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

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 Deep progressive reinforcement learning-based flexible resource scheduling framework for IRS and UAV-assisted MEC system
عنوان مقاله به فارسی چارچوب برنامه‌ریزی منابع انعطاف‌پذیر مبتنی بر یادگیری تقویتی عمیق برای سیستم IRS و MEC با کمک پهپاد
نویسندگان Li Dong, Feibo Jiang, Minjie Wang, Yubo Peng, Xiaolong Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 2 August, 2024; originally announced August 2024. , Comments: 13 pages, 10 figures , Journal ref: IEEE Transactions on Neural Networks and Learning Systems,2024
توضیحات به فارسی ارسال شده در 2 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 13 صفحه ، 10 شکل ، مجله Ref: معاملات IEEE در شبکه های عصبی و سیستم های یادگیری ، 2024

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: 520,000 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

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.

📚 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.