原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
2025年3月15日现代电子技术Mar.2025
第48卷第6期ModernElectronicsTechniqueVol.48No.6
45
45
DOI：10.16652/j.issn.1004⁃373x.2025.06.007
引用格式：雷雪梅，张贺同.移动边缘计算中融合注意力机制的DRL工作流任务卸载算法[J].现代电子技术，2025，48（6）：45⁃51.
移动边缘计算中融合注意力机制的DRL
工作流任务卸载算法
12
雷雪梅，张贺同
（1.北京科技大学信息化建设与管理办公室，北京100083；2.北京科技大学自动化学院，北京100083）
摘要：移动边缘计算的计算密集型任务多为工作流任务，传统方法在解决工作流任务卸载问题时很难充分考虑子任
务之间的依赖关系，并且计算卸载算法性能不佳。为了解决以上问题，将工作流任务卸载问题建模为马尔可夫决策过程下
的最优策略问题，构建问题的状态空间、动作空间和奖励函数。以最小化工作流任务的任务完成时间和系统能耗为目标，提
出一种融合注意力机制的基于深度强化学习（DRL）的工作流任务卸载算法（DWTOAA）。该方法使用分段式奖励函数来提
高模型训练速度，并结合注意力机制提高算法对工作流任务终止执行状态的识别能力。实验结果表明，DWTOAA方法相较
于DRL算法具有更快的训练速度，同时在求解不同子任务数的工作流任务时，DWTOAA得到的卸载决策均具有更少的任务
完成时间和系统能耗。
关键词：移动边缘计算；注意力机制；工作流任务；任务卸载；深度强化学习；马尔可夫决策过程；系统能耗
中图分类号：TN929.5⁃34文献标识码：A文章编号：1004⁃373X（2025）06⁃0045⁃07
DRLworkflowtaskoffloadingalgorithmwithattentionmechanisminMEC
12
LEIXuemei,ZHANGHetong
(1.OfficeofInformationTechnology,UniversityofScienceandTechnologyBeijing,Beijing100083,China;
2.SchoolofAutomationandElectric
文档评论（0）