基于深度强化学习的多用户计算卸载优化模型和算法

来源：电子与信息学报杂志2024年第4期北京时间：

作者：李志华, 余自立

单位：江南大学人工智能与计算机学院 无锡 214122

摘要：在移动边缘计算(MEC)密集部署场景中，边缘服务器负载的不确定性容易造成边缘服务器过载，从而导致计算卸载过程中时延和能耗显著增加。针对该问题，该文提出一种多用户计算卸载优化模型和基于深度确定性策略梯度(DDPG)的计算卸载算法。首先，考虑时延和能耗的均衡优化建立效用函数，以最大化系统效用作为优化目标，将计算卸载问题转化为混合整数非线性规划问题。然后，针对该问题状态空间大、动作空间中离散和连续型变量共存，对DDPG深度强化学习算法进行离散化改进，基于此提出一种多用户计算卸载优化方法。最后，使用该方法求解非线性规划问题。仿真实验结果表明，与已有算法相比，所提方法能有效降低边缘服务器过载概率，并具有很好的稳定性。

关键词：移动边缘计算, 计算卸载, 深度强化学习, 资源分配

基金资助：工业和信息化部智能制造项目(ZH-XZ-180004)，中央高校基本科研业务费专项资金(JUSRP211A41, JUSRP42003)