協力的なマルチアクセスエッジコンピューティングエコシステムのディープQネットワークに基づくジョブショップのスケジューリング問題への新しいアプローチ

この研究では、マルチアクセスエッジコンピューティング（MEC）に基づいて、製造プロセスを協力する可能性を提供しました。この方法に、補強学習モデルであるDQN（Deep Q-Network）を適用して、ジョブショップのスケジューリング問題を解決しようとしました。ここでは、コンピューティングリソースの過負荷を軽減するために、転送学習データを使用した実験に効率的なDQNが使用されました。さらに、クラウドセンターの助けを借りずに製造プロセスのエッジコンピューティングエコシステムでスケジューリング研究を実施しました。スケジューリング処理が実行される環境であるクラウドコンピューティングは、セキュリティの問題や通信遅延時間など、一般的な製造プロセスに敏感な問題を抱えており、さまざまな分野で研究が行われています。それらを置き換えることができます。マルチアクセスエッジコンピューティング構造内のエッジデバイス間の協力的なスケジューリングを通じて、ネットワークのエッジで独立してスケジューリングを実行する方法を提案しました。提案されたフレームワークは、ソリューションとサービスを提供するという点で、評価、分析、および既存のフレームワークと比較されました。

In this study, based on multi-access edge computing (MEC), we provided the possibility of cooperating manufacturing processes. We tried to solve the job shop scheduling problem by applying DQN (deep Q-network), a reinforcement learning model, to this method. Here, to alleviate the overload of computing resources, an efficient DQN was used for the experiments using transfer learning data. Additionally, we conducted scheduling studies in the edge computing ecosystem of our manufacturing processes without the help of cloud centers. Cloud computing, an environment in which scheduling processing is performed, has issues sensitive to the manufacturing process in general, such as security issues and communication delay time, and research is being conducted in various fields, such as the introduction of an edge computing system that can replace them. We proposed a method of independently performing scheduling at the edge of the network through cooperative scheduling between edge devices within a multi-access edge computing structure. The proposed framework was evaluated, analyzed, and compared with existing frameworks in terms of providing solutions and services.