31649

طراحي يك شبكه محاسبات لبه دسترسي چندگانه مبتني بر پهپاد با استفاده از يادگيري تقويتي عميق چند عاملي غير متمركز همكارانه

كارشناسي ارشد

مهندسي برق مخابرات - سيستم

1400

1403/07/14

دكتر حسين سليماني

دكتر شاهرخ فرهمند

مهندسي برق

شبكه‌هاي محاسبات لبه دسترسي چندگانه با اين هدف كه سرورهاي محاسباتي را به كاربران در لبه شبكه نزديك كنند طراحي شده‌اند و كاربران مي‌توانند با برون‌سپاري وظايف پردازشي‌شان به اين سرورها انرژي كمتري براي محاسبات پيچيده صرف كنند و همچنين تأخير اين پردازش به طرز قابل توجهي كاهش يابد. اين پايان‌نامه رويكرد جديدي را براي طراحي شبكه‌هاي MEC مبتني بر پهپاد ارائه مي‌كند و به مسائل مربوط به استفاده از پهپادها در اين شبكه‌ها مي‌پردازد. هدف ما حذف وابستگي به ايستگاه‌هاي پايه زميني و غلبه بر مشكل نقطه شكست واحد در سيستم‌ها MEC، افزايش همكاري ميان پهپادها و كاهش انرژي مصرفي در سيستم است. در اين پايان‌نامه ما از چارچوب يادگيري تقويتي عميق چند عامله توزيع شده مشاركتي استفاده مي‌كنيم كه از الگوريتم بهينه‌سازي سياست پروگزيمال با اشتراك گذاري پارامتر، شبكه‌هاي توجه گراف براي غني‌تر كردن فضاي حالت و شبكه‌هاي حافظه كوتاه/بلند مدت براي ملاحظه وابستگي‌هاي زماني بهره مي‌برد. روشي كه ما ارائه مي‌كنيم مسير پهپادها و مصرف انرژي آنها و نيز سرويس‌دهي به كاربران زميني كه وظايفي با اولويت‌هاي مختلف دارند را بهينه مي‌كند. نوآوري‌هاي اين پايان‌نامه شامل مكانيسم آموزشي غيرمتمركز براي عامل‌هاي پهپادي، بهبود بهره‌وري انرژي و افزايش نرخ برون‌سپاري وظايف كاربران بدون نياز به زيرساخت‌هاي زميني و متمركز است. در عملكرد كلي سيستم (ميزان پاداش جمع‌آوري شده توسط عامل‌ها)، ميزان مصرف انرژي و نرخ تكميل وظايف توسط الگوريتم پيشنهادي ما نسبت به الگوريتم‌هاي پايه بهتر بوده و در عملكرد كلي حدود 15.5%، در مصرف انرژي حدود 12.3% و در نرخ تكميل وظايف حدود 10% بهتر از بهترين الگوريتم‌هاي پايه توانسته است عمل كند.

1403/09/10

Design of a UAV-based Multi-Access Edge Computing Network Considering UAVs and Devices Communication Limitations Utilizing Cooperative Distributed Multi-Agent Deep Reinforcement Learning

10/5/2025 12:00:00 AM

Multi-access edge computing (MEC) networks are designed to bring computing resources closer to users at the edge of the network, allowing users to offload their computational tasks and reduce energy consumption and processing delays. This thesis proposes a novel approach to UAV-based MEC networks, addressing key challenges associated with UAV deployment. The primary objective is to eliminate reliance on ground base stations and mitigate single points of failure inherent in centralized systems. A collaborative, distributed multi-agent deep reinforcement learning framework is developed, integrating Proximal Policy Optimization (PPO) with policy sharing, Graph Attention Networks (GAT) to enrich the state space, and Long Short-Term Memory (LSTM) networks to capture temporal dependencies. This approach optimizes UAV trajectories, energy consumption, and task prioritization for ground users with varying demands. Key innovations include a decentralized training mechanism for UAV agents that enhances energy efficiency and increases task outsourcing rates without centralized ground infrastructure. The proposed algorithm demonstrates improved performance, achieving a 15.5% improvement in overall system efficiency, a 12.3% reduction in energy consumption, and a 10% increase in task completion rates compared to baseline algorithms.

محاسبات لبه دسترسي چندگانه , يادگيري تقويتي عميق

Multi-Access Edge Computing , Deep Reinforcement Learning

Hamidreza Asadian Rad

Dr. Hossein Soleymani