互联网 类型
可以朗读 语音朗读
136千字 字数
2025-11-01 发行日期
展开全部

主编推荐语

云边端协同计算核心技术详解与创新应用。

内容简介

本书系统性地介绍了云边端协同计算所需要的核心技术，主要包括五大部分：

第一部分介绍了云边端协同计算的基础，并详细分析了当前面临的挑战；

第二部分针对大规模动态任务难以高效处理的挑战，介绍基于多智能体强化学习的边端协同计算卸载；

第三部分针对分散异构资源难以充分利用的挑战，介绍基于分布式强化学习的云边协同计算卸载；

第四部分针对异构内容请求难以快速响应的挑战，介绍基于联邦深度强化学习的云边端协同缓存；

第五部分针对联合缓存和卸载难以协同决策的挑战，提出了基于分层强化学习的联合服务缓存和计算卸载。

目录

  • 版权信息
  • PREFACE 前言
  • CHAPTER 1 第1章 云边端协同计算基础
  • 1.1 云边端协同计算概述
  • 1.2 云边端协同计算的挑战
  • 1.3 云边端协同计算技术
  • 1.3.1 边端协同计算卸载
  • 1.3.2 云边协同计算卸载
  • 1.3.3 云边端协同缓存
  • 1.3.4 联合服务缓存和计算卸载
  • 1.4 云边端协同计算的应用
  • 1.4.1 基于多智能体强化学习的边端协同计算卸载
  • 1.4.2 基于分布式强化学习的云边协同计算卸载
  • 1.4.3 基于联邦深度强化学习的云边端协同缓存
  • 1.4.4 基于分层强化学习的联合服务缓存和计算卸载
  • 1.4.5 各个应用之间的关系
  • 1.5 本章小结
  • CHAPTER 2 第2章 深度强化学习基础
  • 2.1 机器学习和深度学习
  • 2.1.1 PyTorch
  • 2.1.2 监督学习、偏差和过拟合的概念
  • 2.1.3 无监督学习
  • 2.1.4 深度学习方法
  • 2.2 强化学习
  • 2.2.1 强化学习框架
  • 2.2.2 强化学习的实验环境Gym
  • 2.2.3 从数据中学习策略的不同设置
  • 2.3 基于价值的深度强化学习方法
  • 2.3.1 Q学习
  • 2.3.2 适应性Q学习
  • 2.3.3 深度Q网络
  • 2.3.4 双重深度Q网络
  • 2.3.5 决斗网络架构
  • 2.3.6 分布式深度Q网络
  • 2.3.7 多步学习
  • 2.3.8 DQN与其他变体的组合
  • 2.4 基于策略梯度的深度强化学习方法
  • 2.4.1 随机策略梯度
  • 2.4.2 确定性策略梯度
  • 2.4.3 自然策略梯度
  • 2.4.4 信任域优化
  • 2.4.5 策略梯度和Q学习的结合
  • 2.5 基于模型的深度强化学习方法
  • 2.5.1 纯基于模型的方法
  • 2.5.2 集成无模型和基于模型的方法
  • 2.6 多智能体强化学习
  • 2.6.1 多智能体强化学习概述
  • 2.6.2 多智能体强化学习的符号表示和构建
  • 2.6.3 多智能体强化学习分类
  • 2.6.4 主要挑战和未来发展趋势
  • 2.7 本章小结
  • CHAPTER 3 第3章 基于多智能体强化学习的边端协同计算卸载
  • 3.1 引言
  • 3.2 边端协同智能计算架构
  • 3.2.1 边端协同计算拓扑结构
  • 3.2.2 计算卸载问题
  • 3.3 基于多智能体强化学习的计算卸载方案
  • 3.3.1 LSTM赋能的决斗DQN算法
  • 3.3.2 神经网络结构
  • 3.3.3 算法训练过程
  • 3.3.4 代码
  • 3.3.5 计算复杂度分析
  • 3.4 性能评估
  • 3.4.1 参数设置和基准方案
  • 3.4.2 算法收敛性能
  • 3.4.3 五种卸载方案的可扩展性
  • 3.5 本章小结
  • CHAPTER 4 第4章 基于分布式强化学习的云边协同计算卸载
  • 4.1 引言
  • 4.2 系统建模和优化问题
  • 4.2.1 MEC架构
  • 4.2.2 服务延迟模型
  • 4.2.3 云边协同计算卸载模型
  • 4.2.4 优化问题建模
  • 4.3 智能计算卸载方案
  • 4.3.1 SAC
  • 4.3.2 CSACO算法实现
  • 4.3.3 DSACO算法实现
  • 4.3.4 代码
  • 4.3.5 计算和通信复杂性分析
  • 4.4 性能评估
  • 4.4.1 参数设置
  • 4.4.2 五种卸载方案的收敛性
  • 4.4.3 五种卸载方案的可扩展性和效率
  • 4.5 本章小结
  • CHAPTER 5 第5章 基于联邦深度强化学习的云边端协同缓存
  • 5.1 引言
  • 5.2 系统模型和优化问题
  • 5.2.1 推荐赋能的边缘缓存架构
  • 5.2.2 内容推荐模型
  • 5.2.3 系统成本模型
  • 5.2.4 缓存替换模型
  • 5.2.5 优化问题
  • 5.3 去中心化的推荐赋能的边缘缓存方案
  • 5.3.1 问题分析与分解
  • 5.3.2 本地请求处理
  • 5.3.3 缓存替换处理
  • 5.3.4 代码
  • 5.3.5 计算复杂度
  • 5.4 性能评估
  • 5.4.1 参数设置和基准方案
  • 5.4.2 收敛性能
  • 5.4.3 不同边缘服务器数量的影响
  • 5.4.4 边缘服务器不同缓存大小的影响
  • 5.4.5 不同数量终端设备的影响
  • 5.4.6 软命中的影响
  • 5.5 本章小结
  • CHAPTER 6 第6章 基于分层强化学习的联合服务缓存和计算卸载
  • 6.1 引言
  • 6.2 系统模型和优化问题
  • 6.2.1 服务缓存模型
  • 6.2.2 计算卸载模型
  • 6.2.3 通信和计算模型
  • 6.2.4 优化问题
  • 6.3 问题分析与分解
  • 6.3.1 案例一：边缘节点不合作
  • 6.3.2 案例二：一个时间片刻内优化
  • 6.3.3 问题分解
  • 6.4 联合服务缓存和计算卸载方案
  • 6.4.1 为什么要分层强化学习
  • 6.4.2 第一阶段：服务缓存处理的边缘智能体
  • 6.4.3 第二阶段：计算卸载处理的中心智能体
  • 6.4.4 JSC2O的分层强化学习
  • 6.4.5 算法复杂度分析
  • 6.4.6 代码
  • 6.5 性能评估
  • 6.5.1 参数设置和基准方案
  • 6.5.2 收敛性能
  • 6.5.3 不同边缘节点数量的影响
  • 6.5.4 不同服务数量的影响
  • 6.6 本章小结
  • 缩略词列表
  • 参考文献
  • 人工智能技术丛书
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。