基于深度强化学习的任务卸载和资源分配优化

作     者：龚亮亮 张影 张俊尧 许之琛 康彬 GONG Liang-liang;ZHANG Ying;ZHANG Jun-yao;XU Zhi-chen;KANG Bin

作者机构：国网电力科学研究院有限公司江苏南京210006 南京南瑞信息通信科技有限公司江苏南京210006 南京邮电大学物联网学院江苏南京210003 

基　　金：国家自然科学基金面上项目(62171232,62071255,62001248) 国家博士后面上基金(2020M681684) 江苏省高校自然科学重大项目(20KJA510009) 

出 版 物：《计算机技术与发展》 (Computer Technology and Development)

年 卷 期：2024年第34卷第4期

页      码：116-123页

摘      要：移动边缘计算(MEC)可以在网络边缘为用户提供就近的存储和计算服务,从而为移动用户带来低能耗、低时延的优势。该文针对基于超密集网络(UDN)的多用户多MEC场景,从用户侧出发,以最小化用户计算总开销为目的,解决用户在卸载过程中的卸载决策和上传传输功率优化以及MEC计算资源分配问题。具体而言,考虑到该问题是一个具有NP-hard性质的MINLP问题,该文将该问题分解为两个子问题并通过两个阶段的方式进行求解。首先在第一个阶段设计了一种基于深度强化学习(DQN)的任务卸载决策来解决任务卸载子问题,然后在第二个阶段分别使用KKT条件以及黄金分割算法解决MEC计算资源分配和上行传输功率的优化问题。仿真结果表明,所提方案在保证用户时延约束的前提下,有效降低了用户的计算开销,提升了系统性能。

主 题 词：超密集网络 移动边缘计算 任务卸载 资源分配 深度强化学习 

学科分类：08[工学] 0835[0835] 081202[081202] 0812[工学-测绘类] 

D　O　I：10.20165/j.cnki.ISSN1673-629X.2024.0018

馆 藏 号：203127397...