基于深度学习的移动边缘计算任务调度结题报告.docVIP

基于深度学习的移动边缘计算任务调度结题报告

一、研究背景与问题提出

随着5G通信技术的普及和物联网设备的爆发式增长，移动边缘计算（MobileEdgeComputing,MEC）作为一种新型计算范式，通过将计算资源下沉到网络边缘，有效解决了传统云计算中存在的高延迟、带宽压力大等问题，为智能交通、远程医疗、工业互联网等实时性要求高的应用场景提供了关键支撑。然而，MEC环境下的任务调度面临着诸多挑战：一方面，边缘节点的计算资源、存储资源和能量资源相对有限且分布不均；另一方面，移动设备的移动性、任务的异构性（如计算密集型、延迟敏感型、带宽密集型等）以及网络环境的动态变化，使得传统的任务调度算法（如基于贪心、遗传算法、粒子群算法等）难以在复杂多变的场景中实现全局最优的调度效果。

深度学习（DeepLearning,DL）作为人工智能领域的核心技术，具备强大的特征提取和复杂模式学习能力，能够从海量的历史数据中挖掘出隐藏的规律，为解决MEC任务调度的动态性和复杂性问题提供了新的思路。近年来，国内外研究者开始探索将深度学习与MEC任务调度相结合，但现有研究仍存在一些不足：多数研究仅针对单一优化目标（如延迟最小化、能耗最小化）进行建模，忽略了多目标之间的耦合关系；部分研究未充分考虑边缘节点的资源动态变化和移动设备的移动性，导致调度策略的适应性较差；此外，深度学习模型的训练效率和实时性也有