게 줄이는 보상 신호를 제안합니다. 경험적 결과는 학습을 통해 에이전트가 시스템 및 개인 성능 모두를 유의미하게 개선한다는 것을 확인합니다. 예를 들어, 40% 오프 로딩 실패율 감소, 32% 통신 오버헤드 감소, 낮은 경쟁에서 최대 38% 계산 자원 절약, 높은 경쟁에서 감소된 부하 변동으로 18% 활용도 증가 및 공정성 향상이 포함됩니다. 결과는 또한 알고리즘의 좋은 수렴성과 일반화 속성을 매우 다른 환경에서 확인합니다.
Tan et al. (Mon,)은 이 질문을 연구했습니다.