Multi-Objective Deep Reinforcement Learning for Efficient Workload Orchestration in Extreme Edge Computing
IEEE Access · 2024 · 12 · 74558-74571
DOI: 10.1109/access.2024.3405411 ↗Kurz gefasst
Fachartikel in der Zeitschrift IEEE Access, 2024. Verfasst von Zahra Safavifar und 3 weiteren Autor:innen. Die Arbeit wurde bisher 13-mal zitiert (Crossref) und nennt 45 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0). Gefördert von: Science Foundation Ireland.
Abstract (Originalsprache)
Kein Abstract verfügbar.
Förderung
- Science Foundation Ireland
Zitieren
APA
Safavifar, Z., Gyamfi, E., Mangina, E., & Golpayegani, F. (2024). Multi-Objective Deep Reinforcement Learning for Efficient Workload Orchestration in Extreme Edge Computing. IEEE Access, 12, 74558-74571. https://doi.org/10.1109/access.2024.3405411
Vancouver
Safavifar Z, Gyamfi E, Mangina E, Golpayegani F. Multi-Objective Deep Reinforcement Learning for Efficient Workload Orchestration in Extreme Edge Computing. IEEE Access. 2024;12:74558-74571. doi:10.1109/access.2024.3405411
BibTeX
@article{Safavifar2024,
author = {Safavifar, Zahra and Gyamfi, Eric and Mangina, Eleni and Golpayegani, Fatemeh},
title = {Multi-Objective Deep Reinforcement Learning for Efficient Workload Orchestration in Extreme Edge Computing},
journal = {IEEE Access},
year = {2024},
volume = {12},
pages = {74558--74571},
doi = {10.1109/access.2024.3405411}
}
EUVIMED