MEC中卸载决策与资源分配的深度强化学习方法

摘要：

在移动边缘计算(MEC)服务器计算资源有限且计算任务具有时延约束的情况下,为缩短任务完成时间并降低终端能耗,提出针对卸载决策与资源分配的联合优化方法.在多用户多服务器MEC环境下设计一种新的目标函数以构建数学模型,结合深度强化学习理论提出改进的Nature Deep Q-learning算法Based DQN.实验结果表明,在不同目标函数中,Based DQN算法的优化效果优于全部本地卸载算法、随机卸载与分配算法、最小完成时间算法和多平台卸载智能资源分配算法,且在新目标函数下优势更为突出,验证了所提优化方法的有效性.

关键词：移动边缘计算;计算资源;时延约束;卸载决策;资源分配;深度强化学习

所属期刊栏目：47

分类号：TP391(计算技术、计算机技术)

资助基金：宁夏自然科学基金"基于边缘计算的大规模无线传感器网络关键技术研究;在特色农业中的应用"

在线出版日期：2021-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：37-44