10.3969/j.issn.1007-757X.2022.06.010
基于深度强化学习的物联网动态聚类方案
为了提高物联网(IOT)对大型数据的采集性能,人们提出了多种网络聚类方法.然而,它们大多侧重于用静态拓扑划分网络,因此在处理网络中移动对象的情况时,它们不是最优的,并且都没有考虑过边缘服务器的计算性能.针对这些问题,提出了一种基于深度强化学习(DRL)边缘计算的高效物联网动态聚类解决方案.这种方法既能满足物联网的数据通信需求,又能满足边缘服务器的负载平衡需求.本文使用一个深度Q学习网络(DQN)模型来实现该方法.初步的实验结果表明,与 目前的静态基准解决方案相比,DQN解决方案可以获得更高的聚类划分分数.
边缘计算、深度强化学习、动态集群、物联网
38
TP393(计算技术、计算机技术)
陕西省教育厅专项19JK0085
2022-08-12(万方平台首次上网日期,不代表论文的发表时间)
共4页
31-33,46