EURASIP Journal on Wireless Communications and Networking

Phân cụm, một phương pháp học máy truyền thống, đóng vai trò quan trọng trong phân tích dữ liệu. Hầu hết các thuật toán phân cụm phụ thuộc vào một số lượng cụm chính xác đã được xác định trước, trong khi trên thực tế, số lượng cụm thường là không thể đoán trước. Mặc dù phương pháp Khuỷu tay là một trong những phương pháp thường được sử dụng để phân biệt số cụm tối ưu, nhưng việc xác định số lượng cụm dựa vào việc nhận diện thủ công các điểm khuỷu tay trên đường cong hình ảnh. Do đó, các nhà phân tích có kinh nghiệm không thể xác định rõ ràng điểm khuỷu tay từ đường cong được vẽ khi đường cong này khá mượt mà. Để giải quyết vấn đề này, một phương pháp phân tích điểm khuỷu tay mới được đề xuất nhằm tạo ra một chỉ số thống kê ước lượng số lượng cụm tối ưu khi phân cụm trên một tập dữ liệu. Đầu tiên, độ trung bình của độ méo được thu được từ phương pháp Khuỷu tay được chuẩn hóa trong khoảng từ 0 đến 10. Thứ hai, các kết quả đã chuẩn hóa được sử dụng để tính toán cosin của các góc giao nhau giữa các điểm khuỷu tay. Thứ ba, cosin của các góc giao nhau đã tính toán và định lý arccosine được sử dụng để tính toán các góc giao nhau giữa các điểm khuỷu tay. Cuối cùng, chỉ số của các góc giao nhau tối thiểu đã được tính toán giữa các điểm khuỷu tay sẽ được sử dụng như một ước lượng cho số lượng cụm tối ưu tiềm năng. Các kết quả thực nghiệm dựa trên các tập dữ liệu mô phỏng và một tập dữ liệu công cộng nổi tiếng (Tập dữ liệu Iris) đã cho thấy số lượng cụm tối ưu được ước lượng từ phương pháp mới đề xuất của chúng tôi cao hơn so với phương pháp Silhouette được sử dụng rộng rãi.

Điện toán biên di động (MEC) mới đây nổi lên như một giải pháp đầy hứa hẹn nhằm giảm bớt gánh nặng cho các thiết bị di động có tài nguyên hạn chế khỏi các tác vụ yêu cầu tính toán nặng, cho phép các thiết bị gửi tải công việc đến các máy chủ MEC gần đó và cải thiện chất lượng trải nghiệm tính toán. Trong bài báo này, một hệ thống MEC hỗ trợ nhiều người dùng với đầu vào và đầu ra đa điểm (MIMO) với các kênh vô tuyến ngẫu nhiên và sự xuất hiện của tác vụ được xem xét. Để tối thiểu hóa chi phí tính toán trung bình lâu dài về mức tiêu thụ năng lượng và độ trễ bộ đệm ở mỗi người dùng, một chiến lược phân bổ tính toán động dựa trên học tăng cường sâu (DRL) được điều tra nhằm xây dựng một hệ thống có thể mở rộng với phản hồi hạn chế. Cụ thể, một phương pháp DRL dựa trên không gian hành động liên tục có tên là độ dốc chính sách xác định sâu (DDPG) được áp dụng để học các chính sách phân bổ tính toán phân tán tại mỗi người dùng tương ứng, trong đó năng lượng thực hiện cục bộ và tải công việc sẽ được phân bổ thích ứng theo quan sát địa phương của mỗi người dùng. Kết quả số cho thấy chiến lược dựa trên DDPG đề xuất có thể giúp mỗi người dùng học được một chính sách phân bổ động hiệu quả và cũng xác nhận tính ưu việt của khả năng phân bổ năng lượng liên tục của nó so với các chính sách được học bởi các phương pháp học tăng cường truyền thống dựa trên không gian hành động rời rạc như mạng Q sâu (DQN) cũng như một số chiến lược tham lam khác với chi phí tính toán giảm. Bên cạnh đó, sự trao đổi giữa năng lượng và độ trễ cho việc phân bổ tính toán cũng được phân tích cho cả các chiến lược dựa trên DDPG và DQN.