面向多用户移动边缘计算轻量任务卸载优化

发布时间：2021-01-06 06:41

　　在移动设备资源受限的情况下,移动边缘计算（MEC）通过合理分配边缘服务器和多个移动设备的计算资源来提高移动设备用户的计算体验.然而这种密集计算问题是一种高维的NP难问题,传统机器学习方法在解决该问题的时候并没有良好的效果.本文将最佳计算卸载问题建模为马尔可夫决策过程,目标是最大化长期效用性能,根据队列状态,能量队列状态以及移动用户与基站之间的信道质量做出卸载决策.为了降低状态空间中高维性的问题,提出了应用DDPG的基于候选网络优化ECOO（Edge Computing Optimize Offloading）算法,从而产生一种用于解决随机任务卸载的新型学习算法.通过实验证明,提出的ECOO算法在时延和能耗方面均优于其它传统机器学习方法. 

【文章来源】：小型微型计算机系统. 2020,41(10)北大核心

【文章页数】：7 页

【部分图文】：

多用户移动边缘计算模型

深度强化学习计算卸载过程

神经网络架构


本文编号：2960109