A learning-based solution approach to the application placement problem in mobile edge computing under uncertainty

将应用程序放置在移动边缘计算服务器中，涉及到许多服务器、用户及其请求，因此这是一个复杂的挑战。现有算法在解决具有显著不确定性场景的高维问题时需要很长时间。因此，需要一种有效的方法来最大化服务质量，同时考虑所有技术限制。其中一种方法是机器学习，它模拟了边缘服务器中应用程序放置的最优解。机器学习模型预计将学习如何根据用户和服务器的空间位置分配用户请求到服务器。在本研究中，该问题被制定为两阶段随机规划。通过改变参数，例如用户位置、请求速率和解决优化模型，生成足够数量的训练记录。然后，基于每个用户与可用服务器之间的距离特征及其请求速率，机器学习模型生成第一阶段随机优化模型的决策变量，作为可靠地模拟优化模型的独立决策代理。本研究使用支持向量机（SVM）和多层感知器（MLP）实现来自随机优化模型的实用决策。每个模型的性能表现出超过80%的执行效率。本研究旨在利用机器学习模型进行请求分配的最优决策，为解决移动边缘计算中具有不确定性的高维问题和场景提供更有效的方法。这些结果表明，与传统方法相比，机器学习模型可以显著提高解决方案的速度。

移动边缘计算中的应用程序部署问题

使用机器学习模型解决高维度和不确定性场景下的应用程序部署问题

使用机器学习模型能够显著提高解决时间，实验中使用了支持向量机和多层感知机，执行效率超过了80%

与本文相关的研究包括：1. 'An efficient genetic algorithm for the application placement problem in mobile edge computing' 2. 'A reinforcement learning approach for application placement in mobile edge computing'}