【标题】Time-Driven Scheduling Based on Reinforcement Learning for Reasoning Tasks in Vehicle Edge Computing

【作者团队】Bing Lin, Qiaoxin Chen, Yu Lu

【发表日期】2022.2.23

【论文链接】https://downloads.hindawi.com/journals/wcmc/2022/3213311.pdf

【推荐理由】由于边缘环境中的异构资源和推理任务中复杂的数据依赖性，推理任务调度仍然存在重大挑战，包括从可能的众多组合中选择最佳任务服务器解决方案。在这项研究中，本文设计了一种基于强化学习（RL）的时间驱动调度策略，用于车辆边缘计算中的推理任务。首先，将车辆应用的推理过程抽象为基于有向无环图的模型。其次，根据优先级评估方法定义子任务的执行顺序。最后，通过深度 Q 学习 (DQN) 选择最佳任务服务器调度解决方案。大量的仿真实验表明，所提出的调度策略可以有效降低推理任务的完成延迟。与经典算法相比，它在算法收敛性和运行时间上表现更好。

内容中包含的图片若涉及版权问题，请及时与我们联系删除