Decentralized Navigation With Heterogeneous Federated Reinforcement Learning for UAV-Enabled Mobile Edge Computing

计算机科学 强化学习 任务(项目管理) 分布式计算 移动边缘计算 移动设备 高效能源利用 GSM演进的增强数据速率 边缘计算 计算机网络 人工智能 管理 电气工程 经济 工程类 操作系统
作者
Pengfei Wang,Hao Yang,Guangjie Han,Ruiyun Yu,Leyou Yang,Geng Sun,Heng Qi,Xiaopeng Wei,Qiang Zhang
出处
期刊:IEEE Transactions on Mobile Computing [Institute of Electrical and Electronics Engineers]
卷期号:23 (12): 13621-13638 被引量:1
标识
DOI:10.1109/tmc.2024.3439696
摘要

Unmanned Aerial Vehicle (UAV)-enabled mobile edge computing has been proposed as an efficient task-offloading solution for user equipments (UEs). Nevertheless, the presence of heterogeneous UAVs makes centralized navigation policies impractical. Decentralized navigation policies also face significant challenges in knowledge sharing among heterogeneous UAVs. To address this, we present the soft hierarchical deep reinforcement learning network (SHDRLN) and dual-end federated reinforcement learning (DFRL) as a decentralized navigation policy solution. It enhances overall task-offloading energy efficiency for UAVs while facilitating knowledge sharing. Specifically, SHDRLN, a hierarchical DRL network based on maximum entropy learning, reduces policy differences among UAVs by abstracting atomic actions into generic skills. Simultaneously, it maximizes the average efficiency of all UAVs, optimizing coverage for UEs and minimizing task-offloading waiting time. DFRL, a federated learning (FL) algorithm, aggregates policy knowledge at the cloud server and filters it at the UAV end, enabling adaptive learning of navigation policy knowledge suitable for the UAV's performance parameters. Extensive simulations demonstrate that the proposed solution not only outperforms other baseline algorithms in overall energy efficiency but also achieves more stable navigation policy learning under different levels of heterogeneity of different UAV performance parameters.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
星辰大海应助sjc采纳,获得10
1秒前
柠檬肥皂发布了新的文献求助50
2秒前
2秒前
buzhidao完成签到,获得积分10
2秒前
deng完成签到 ,获得积分10
3秒前
小研完成签到,获得积分10
4秒前
ttttttttt发布了新的文献求助10
5秒前
科研通AI2S应助刘化采纳,获得30
6秒前
科目三应助刘化采纳,获得10
6秒前
机灵鼠标发布了新的文献求助30
6秒前
汉堡包应助seven采纳,获得10
6秒前
高贵花瓣应助大菠萝采纳,获得10
6秒前
7秒前
邓云峰888完成签到,获得积分10
7秒前
小卒完成签到,获得积分10
8秒前
Century小Z发布了新的文献求助10
10秒前
天天快乐应助向上采纳,获得10
11秒前
我没周杰伦帅完成签到,获得积分10
13秒前
机灵鼠标完成签到,获得积分20
14秒前
15秒前
格格完成签到,获得积分20
16秒前
不配.应助kxmmm采纳,获得20
17秒前
Akim应助仁爱的半山采纳,获得10
17秒前
田様应助沉静向南采纳,获得10
18秒前
wuyuyu5413给wuyuyu5413的求助进行了留言
18秒前
yhtu完成签到,获得积分10
18秒前
不挑食的Marcophages完成签到,获得积分10
19秒前
充电宝应助柚子采纳,获得10
20秒前
红宝完成签到,获得积分10
20秒前
21秒前
meini发布了新的文献求助10
21秒前
个性的饼干完成签到,获得积分10
21秒前
Angelos发布了新的文献求助10
22秒前
独特的鹅完成签到,获得积分10
22秒前
23秒前
爻解应助阿桂采纳,获得10
25秒前
26秒前
26秒前
27秒前
轩辕德地完成签到,获得积分10
27秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Semiconductor Process Reliability in Practice 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
中国区域地质志-山东志 560
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3243165
求助须知:如何正确求助?哪些是违规求助? 2887135
关于积分的说明 8246772
捐赠科研通 2555721
什么是DOI,文献DOI怎么找? 1383867
科研通“疑难数据库(出版商)”最低求助积分说明 649767
邀请新用户注册赠送积分活动 625635