基于深度强化学习的车辆边缘计算任务卸载方法

摘要：

车辆边缘计算允许车辆将计算任务卸载到边缘服务器,从而满足车辆爆炸式增长的计算资源需求.但是如何进行卸载决策与计算资源分配仍然是亟待解决的关键问题.并且,运动车辆在连续时间内进行任务卸载很少被提及,尤其对车辆任务到达随机性考虑不足.针对上述问题,建立动态车辆边缘计算模型,描述为7状态2动作空间的M arkov决策过程,并建立一个分布式深度强化学习模型来解决问题.另外,针对离散—连续混合决策问题导致的效果欠佳,将输入层与一阶决策网络嵌套,提出一种分阶决策的深度强化学习算法.仿真结果表明,所提算法相较于对比算法,在能耗上保持了较低水平,并且在任务完成率、时延和奖励方面都具备明显优势,这为车辆边缘计算中的卸载决策与计算资源分配问题提供了一种有效的解决方案.

关键词：车辆边缘计算、任务卸载、资源分配、深度强化学习

所属期刊栏目：40

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金;山西省研究生教育改革项目;山西省研究生教育改革项目;太原科技大学博士启动基金资助项目;大学生创新创业项目

在线出版日期：2023-10-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2803-2807,2814