ترجمه فارسی مقاله چارچوب برنامه‌ریزی منابع انعطاف‌پذیر مبتنی بر یادگیری تقویتی عمیق برای سیستم IRS و MEC با کمک پهپاد

چکیده

The intelligent reflection surface (IRS) and unmanned aerial vehicle (UAV)-assisted mobile edge computing (MEC) system is widely used in temporary and emergency scenarios. Our goal is to minimize the energy consumption of the MEC system by jointly optimizing UAV locations, IRS phase shift, task offloading, and resource allocation with a variable number of UAVs. To this end, we propose a Flexible REsource Scheduling (FRES) framework by employing a novel deep progressive reinforcement learning which includes the following innovations: Firstly, a novel multi-task agent is presented to deal with the mixed integer nonlinear programming (MINLP) problem. The multi-task agent has two output heads designed for different tasks, in which a classified head is employed to make offloading decisions with integer variables while a fitting head is applied to solve resource allocation with continuous variables. Secondly, a progressive scheduler is introduced to adapt the agent to the varying number of UAVs by progressively adjusting a part of neurons in the agent. This structure can naturally accumulate experiences and be immune to catastrophic forgetting. Finally, a light taboo search (LTS) is introduced to enhance the global search of the FRES. The numerical results demonstrate the superiority of the FRES framework which can make real-time and optimal resource scheduling even in dynamic MEC systems.

چکیده به فارسی (ترجمه ماشینی)

سطح بازتاب هوشمند (IRS) و سیستم محاسبات هوایی بدون سرنشین (پهپاد) با استفاده از سیستم محاسبات Edge Edge (MEC) به طور گسترده در سناریوهای موقت و اضطراری مورد استفاده قرار می گیرد.هدف ما به حداقل رساندن مصرف انرژی سیستم MEC با بهینه سازی مکان های پهپاد ، تغییر فاز IRS ، بارگیری کار و تخصیص منابع با تعداد متغیر پهپادها است.برای این منظور ، ما یک چارچوب برنامه ریزی انعطاف پذیر منبع (FRES) را با استفاده از یک یادگیری تقویت کننده عمیق پیشرونده که شامل نوآوری های زیر است ، پیشنهاد می کنیم: اولا ، یک عامل چند کاره جدید برای مقابله با برنامه نویسی غیرخطی عدد صحیح (MINLP) ارائه شده است.بشرعامل چند کاره دارای دو سر خروجی است که برای کارهای مختلف طراحی شده است ، که در آن از یک سر طبقه بندی شده برای تصمیم گیری های بارگیری با متغیرهای عدد صحیح استفاده می شود در حالی که یک سر مناسب برای حل تخصیص منابع با متغیرهای مداوم اعمال می شود.ثانیا ، یک برنامه ریز مترقی برای سازگاری عامل با تعداد مختلف پهپادها با تنظیم تدریجی بخشی از نورون ها در عامل معرفی می شود.این ساختار به طور طبیعی می تواند تجربیات را جمع کند و از فراموشی فاجعه بار مصون باشد.سرانجام ، یک جستجوی تابو سبک (LTS) برای تقویت جستجوی جهانی FRES معرفی شده است.نتایج عددی برتری چارچوب FRES را نشان می دهد که می تواند حتی در سیستم های MEC پویا ، برنامه ریزی در زمان واقعی و بهینه را ایجاد کند.