面向边缘计算的一种基于深度强化学习的计算卸载策略.pdfVIP

第13期无线互联科技No.13

2024年7月WirelessInternetScienceandTechnologyJuly,2024

面向边缘计算的一种基于深度强化学习的计算

卸载策略

程耀东,田润鑫

(西京学院,陕西西安710123)

摘要:随着移动边缘计算(MobileEdgeComputing,MEC)的兴起,为解决资源受限的移动设备,文章提

出了一种有前景的解决方案,主要研究了一种利用深度强化学习(DRL)技术的动态任务卸载策略,该

策略针对离散事件进行了特别设计,同时提出一种优化后的DDPG算法的连续动作空间DRL方法,利

用此方法,独立地为每位移动用户定制了高效的计算卸载策略,实现了在用户端的本地计算与边缘计

算之间的智能决策。通过仿真实验结果可以看出每个用户可以根据对MEC系统的局部观测,自适应

地分配本地执行和任务卸载的功率。

关键词:移动边缘计算;深度强化学习;离散动态任务卸载

中图分类号:TN915.65文献标志码:A

0引言系统的局部观测,在每个移动用户处独立学习动态计

随着移动互联网与物联网的迅猛发展,数据的产算卸载策略。此外,本文与现有研究中其他基于DRL

生及处理正逐渐向网络边缘转移,进一步推动了移动的策略在离散动作空间中进行决策不同,旨在提升各

边缘计算的兴起,移动边缘计算作为一种新型的计算个移动用户节点在执行本地计算与进行任务卸载时

范式,通过将计算任务下沉到网络边缘,显著减少了的功率分配策略,从而实现对能耗和延迟的优化

数据的传输延迟,也大幅提高了处理效率,基于此,为管理。

众多应用(如实时音视频处理、智能交通及智能制造1移动边缘计算的动态计算卸载

等