面向MEC多智能体协同任务卸载的深度强化学习算法

针对移动边缘计算中的多用户协同任务卸载场景,提出了一种基于深度强化学习的多智能体协同任务卸载算法(Deep Reinforcement Learning-based Multi-agent Collaborative Task Offloading Algorithm,MCTO-DRL)。考虑到用户移动性、协同性、任务动态优先级以及资源受限等问题,构建了一种多用户协同任务卸载的网络模型。在此基础上建立了端到端优化目标函数,并利用马尔可夫决策过程(Markov Decison Processes,MDP)形式化多任务协同卸载问题。利用双向长短期记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络提取状态向量动态时序依赖关系的特征信息,结合强化学习方法建立高维状态与动作之间的关系映射,并设计了一种动态优先级协同采样算法,用于提高多智能体的协同性。实验分析表明,在多智能体协同任务卸载场景中,MCTO-DRL算法最优卸载概率达到86%以上,时隙累积奖励较4种基线算法分别提升约20.0%、16.23%、22.0%、9.44%,并能够适应不同复杂性和需求型的卸载任务。

AI+RFID的行为识别技术研究

在近几十年的发展过程中,人体行为识别技术广泛应用于物联网领域,如医疗健康和智能家居等。逐渐成为研究热点。学术界与工业界对此领域给予了极高的关注,并提出了众多基于不同传感设备的解决方案,其中射频识别(RFID)技术被视为一种颇具潜力的解决方案,因其具备低成本、小型化以及无须电池的优势,在众多移动应用场景中获得了广泛的部署和应用。在本研究中,首先对RFID技术在行为识别领域的研究及难点做了系统回顾阐述,此外在本研究中,探讨了AI+RFID的应用,并展望RFID与人工智能、深度学习技术融合的前沿发展趋势。

边缘计算使能智慧电网

随着物联网技术、高速通信技术、智能芯片技术的发展,协同利用这些技术提高传统电网在设备数据收集、储能策略分析和用电安全监控等方面的效能成为亟待解决的难题。对边缘计算技术如何助力电力企业智能化转型进行了着重分析,讨论了边缘计算在构建低时延、轻量级、高效能和高可靠的智慧电网平台方面的优势,介绍了智慧电网中的各类应用场景和对应的边缘计算解决方案。最后,对国内外两种边缘计算平台及其使用的主要技术和应用场景进行了分析。