课程
计算机科学-基于深度强化学习的移动车联网的边缘计算
本研究课题专注于应用深度强化学习于移动车联网的边缘计算，目标是提高车联网系统的计算效率和服务质量。
工科
SCI/CCF
物联网
移动车联网
边缘计算
申请匹配
咨询客服分享给朋友: 
【课题推荐发表期刊】
【课题背景】
边缘计算作为一种新兴的计算范式，通过在网络边缘部署计算资源，接近数据源，有效缓解了中心服务器的负载，并显著提升了响应速度。尤其是在传统的集中式计算方法已无法满足实时性和低延迟的需求的背景下，深度强化学习技术也被引入以优化边缘计算资源的分配和任务调度策略。
本研究课题专注于应用深度强化学习于移动车联网的边缘计算，目标是提高车联网系统的计算效率和服务质量。通过深度学习算法，我们旨在实现车辆间高效的任务卸载和资源管理，从而提升车联网系统的整体性能，减少通信延迟，并确保数据处理的可靠性与实时性。此外，本研究还考虑了将无人机纳入调度体系，以实现地面与空中的三维协同调度，进一步增强系统的灵活性和扩展性。
【课题方向参考】
任务卸载决策的动态优化：如何在车联网中利用深度强化学习实现任务卸载决策的动态优化，以适应高动态性的网络环境。例如传统的任务卸载方法通常依赖于预定义的规则或静态模型，难以应对快速变化的车联网环境。通过引入深度强化学习，可以设计一个自适应的任务卸载模型，使得车辆能够根据实时网络状态、自身计算能力以及任务需求，动态地选择卸载策略，从而提高系统的整体性能。
边缘计算资源的智能调度：如何利用深度强化学习实现边缘计算资源的智能调度，以最大化资源利用率和服务质量。通过构建深度强化学习模型，训练智能体在不同的网络场景中学习最优资源调度策略，可以实现对边缘计算资源的智能化管理。
多任务协同处理的优化：如何在多任务并发环境中，通过深度强化学习优化多任务协同处理，以减少任务延迟和资源冲突。
基于联邦学习的分布式优化：如何利用联邦学习结合深度强化学习，实现车联网边缘计算的分布式优化。允许多个设备在不共享数据的前提下协同训练模型，从而保护数据隐私。通过将协同学习与深度强化学习相结合，可以实现车联网中分布式边缘计算的智能优化，既提升系统性能，又保护用户隐私。
【适合人群】
计算机科学专业物联网、电子通信技术相关研究方向的硕博研究生，需对物联网络协议、通信技术和机器学习具备一定学习基础，有网络仿真器经验的学员优先，需熟悉python，c++。
【课题收获】
高质量论文一篇（SCI/CCF定向期刊）
SCI/CCF期刊投递与发表指导
结业证书
【导师介绍】
杨老师，韩国重点高校，博士
长期担任多个顶级期刊/会议的审稿人，包括IEEE Transactions on Intelligent Transportation Systems，IEEE Internet of Things Journal，IEEE Access等
研究方向：车辆自组织网络路由协议，软件定义网络，车联网边缘计算，强化学习算法，智能群算法等。
在计算机行业顶尖期刊/会议上发表超5篇期刊论文，并发表多篇国际会议论文。
具备极为扎实的算法功底，丰富的英文写作经验和论文指导经验；熟练使用python，c++，linux, matlab。
【课题安排】
研究周期预估六个月左右，具体视学员情况调整
【推荐阅读】
