ImanRHT/QECO
این پروژه یک الگوریتم بهینهسازی برای آفلودینگ محاسبات در محیط محاسبات لبهای همراه (MEC) ارائه میدهد که بر اساس یادگیری تقویتی عمیق (DRL) طراحی شده است.
هدف اصلی، بهبود تجربه کاربری (QoE) با در نظر گرفتن عواملی مانند تأخیر، مصرف انرژی و بار سیستم است.
کاربرد:
این الگوریتم به دستگاههای تلفن همراه و اینترنت اشیا (IoT) کمک میکند تا تصمیم هوشمندانهای بگیرند: آیا یک وظیفه را محلی اجرا کنند یا آن را به سرور لبهای نزدیک منتقل کنند. ️
در چه شرایطی بهتره استفاده شود؟
- در شبکههای پویا با تغییرات سریع محیط (مثل شهرهای هوشمند یا خودروهای در حال حرکت)
- وقتی منابع دستگاه محدود هستند (باتری، پردازش)
- در کاربردهای حساس به تأخیر مثل واقعیت افزوده (AR)، بازیهای ابری یا سلامت هوشمند ️
چند مثال از موارد استفاده:
یک دوربین هوشمند در سیستم نظارتی، تصمیم میگیرد فریمهای ویدیویی را به MEC آفلود کند تا تحلیل چهره سریعتر انجام شود.
یک دستگاه پوشیدنی، بخشی از پردازش دادههای سلامت را به لبه منتقل میکند تا عمر باتری افزایش یابد.
یک ربات صنعتی در کارخانه، با پیشبینی بار شبکه، وظایف خود را بهینه زمانبندی میکند.
- ##QoE
- ##MEC
- ##DRL
- ##ComputationOffloading
- ##LSTM
- ##D3QN
- ##EdgeComputing
- ##IoT
- ##DeepLearning
- ##SmartCities