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
UT WoS
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
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 23. 1. 2026 13:26, Mgr. Jitka Štruncová
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.