面向大规模多接入边缘计算场景的任务卸载算法.pdfVIP

第47卷第1期电

子

与

信

息

学

报Vol.

47No.

1

2025年1月Journal

of

Electronics

Information

TechnologyJan.

2025

面向大规模多接入边缘计算场景的任务卸载算法

*

卢先领

李德康

(江南大学物联网工程学院

无锡

214122)

摘

要：基于单智能体强化学习的任务卸载算法在解决大规模多接入边缘计算(MEC)系统任务卸载时，存在智能

体之间相互影响，策略退化的问题。而以多智能体深度确定性策略梯度(MADDPG)为代表的传统多智能体算法

的联合动作空间维度随着系统内智能体的数量增加而成比例增加，导致系统扩展性变差。为解决以上问题，该文

将大规模多接入边缘计算任务卸载问题，描述为部分可观测马尔可夫决策过程(POMDP)，提出基于平均场多智

能体的任务卸载算法。通过引入长短期记忆网络(LSTM)解决局部观测问题，引入平均场近似理论降低联合动作

空间维度。仿真结果表明，所提算法在任务时延与任务掉线率上的性能优于单智能体任务卸载算法，并且在降低

联合动作空间的维度情况下，任务时延与任务掉线率上的性能与MADDPG一致。

关键词：多接入边缘计算；任务卸载；强化学习；多智能体算法；平均场近似理论

中图分类号：TN929.5文献标识码：A文章编号：1009-5896(2025)01-0116-12

DOI:

10.11999/JEIT240624

[11]

1引言难以获取系统的全局信息，这些问题为大规模MEC

物联网的快速发展促使智能设备大规模接入网系统任务卸载带来挑战。

络，从而带来了诸多新型应用服务，如虚拟/增强大规模MEC系统的任务卸载问题为近年来的

[1,2]研究热点问题，文献[12]将该场景下的任务卸载问

现实、车联网服务与视频流服务等，这些应用

题描述成非线性混合整数规划模型，并提出一种启

服务对时延极为敏感，因此需要降低时延以提升用

户服务质量(Quality

of

Service,

QoS)。大规模智能发式算法，在多项式时间内获得次优解。文献[13]

[3–5]则建立任务卸载的队列模型，通过Lyapunov优化

设备的接入导致了海量数据产生，在传统的云

方法将多时隙随机规划问题分解成单个时隙内的混

计算模式下，这些海量数据通过网络核心传输至云

合整数规划问题。以上基于启发式搜索与动态规划

计算中心进行计算和存储。然而，云计算模式存在

的求解方式使得计算量巨大并且需要系统的先验知

两方面问题：一方面，海量数据穿越网络核心将增

加网络拥塞程度，导致服务时延增加。另一方面，识。文献[14]使用马尔可夫决策过程描述了单个

MD的任务卸载过程，并