边缘计算任务卸载边缘资源调度论文.docxVIP

边缘计算任务卸载边缘资源调度论文

一.摘要

随着物联网设备和智能终端数量的激增，边缘计算作为一项新兴技术应运而生，旨在通过将计算任务从云端下沉至网络边缘，降低延迟、提升响应速度并优化资源利用率。然而，边缘环境的异构性、动态性和资源受限性为任务卸载和资源调度带来了严峻挑战。本文以工业自动化场景为背景，针对多终端异构环境下边缘计算任务的卸载决策与资源调度问题，提出了一种基于强化学习的动态任务卸载与资源调度协同优化框架。该框架首先通过构建多状态空间和奖励函数，将任务卸载与资源调度问题转化为马尔可夫决策过程（MDP），然后利用深度Q网络（DQN）算法对卸载策略进行离线与在线协同学习，最终实现任务完成时间与系统能耗的帕累托最优。实验结果表明，相较于传统的基于规则的固定卸载策略和启发式优化算法，所提方法在平均任务完成时间、最大延迟和能耗效率指标上分别提升了32%、28%和15%，且对网络波动和设备故障具有更强的鲁棒性。研究结论表明，强化学习驱动的协同优化机制能够有效解决边缘计算环境下的资源调度难题，为未来大规模边缘计算系统的部署与应用提供了理论依据和技术支撑。

二.关键词

边缘计算；任务卸载；资源调度；强化学习；马尔可夫决策过程；异构环境

三.引言

随着物联网（IoT）技术的飞速发展和智能设备的广泛普及，全球范围内产生的数据量正以指数级速度增长。据预测，到2025年，全球物联网设备数量将达到7