اکسپرس 24
ترجمه فارسی مقاله ارزیابی چند عاملی با بهبود کیفیت سرویس برای به‌روزرسانی نقشه‌های HD در شبکه وسایل نقلیه

ترجمه فارسی مقاله ارزیابی چند عاملی با بهبود کیفیت سرویس برای به‌روزرسانی نقشه‌های HD در شبکه وسایل نقلیه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Multi-agent Assessment with QoS Enhancement for HD Map Updates in a Vehicular Network
عنوان مقاله به فارسی ارزیابی چند عاملی با بهبود کیفیت سرویس برای به‌روزرسانی نقشه‌های HD در شبکه وسایل نقلیه
نویسندگان Jeffrey Redondo, Nauman Aslam, Juan Zhang, Zhenhui Yuan
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
دسته بندی موضوعات Artificial Intelligence,Machine Learning,هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 31 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال 31 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 440,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Reinforcement Learning (RL) algorithms have been used to address the challenging problems in the offloading process of vehicular ad hoc networks (VANET). More recently, they have been utilized to improve the dissemination of high-definition (HD) Maps. Nevertheless, implementing solutions such as deep Q-learning (DQN) and Actor-critic at the autonomous vehicle (AV) may lead to an increase in the computational load, causing a heavy burden on the computational devices and higher costs. Moreover, their implementation might raise compatibility issues between technologies due to the required modifications to the standards. Therefore, in this paper, we assess the scalability of an application utilizing a Q-learning single-agent solution in a distributed multi-agent environment. This application improves the network performance by taking advantage of a smaller state, and action space whilst using a multi-agent approach. The proposed solution is extensively evaluated with different test cases involving reward function considering individual or overall network performance, number of agents, and centralized and distributed learning comparison. The experimental results demonstrate that the time latencies of our proposed solution conducted in voice, video, HD Map, and best-effort cases have significant improvements, with 40.4%, 36%, 43%, and 12% respectively, compared to the performances with the single-agent approach.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم های یادگیری تقویت کننده (RL) برای رفع مشکلات چالش برانگیز در فرآیند بارگیری شبکه های موقت وسایل نقلیه (VANET) استفاده شده است.اخیراً ، از آنها برای بهبود انتشار نقشه های با کیفیت بالا (HD) استفاده شده است.با این وجود ، اجرای راه حل هایی مانند یادگیری عمیق Q (DQN) و بازیگر-انتقادی در وسیله نقلیه خودمختار (AV) ممکن است منجر به افزایش بار محاسباتی شود و باعث بار سنگین دستگاه های محاسباتی و هزینه های بالاتر شود.علاوه بر این ، اجرای آنها ممکن است به دلیل اصلاحات مورد نیاز در استانداردها ، مسائل سازگاری بین فناوری ها را ایجاد کند.بنابراین ، در این مقاله ، ما مقیاس پذیری یک برنامه را با استفاده از یک راه حل تک عامل Q-Learning در یک محیط چند عامل توزیع شده ارزیابی می کنیم.این برنامه با استفاده از یک حالت کوچکتر و فضای عمل در ضمن استفاده از یک رویکرد چند عامل ، عملکرد شبکه را بهبود می بخشد.راه حل پیشنهادی با موارد مختلف آزمون شامل عملکرد پاداش با توجه به عملکرد فردی یا کلی شبکه ، تعداد عوامل و مقایسه یادگیری متمرکز و توزیع شده به طور گسترده ارزیابی می شود.نتایج تجربی نشان می دهد که زمان تأخیر زمان راه حل پیشنهادی ما در موارد صوتی ، فیلم ، نقشه HD و بهترین موارد دارای پیشرفت های قابل توجهی ، با 40.4 ٪ ، 36 ٪ ، 43 ٪ و 12 ٪ ، در مقایسه با عملکردهای همراهرویکرد تک عامل.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.