摘要：阐述一种基于斯塔克尔伯格博弈的终端用户开销补偿机制,以及邻近服务器空闲资源定价机制。首先,分别为终端用户、边缘服务器和邻近服务器设计效用函数,将三者之间的交互建模为一个三阶段的斯塔克尔伯格博弈。其次,通过反向推导的方法,使终端用户可获得最大效用的卸载数据数量。在此基础上,进一步得到边缘服务器支付给终端用户的最佳报酬以及最佳租借计算资源数量。最后,通过对邻近服务器的效用分析,使其获得最大效用的单位计算资源价格。仿真实验表明,设计的激励机制能使终端用户、边缘服务器、邻近服务器这三方达成斯塔克尔伯格均衡。

摘要：边缘计算(Edge Computing,EC)将计算、存储等资源部署在网络边缘,以满足业务对时延和能耗的要求。计算卸载是EC中的关键技术之一。现有的计算卸载方法在估计任务排队时延时使用M/M/1/∞/∞/FCFS或M/M/n/∞/∞/FCFS排队模型,未考虑高时延敏感型任务的优先执行问题,使得一些对时延要求不敏感的计算任务长期占用计算资源,导致系统的时延开销过大。此外,现有的经验重放方法大多采用随机采样方式,该方式不能区分经验的优劣,造成经验利用率低,神经网络收敛速度慢。基于确定性策略深度强化学习(Deep Reinforcement Learning,DRL)的计算卸载方法存在智能体对环境的探索能力弱和鲁棒性低等问题,降低了求解计算卸载问题的精度。为解决以上问题,考虑边缘计算中多任务移动设备、多边缘服务器的计算卸载场景,以最小化系统时延和能耗联合开销为目标,研究任务调度与卸载决策问题,并提出了基于非抢占式优先排队和优先经验重放DRL的计算卸载方法(Computation Offloading qUeuing pRioritIzed Experience Replay DRL,COURIER)。COURIER针对任务调度问题,设计了非抢占式优先排队模型(M/M/n/∞/∞/NPR)以优化任务的排队时延;针对卸载决策问题,基于软演员-评论家(Soft Actor Critic,SAC)提出了优先经验重放SAC的卸载决策机制,该机制在目标函数中加入信息熵,使智能体采取随机策略,同时优化机制中的经验采样方式以加快网络的收敛速度。仿真实验结果表明,COURIER能有效降低EC系统时延和能耗联合开销。

摘要：针对车载边缘计算环境下车辆移动引起的车载时变信道和任务随机到达问题,提出了一种基于深度强化学习的计算卸载和功率分配方法。首先,设计了双向车道场景下基于非正交多址的“端-边-云”三层卸载模型;接着,结合该模型的通信、计算、缓存资源以及车辆的移动性,进一步确立了车载用户功率和缓存延迟长期累积总成本最小化的联合优化问题;最后,考虑到车载边缘计算网络的动态、时变和随机特性,提出了基于深度确定性策略梯度的分布式智能算法,以获取最优功率分配机制。仿真实验结果显示,相较于传统方法,所提方法在减少总成本方面具有显著优势。

摘要：针对车联网场景下计算任务卸载至远端云中造成的延迟波动和能耗增加问题,搭建了融合软件定义网络和移动边缘计算的车联网系统模型。为了最小化车联网中计算卸载的时延和能耗,设计了一种基于深度强化学习的动态计算卸载策略。该策略从计算任务的能耗和时延这两个维度进行建模,并提出在传统的双延迟深度确定性策略梯度的基础上加入Softmax和优先经验回放的改进算法(SP-TD3)。仿真实验结果表明,设计的计算卸载策略在不同车辆数下对于能耗和时延有较为优越的性能。

摘要：为了解决移动边缘计算网络中不断增加的用户计算需求与有限的计算和通信资源之间的矛盾,以及在处理用户的计算任务时公平性难以得到保证等问题,本文针对基于多天线NOMA(Non-Orthogonal Multiple Access)的移动边缘计算网络,提出了一种保证用户公平性的计算卸载策略.通过联合优化用户的分簇、NOMA簇的解码顺序、用户的发送功率、用户的CPU处理频率和传输时间,建立了一个系统公平计算效率最大化问题.考虑到优化问题的非凸性,将其分解为两个阶段进行求解.在第一个阶段中,设计了一种有效的启发式算法来实现用户的分簇,并根据分簇的结果来确定NOMA簇的解码顺序;在第二个阶段中,提出了一种基于Dinkelbach方法和连续凸逼近(Successive Convex Approximation,SCA)方法的迭代算法来获得用户的发送功率、用户的CPU处理频率和传输时间.仿真结果表明了所提出的方案具有较好的收敛性,且与几个基线方案进行对比,能够实现更加优越的系统性能.

摘要：移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。

摘要：为满足边缘计算场境下用户终端设备对密集型任务处理的低时延和低能耗需求,本文设计了时延模型、能耗模型以及卸载优化模型,给出了一种基于改进型粒子群优化算法的卸载方案,并用实验验证了本文方案的优良性能。首先,对PSO进行了一些改进,提出了改进型的粒子群优化算法(UPSO);其次,将UPSO与遗传算法(Genetic algorithm,GA)结合,提出了一种融合遗传算法的改进型粒子群优化算法(GA-UPSO)求解单用户多任务场景下的卸载决策问题。在Matlab上进行的仿真实验结果表明:本文卸载方案在时延和能耗方面均优于基于遗传算法的卸载方案和基于标准粒子群优化算法的卸载方案。

摘要：在移动边缘计算(MEC)中,计算卸载可以有效缓解资源受限和提高网络服务质量。以任务执行时延、终端能耗和边缘服务器负载率的联合优化为目标,提出面向时延和能耗联合优化的MEC计算卸载策略。构建多目标约束的成本优化模型,引入多变异算子,以迭代关联概率更新变异算子,设计多变异差分进化(MDE)算法求解,实现计算卸载成本最优。为验证MDE算法的有效性,基于Autonomous Systems by Skitter公开数据集构建3个不同规模的实验网络,将MDE算法与随机计算卸载算法、能量优化计算卸载算法、多目标贪婪计算卸载等算法进行对比分析,MDE算法的执行成功率、卸载成功率、服务器负载均衡性分别平均提升了13.23%,12.96%,29.37%,MDE算法能实现MEC中高效、稳定的计算卸载。

摘要：通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题,提出一种基于雾节点协作贡献度的计算卸载算法。首先,对协作可行性、协作公平性和协作稳定性进行了建模设计;其次,定义了协作贡献度和协作贡献比系数;然后,结合雾节点的剩余计算容量阈值和协作贡献度阈值,在满足任务可容忍的最大时延约束下,提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题,使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明,所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销,并且能够在协作可行性、协作公平性之间进行权衡处理。

摘要：为了保障智能网联汽车的低时延通信,利用蜂窝车联网中V2X(vehicle to everything)信道模型、边缘计算技术,研究计算卸载与边缘缓存联合优化策略。设计了一种智能网联汽车计算卸载与边缘缓存协同模型L-DDPG(least-deep deterministic policy gradient),通过对车载本地与边缘计算资源的整合,支持V2X场景下对不同计算任务的分类处理。由边缘平台对车载计算请求进行预判决,确保对连续的计算任务快速响应;结合基于最近最少使用(least recently used,LRU)的边缘缓存策略,实现对新计算任务的高效管理;基于DDPG算法对计算卸载与边缘缓存进行联合卸载决策。仿真结果表明:L-DDPG模型性能优于传统模型,能够有效提升系统的工作效能,在保障业务服务质量的同时降低时延和系统资源消耗。