基于改进的DDQN算法的移动边缘计算可分割任务动态卸载.pdfVIP

摘要

移动边缘计算（MobileEdgeComputing，MEC）作为一种新兴的分布式计算

模式，旨在通过将计算能力和存储资源部署在网络边缘，以减轻用户设备的计算

压力。与传统的中心化云计算相比，MEC架构缩短了数据在网络中的传输距离，

从而为实时性的应用提供了理想的支持。尽管MEC带来了这些显著优势，但其应

用过程中亦面临一系列的挑战。一方面，MEC环境中的资源是有限的，同时这些

资源需要在大量用户之间实现共享。另一方面，任务的复杂性以及用户对实时性

响应的需求在不断提高。因此，如何高效地利用环境资源以快速实现任务最优卸

载，成为了MEC应用中一个至关重要且复杂的问题。为解决这个问题，本文研发

一种新的任务动态卸载方案。在面向端-边协同的计算背景下，本文研究的重点内

容包括：

1)改进DDQN算法基于单服务器单用户MEC任务动态卸载研究。首先，本

文通过马尔可夫决策过程（MarkovDecisionProcess，MDP）对可分割任务的卸载

决策进行了建模。接着，本文构建了一个多目标优化模型，旨在最小化任务的时

间延迟和能量消耗。最后，本文提出了一种基于双重深度Q网络（DoubleDeep

Q-NetworkDDQNSQ-PERself-adaptiveQ-networkPrioritized

，）的改进算法，即（

ExperienceReplay）算法。该算法优化了经验回放技术，通过给不同经验赋予不同

-

的优先级，从而显著提升了算法的学习效率。同时，该算法改进了传统的贪心

探索策略，通过时序差分误差自适应地调整值，从而避免算法陷入局部最优解

以提高其性能。最终模拟结果显示，SQ-PER算法能够更好地利用MEC环境资源

进行任务卸载，并显著降低了任务的时间延迟和能量消耗。

2)改进DDQN算法基于多服务器多用户MEC任务动态卸载研究。首先，本

文构建了一个包含多个服务器和多个用户设备的MEC环境。它由多个地理位置分

散且具有异构计算能力的服务器节点、上传信道、下载信道和多种类型的用户设

备组成。接着，为了有效应对数据量庞大的计算任务所带来的处理速度瓶颈问题，

本文引入了一种具有依赖性的任务分割模型。该模型的核心设计理念是将原本具

有依赖性且计算量巨大的任务拆解为一系列更小的、易于并行处理的子任务单元。

这种改进方式可以让每个子任务都能被合理地卸载到不同的节点上并行执行，从

而进一步降低了任务的时间延迟。最终仿真结果表明，SQ-PER算法不仅能显著降

低任务的时间延迟和能量消耗，而且其性能在多服务器多用户的复杂MEC场景表

现更为优异。

Q

关键词：移动边缘计算，可分割任务动态卸载，改进的双重深度网络算法，自

适应-贪心探索策略，优先级经验回放技术

I

Abstract

MobileEdgeComputing(MEC),asanemergingdistributedcomputingparadigm,

aimstoalleviatethecomputationalburdenonuserdevicesbydeployingcomputingand

storageresourcesatthenetworkedge.Comparedtotraditionalcentralizedcloud

computing,theMECarchitectureshortensthedatatransmissiondistanceinthenetwork,

providingidealsupportforreal-timeapplications.AlthoughMECbringsthese

sig