基于深度强化学习的任务卸载和资源分配优化

来源：计算机技术与发展杂志2024年第04期北京时间：

作者：龚亮亮;';张影;';张俊尧;';许之琛;康彬*

单位：1. 国网电力科学研究院有限公司,江苏 南京 210006;2. 南京南瑞信息通信科技有限公司,江苏 南京 210006;3. 南京邮电大学 物联网学院,江苏 南京 210003

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。

关键词：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