基于PER-MATD3的任务卸载和资源优化方法

来源：计算机技术与发展杂志2024年第12期北京时间：

作者：王宇轩;;鲍海洲;*;喻国荣;;聂雷;;陈民浩;

摘要：移动边缘计算(MEC)通过在网络边缘设立边缘服务器,为终端用户设备就近提供更加充足的计算与存储资源,满足了新兴应用的时延与能耗需求。 该文研究了移动边缘计算中多用户的任务卸载策略、计算能力与功率分配的联合优化,该问题为混合整数非线性规划问题。 该文将其表示为一个多智能体马尔可夫决策过程(MAMDP)以最小化系统成本。为了解决该问题,提出一个结合优先经验回放的多智能体双延迟深度确定性策略梯度(PER-MATD3)的算法,该算法缓解了值函数的高估问题,增加了学习效率。 此外,设计了一个卸载动作生成算法将输出的连续动作重构转化为离散卸载动作,并保证了卸载动作的有效性。 仿真实验结果表明,PER-MATD3 算法在训练过程中收敛速度与收敛的奖励值都优于其他基准算法。 该方法在移动边缘计算的任务卸载与资源分配问题中能有效地降低总成本与时延,同时还能保持非常低的任务失败率。

关键词：移动边缘计算;任务卸载;资源优化;深度强化学习;优先经验回放