【标题】Multi-Agent Distributed Reinforcement Learning for Making Decentralized Offloading Decisions

【作者团队】Jing Tan, Ramin Khalili, Holger Karl, Artur Hecker

【发表日期】2022.4.6

【论文链接】https://arxiv.org/pdf/2204.02267.pdf

【推荐理由】本文将计算卸载描述为一个具有自主智能体的分散决策问题。其设计了一种互动机制，通过平衡竞争与合作，激励智能体调整私有目标和系统目标。该机制在静态情况下具有纳什均衡和最优资源分配。对于动态环境，提出了一种新颖的多智能体在线学习算法，该算法使用部分、延迟和噪声状态信息进行学习，并使用奖励信号在很大程度上减少信息需求。实证结果证实，通过学习，智能体显着提高了系统和个人的性能，例如，卸载失败率降低40%，通信开销降低32%，在低竞争下节省高达 38% 的计算资源，随着高争用负载变化的减少和公平性的提高，利用率提高了 18%。实验结果也证实了该算法在明显不同的环境下具有良好的收敛性和泛化性能。

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