基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法
作者:邝祝芳; 陈清林; 李林峰; 邓晓衡; 陈志刚
更新时间:
移动边缘计算(MEC)在网络边缘部署计算、存储和其他资源,以满足某些需要严格延迟的应用。用户设备可以通过无线网络将计算任务全部或部分卸载到边缘服务器执行,从而减少延迟和本地能耗,现有的传统优化算法在MEC卸载决策和资源分配中是可行的,但传统的优化算法不太适合高实时性的MEC系统。深度强化学习可以建立一种不同于传统优化算法的尝试-奖励反馈机制,通过积累经验进行学习,考虑到移动边缘计算网络中的多用户、多任务卸载,本文研究了任务卸载中的卸载决策、任务调度和服务器资源分配。以最小化系统时延、传输能耗和本地能耗为目标,提出了一种基于深度强化学习的多用户多任务下的任务卸载调度和资源分配算法,为了解决任务卸载决策和卸载调度问题,提出了一种基于贪婪策略的流水车间调度算法,下层采用强化学习方法优化服务器资源分配。仿真结果表明,该方法在减少时延和局部能耗方面具有优越的性能