摘要：随着近地轨道(Low Earth Orbit,LEO)卫星网络和移动边缘计算(Mobile Edge Computing,MEC)技术的发展,通过在LEO卫星上部署MEC服务器,可以为缺乏计算资源的偏远地区提供计算卸载服务。然而,随着地面用户数量的不断增加,天地融合网络中的计算卸载场景变得越发复杂。现有研究难以应对任务复杂、到达率较高的场景,针对上述问题,在现有算法的基础上,提出了一种基于深度强化学习(Deep Reinforcement Learning,DRL)的并行计算卸载(DRL-based Parallel Computation Offloading,DPCO)算法。该算法以最小化计算卸载平均时延为优化目标进行建模,考虑了阿姆达尔定律对计算性能的影响,并对星上服务器的计算资源进行划分,以实现多任务并行处理的功能。此外,DPCO算法将模型转换为马尔可夫决策过程(Markov Decision Process,MDP),并使用A2C(Advantage Actor-Critic)算法对其进行求解。通过仿真实验验证了DPCO算法性能,结果表明该算法有效地解决了现有算法的缺陷,可为天地融合网络中的计算卸载算法设计提供参考和帮助。