找到 1 条结果
基于竞争深度Q网络的移动边缘计算部分卸载与资源分配深度强化学习
Deep Reinforcement Learning With Dueling DQN for Partial Computation Offloading
Ehzaz Mustafa · Junaid Shuja · Faisal Rehman · Abdallah Namoun 等6人 · IEEE Access · 2025年1月
计算卸载将IoT设备资源密集型任务转移到强大边缘服务器，最小化延迟并降低计算负载。深度强化学习广泛用于优化卸载决策，但现有研究存在两大不足：未全面优化状态空间，且Q学习和DQN在大动作空间中难以辨别最优动作。本文提出多分支竞争深度Q网络MBDDQN，解决高维状态-动作空间和动态环境长期成本优化挑战。竞争DQN缓解同步卸载和资源分配决策复杂性，每个分支独立控制决策变量子集，随IoT设备增加高效扩展，避免组合爆炸。实施LSTM网络和独特优势-价值层增强短期动作选择和长期成本估计，提升模型时序学习能力...
解读: 该多分支强化学习技术可应用于阳光电源储能系统的智能调度优化。阳光ST储能变流器在电网侧和工商业场景面临多目标优化挑战，需同时考虑能耗、响应延迟和功率分配。该MBDDQN算法的自适应权重机制可集成到阳光EMS能量管理系统，实现储能系统在削峰填谷、调频调峰和需求响应等多场景下的动态优化。结合阳光iSol...