J 2025

A multi-objective deep reinforcement learning algorithm for spatio-temporal latency optimization in mobile IoT-enabled edge computing networks

KHOSHVAGHT, Parisa; Amir HAIDER; Amir Masoud RAHMANI; Farhad Soleimanian GHAREHCHOPOGH; Ferzat ANKA et al.

Základní údaje

Originální název

A multi-objective deep reinforcement learning algorithm for spatio-temporal latency optimization in mobile IoT-enabled edge computing networks

Název česky

Víceúčelový algoritmus hlubokého učení s posilováním pro časoprostorovou optimalizaci latence v mobilních okrajových počítačových sítích využívajících internet věcí

Autoři

KHOSHVAGHT, Parisa; Amir HAIDER; Amir Masoud RAHMANI; Farhad Soleimanian GHAREHCHOPOGH; Ferzat ANKA; Jan LÁNSKÝ a Mehdi HOSSEINZADEH

Vydání

Simulation Modelling Practice and Theory, Amsterdam, Elsevier, 2025, 1569-190X

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Nizozemské království

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 4.600 v roce 2024

Označené pro přenos do RIV

Ano

Kód RIV

RIV/04274644:_____/25:#0001231

Organizační jednotka

Vysoká škola finanční a správní

EID Scopus

Klíčová slova česky

Časoprostorová optimalizace; Double deep Q-learning; Latence a energetická účinnost

Klíčová slova anglicky

Spatio-temporal optimization; Double deep Q-learning; Latency and energy efficiency

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 23. 1. 2026 13:26, Mgr. Jitka Štruncová

Anotace

V originále

The rapid increase in Mobile Internet of Things (IoT) devices requires novel computational frameworks. These frameworks must meet strict latency and energy efficiency requirements in Edge and Mobile Edge Computing (MEC) systems. Spatio-temporal dynamics, which include the position of edge servers and the timing of task schedules, pose a complex optimization problem. These challenges are further exacerbated by the heterogeneity of IoT workloads and the constraints imposed by device mobility. The balance between computational overhead and communication challenges is also a problem. To solve these issues, advanced methods are needed for resource management and dynamic task scheduling in mobile IoT and edge computing environments. In this paper, we propose a Deep Reinforcement Learning (DRL) multi-objective algorithm, called a Double Deep Q-Learning (DDQN) framework enhanced with Spatio-temporal mobility prediction, latency-aware task offloading, and energy-constrained IoT device trajectory optimization for federated edge computing networks. DDQN was chosen for its optimize stability and reduced overestimation in Q-values. The framework employs a reward-driven optimization model that dynamically prioritizes latency-sensitive tasks, minimizes task migration overhead, and balances energy efficiency across devices and edge servers. It integrates dynamic resource allocation algorithms to address random task arrival patterns and real-time computational demands. Simulations demonstrate up to a 35 % reduction in end-to-end latency, a 28 %

Česky

Rychlý nárůst počtu mobilních zařízení internetu věcí (IoT) vyžaduje nové výpočetní rámce . Tyto rámce musí splňovat přísné požadavky na latenci a energetickou účinnost v systémech Edge a Mobile Edge Computing (MEC). Časoprostorová dynamika, která zahrnuje pozici okrajových serverů a načasování rozvrhů úloh, představuje složitý optimalizační problém. Tyto výzvy dále zhoršuje heterogenita úloh internetu věcí a omezení daná mobilitou zařízení. Problémem je také rovnováha mezi výpočetní režií a komunikačními úlohami . K řešení těchto problémů jsou zapotřebí pokročilé metody pro správu zdrojů a dynamické plánování úloh v mobilních prostředích IoT a edge computingu. V tomto článku navrhujeme víceúčelový algoritmus DRL (Deep Reinforcement Learning), nazvaný Double Deep Q-Learning (DDQN) framework rozšířený o časoprostorovou predikci mobility, odlehčení úloh s ohledem na latenci a optimalizaci trajektorie zařízení IoT s energetickým omezením pro sdružené sítě edge computingu. DDQN byl vybrán pro svou optimalizaci stability a snížené nadhodnocování hodnot Q. Rámec využívá optimalizační model založený na odměnách , který dynamicky upřednostňuje úlohy citlivé na latenci, minimalizuje režii migrace úloh, a vyvažuje energetickou účinnost zařízení a okrajových serverů. Integruje algoritmy pro dynamické přidělování zdrojů , které řeší náhodné vzorce příchodu úloh a výpočetní požadavky v reálném čase. Simulace ukazují.

Přiložené soubory

26d.SMPT.A_multi-objective_deep_reinforcement_learning_algorithm_for_spatio-temporal_latency_optimization_in_mobile_IoT_enabled_edge_computing_networks.pdf
Požádat o autorskou verzi souboru