边缘计算与物联网是什么关系
边缘计算和物联网（IoT）有密切的关系。物联网是指通过网络将各种物理设备连接在一起，共享并交换数据。边缘计算则是一种处理和分析数据的方法，该方法将数据处理的工作负荷从数据中心或云转移到离数据源更近的地方——即"边缘"。
物联网设备（如传感器或嵌入式设备）产生了大量的数据，这些数据通常需要发送到云端进行存储和分析。然而，随着物联网设备数量的增加和数据量的爆炸式增长，这种模式可能会导致网络延迟、数据传输成本增加，以及对数据中心的巨大负荷。
这就是边缘计算派上用场的地方。通过在网络的边缘（即接近物联网设备的地方）进行数据处理和分析，我们可以减少对网络带宽的需求，降低延迟，提高数据处理的速度，同时保护数据的隐私和安全。在一些需要快速响应或在网络连接不稳定的情况下，边缘计算是非常有价值的。
例如，在一个大型制造工厂中运行一个全自动生产线。生产线上的每个机器都有许多传感器，这些传感器会实时生成大量数据，例如温度、压力、振动、声音等。这些数据对于监控设备的性能、预测设备故障、优化生产过程等都是非常有价值的。
然而，如果将所有这些数据发送到云端进行处理和分析，那么可能会面临网络延迟、数据传输成本、数据安全等问题。而且，在一些需要快速反应的情况下，云计算可能无法满足需求。例如，如果一个重要的机器即将故障，需要尽快得知这个信息，以便尽快采取行动。
这就是边缘计算能够帮助你的地方。通过在生产线上的数据采集设备（或者称为边缘设备）进行数据处理和分析，你可以实时获取重要的信息，以便快速做出决策。同时，你还可以减少对网络带宽的需求，降低数据传输成本，提高数据安全性。
此外，边缘计算还可以帮助你实现更高级的功能，例如使用机器学习算法进行预测维护。你可以将训练好的模型部署到边缘设备上，然后使用实时数据进行预测。这样，你可以在问题出现之前就获得警告，从而避免停机或设备损坏。
总的来说，物联网和边缘计算是一种强大的组合，可以帮助我们更有效地处理和利用大量的设备数据，以实现更智能、更高效的系统和服务。
边缘计算中使用多智能体DRL进行的计算卸载算法
1、文章概述1.1、文章信息CCF-BACMTransactionsonSensorNetworks
1.2、文章介绍计算卸载决策涉及联合和复杂的资源管理，所以使用部署在物联网设备上的多个深度强化学习代理来指导自己的决策。此外，使用联邦学习以分布式方式训练DRL的agent，旨在使基于DRL的决策实际可行，并进一步降低物联网设备和边缘节点之间的传输成本。文章作者研究了计算卸载优化问题，证明了该问题是一个np-hard问题，然后基于DRL和FL提出了一个卸载算法。
这种优化算法具备以下优势：有利于通信传输、对动态环境的适应性、不仅在时间段内优化系统而且会考虑长期效益。
作者使用联邦学习（FL）来进行DRL代理的训练过程，以共同分配通信和计算资源。具体而言，主要贡献有三个方面：
研究了计算卸载问题，证明其是np-hard问题设计了计算卸载和能量分配决策算法；该算法基于联邦学习进行训练，使得每个物联网设备收集的数据在本地分析处理实现了隐私保护进行了算法评估，证明与集中式训练方法相比具有有效性问题：与集中式训练方法相比是否有更好的速度？
2、背景2.1、深度强化学习由于强化学习（RL）技术通常应用于小数据空间，因此使用RL处理高维数据是困难的。然而，深度强化学习（DRL）通过将深度学习的高维输入与RL相结合解决了这个问题。
2.2、联邦学习由google提出的联邦学习，它允许多个终端设备在本地数据上进行训练，然后只需要将更新上传到云。
过程：
1）终端设备从云中下载共享模型，然后根据本地数据训练模型
2）通过加密传输将更新传输到云中。
3）云根据来自多个终端设备的更新来集成共享模型。
由于用户数据在整个过程中始终存储在终端设备本地，因此可以避免大量数据传输到云端，从而减轻数据传输压力，保护数据隐私。
但在实际应用中，仍然存在一些问题。一方面，样本数据将以极不均匀的方式分布在大量终端设备中。另一方面，终端设备的传输速度较慢，特别是数据上传速度会限制整体性能。
为了解决这些问题，谷歌开发了一种算法联邦平均，以减少训练深度神经网络时的网络要求，并通过使用随机旋转和量化来压缩更新，以减少传输的数据量。此外，设计了一种联邦优化算法来优化高维稀疏凸模型。
2.3、边缘计算略
3、系统模型3.1、概述IOT设备生成的计算任务被建模为
μ代表卸载任务所需的传输数据大小
v代表处理任务所需的CPU周期数
3.2、系统模型描述3.2.1、系统模型体系结构IOT设备需要在epochi中做出一个动作集合
其中C代表卸载决策，具体由0、1、2……N（0代表本地执行，1-N代表在编号为n的EN上执行）
e代表分配的能量单位数量，其影响CPU频率和IOT设备的数据传输速率
3.2.2、本地执行本地执行的时间约束：
后者是执行一个任务的速率
本地执行的时间消耗如下：
3.2.3、EN上执行另Si代表epochi开始的IOT和EN之间的连接状态改变EN延迟表示为σ无线信道传输速率：其中，P表示IOT设备u和的传输速率
数据传输的时间消耗：另外，作者根据其他论文发现保持传输速率恒定可以实现最小传输时间，所以最小传输时间求解为：
任务在EN上的执行延迟：为避免实际操作中EN资源的额外使用，设置的额外成本3.2.4、更新系统模型参数任务执行延迟可以表示如下：
考虑并非所有任务生成后都能被立即执行，因此使用如下来表示在epochi下的排队延迟：4、联邦学习协调下的策略训练4.1、问题建模使用Xi代表epochi中的IoT设备的网络环境，IoT设备在epoch的初始时段做出卸载决策并决定分配的能量单元数量。
策略定义为Φ，长期效用定义为：
u(.)代表在epochi中的短期效用，该优化策略可以根据目标进行个性化。例如，如果低延迟是系统中最重要的指标，则可以调整任务执行延迟di和任务排队延迟Pi的权重以改变整个效用中的延迟比例。
4.2、复杂性分析略
4.3、在边缘计算中使用联邦学习的原因作者使用DDQN来解决计算卸载中的最大化长期效用问题。但尽管DDQN可以进行高效决策，但会消耗很多计算资源，所以如何训练需要考虑：
如果agent在EN上训练存在问题：IoT设备与EN之间传输数据，增加无线信道传输压力传输数据不利于隐私保护就算隐私信息可以通过某种方式去除，但会破坏数据完整性，影响训练效果如果在本地单独训练存在问题训练每个DRL的agent花费时间太长每个Agent单独训练耗费能量更多基于以上原因，作者采用分布式方式训练DRL
4.4、基于联邦学习的计算卸载DRL训练FederatedLearning-BasedDRLTrainingaboutComputationOffloading
步骤简述：
初始化ENs集合N，IoT设备集合D
随机选取m个IoT设备执行迭代：
对于设备d执行迭代：
从关联EN获取DRL代理权重并赋给自身
获取本地数据并利用其训练agent
上传更新参数到EN
对于EN执行迭代：
接收更新参数进行聚合
4.5、联邦学习策略理论分析（略）5、性能评价5.1、实验设置5.2、探索概率分析经过分析，作者进行了百次实验采集静校正量。
5.3、任务生成概率分析任务生成概率作为一个设置参数被用来做比较，以评判算法在高负载情况下的表现，实验数据表明在任务生成概率很高（0.9）时候算法仍然具有很高的效用值（utilityvalue）
5.4、能量生成概率分析原因：IoT的部署条件差异会导致不同的能量生成概率
通过实验表明，能量生成概率越高，有越多的任务被分配到EN上执行，也就是说EN会消耗更多的能量，但会获得更高的任务处理能力。
5.5、IoT设备数量分析原因：接入的IoT数量难以确定，所以需要做实验对比不同IoT设备下的实验数据
结论：
不同数量IoT设备的早期都呈现上升趋势，后期都趋于稳定同时也有不同点：IoT设备较少时，早期效用增长相对缓慢所有的效用在后期都会稳定在同一水平，但不同数量的IoT设备会对效用的标准差产生影响，数量越少标准差越大、性能趋于越稳定早期IoT设备越多，性能越好；但在训练收敛之后，物联网设备越多，性能就越差。原因见论文物联网设备越多，训练时的收敛速度越快，即早期性能越好。但经过训练聚合后，不同数量的IoT设备的性能趋于同一水平。
5.6、能量消耗分析基于FL的DRL训练和集中式DRL训练的能耗都高于贪婪策略。原因可能是使用更多的能量减少任务丢弃的数量和任务执行延迟。
提出的算法可能导致更高的能量消耗，这可能是由于用于本地执行或数据传输的更高功率。在这种情况下，尽管能量消耗可能处于高水平，但是在时间延迟、任务丢弃的数量等方面有所改善。
5.7、系统模型中关键指标比较5.7.1、任务执行延迟Def：任务从离开任务队列到完成的时间，包含建立连接时间+传输任务数据时间+执行任务时间
5.7.2、排队延迟Def：任务放入任务队列到任务去除所花费的时间
5.7.3、任务丢弃次数Def：队列中新生成的任务数量达到上限时丢失的任务数量
5.7.4、卸载成本
Def：使用EN所需成本
5.8、计算卸载性能分析
略
6、结论有待解决：
在未来，我们将深入研究是否有关于DRL的模型压缩技术，以及如何以细粒度的方式调度基于FL的DRL训练。
离散制造和流程制造的区别是什么
根据生产对象在生产过程中的工业特点，可以把工业分为连续性生产和离散性生产。
在连续性生产过程中，物料均匀、连续地按一定工业顺序运动，如化工（塑料、药品、肥皂、肥料等）、炼油、冶金、冲洗胶片等，都是连续性生产的典型例子。
而另一类产品，如汽车、柴油机、电视机、洗衣机等，产品是由离散型的零部件装配而成的，零部件以各自的工艺程通过各个生产环节，物料运动呈离散状态，因此将其称作离散性生产，因为这类制成品都是先加工出零件，再将零件装配成产品，所以又将其称为加工——装配式生产。
1、离散制造
离散型生产企业主要是指一大类机械加工企业。它们的基本生产特征是机器(机床)对工件外形的加工,再将不同的工件组装成具有某种功能的产品。由于机器和工件都是分立的,故称之为离散型生产方式。如汽车制造、飞机制造、电子企业和服装企业等。离散制造的产品往往由多个零件经过一系列并不连续的工序的加工最终装配而成。加工此类产品的企业可以称为离散制造型企业。例如火箭、飞机、武器装备、船舶、电子设备、机床、汽车等制造业，都属于离散制造型企业。
2、流程制造
流程制造是指被加工对像不间断地通过生产设备，通过一系列的加工装置使原材料进行化学或物理变化，最终得到产品。
流程制造包括重复生产（RepetitiveManufacturing）和连续生产（ContinuousManufacturing）两种类型。重复生产又叫大批量生产，与连续生产有很多相同之处，区别仅在于生产的产品是否可分离。重复生产的产品通常可一个个分开，它是由离散制造的高度标准化后，为批量生产而形成的一种方式；连续生产的产品是连续不断地经过加工设备，一批产品通常不可分开。
流程制造是通过一条生产线将原料制成成品，比如集成电路、药品及食品/饮料制造等。这个行业关心的是如何在与分销商和零售商打交道的过程中降低成本。
3、离散式制造的特点：
从产品形态来说，离散制造的产品相对较为复杂，包含多个零部件，一般具有相对较为固定的产品结构和零部件配套关系。从产品种类来说，一般的离散制造型企业都生产相关和不相关的较多品种和系列的产品。这就决定企业物料的多样性。
从加工过程看，离散制造型企业生产过程是由不同零部件加工子过程或并联或串连组成的复杂的过程，其过程中包含着更多的变化和不确定因素。从这个意义上来说，离散制造型企业的过程控制更为复杂和多变。
离散制造型的企业的产能不像连续型企业主要由硬件(设备产能)决定，而主要以软件(加工要素的配置合理性)决定。同样规模和硬件设施的不同，离散型企业因其管理水平的差异导致的结果可能有天壤之别，从这个意义上来说，离散制造型企业通过软件(此处为广义的软件，相对硬件设施而言)方面的改进来提升竞争力更具潜力。
如果说MES对连续工业作用是辅助性的(因其加工流程的刚性，通过软件对其生产周期改进效果甚微)，则对于离散制造型企业则是起到决定性的作用，虽然具体到某一个零件或部件加工工艺过程具有一定刚性，但多个零部件关连、组合、配套则决定了其柔性，因此整个过程是可以优化的，制造周期是可以有效缩短的。
4、流程式制造特点：
生产计划方面，计划制定简单，常以日产量的方式下达计划，计划也相对稳定，生产设备的能力固定。
生产过程控制方面，工艺固定，工作中心的安排符合工艺路线。
通过各个工作中心的时间接近相同，工作中心是专门生产有限的相似的产品，工具和设备为专门的产品而设计，物料从一个工作点到另外一个工作点使用机器传动，有一些在制品库存，生产过程主要专注于物料的数量、质量和工艺参数的控制，生产领料常以倒冲的方式进行。