边缘计算任务卸载优化智能决策论文.docxVIP

边缘计算任务卸载优化智能决策论文

一.摘要

随着物联网设备的激增和实时性需求的提升，边缘计算已成为分布式数据处理的关键技术。边缘计算通过将计算任务从中心云迁移至网络边缘，有效降低了延迟、带宽消耗和隐私风险。然而，边缘资源的有限性和任务卸载决策的复杂性，使得如何优化任务卸载策略成为研究焦点。本研究以工业自动化场景为背景，针对多边缘节点协同处理异构任务的挑战，提出了一种基于强化学习的动态卸载决策模型。该模型通过构建状态-动作-奖励（SAR）学习框架，结合深度Q网络（DQN）与优先经验回放机制，实现了对任务卸载路径和资源分配的智能优化。实验结果表明，与传统的轮询调度和静态分配策略相比，所提模型在平均任务完成时间、能耗效率和资源利用率方面分别提升了23%、18%和15%，且在动态负载波动下展现出更强的鲁棒性。研究结论表明，强化学习能够有效解决边缘计算中的任务卸载优化问题，为大规模异构任务处理提供了新的解决方案。

二.关键词

边缘计算；任务卸载；强化学习；动态决策；资源优化；工业自动化

三.引言

边缘计算作为连接云计算与物理世界的桥梁，近年来在智能交通、工业物联网、智慧医疗等领域展现出巨大的应用潜力。传统云计算模式虽然具备强大的计算和存储能力，但其固有的高延迟、大带宽开销以及数据传输过程中的隐私泄露风险，难以满足实时性要求严苛的应用场景。例如，在自动驾驶系统中，车辆需要基于周围环境感知数据进