표제지
목차
국문초록 11
Ⅰ. 서론 13
Ⅱ. 관련 연구 16
2.1. 차량 환경에서의 지상 엣지 컴퓨팅 16
2.2. 차량 환경에서의 무인 항공기 엣지 컴퓨팅 18
2.3. 본 연구의 의의 및 모델별 활용 방안 19
Ⅲ. 시스템 모델 21
Ⅳ. 단일 에이전트 환경 로드 밸런싱 모델 28
4.1. Q-Learning 기반 태스크 마이그레이션 28
4.1.1. 목표 설정 및 MDP 정의 29
4.1.2. 실험 및 성능 평가 31
4.2. 심층 Q 네트워크 기반 태스크 마이그레이션 36
4.2.1. 목표 설정 및 MDP 정의 37
4.2.2. 실험 및 성능 평가 39
Ⅴ. 다중 에이전트 환경 로드 밸런싱 모델 42
5.1. 목표 설정 및 MDP 정의 43
5.2. 실험 및 성능 평가 46
Ⅵ. 결론 및 향후 계획 51
참고문헌 53
ABSTRACT 57
〈Table 1〉 Experiment parameters (1) 32
〈Table 2〉 Experiment parameters (2) 47
[Figure 1] Single agent UAV edge computing system 21
[Figure 2] Multi-agent UAV edge computing system 22
[Figure 3] Experimental environment of Q-Learning based task migration algorithm 31
[Figure 4] Load variance of UAV MECs varying vehicle speeds 33
[Figure 5] Total residual energy with varying vehicle speeds 34
[Figure 6] Delay constraint satisfaction rate with varying vehicle speeds (1) 34
[Figure 7] Communication overhead with varying vehicle speeds 35
[Figure 8] Experimental environment of DQN based task migration algorithm 39
[Figure 9] Load deviation of UAV MECs with varying migration threshold of UAV MECs 40
[Figure 10] Average service delay with varying migration threshold of UAV MECs 41
[Figure 11] Load deviation of UAV MECs with varying vehicle density 41
[Figure 12] Multi-agent UAV MEC system with federated server 42
[Figure 13] Experimental environment of Federated DQN based task migration algorithm 46
[Figure 14] Load deviation of UAV MECs with varying vehicle speeds 49
[Figure 15] Residual energy deviation of UAV MECs with varying vehicle speeds 49
[Figure 16] Delay constraint satisfaction rate with varying vehicle speeds (2) 50