文献类型：期刊文章

作　　者：邝祝芳[1] 陈清林[1] 李林峰[1] 邓晓衡[2] 陈志刚[2]

KUANG Zhu-Fang;CHEN Qing-Lin;LI Lin-Feng;DENG Xiao-Heng;CHEN Zhi-Gang(School of Computer and Information Engineering,Central South University of Forestry and Technology,Changsha 410004;School of Computer Science and Engineering,Central South University,Changsha 410083)

机构地区：[1]中南林业科技大学计算机与信息工程学院,长沙410004 [2]中南大学计算机学院,长沙410083

出　　处：《计算机学报》

基　　金：国家自然科学基金资助项目(62072477,61309027);湖南省自然科学基金资助项目(2018JJ3888);湖南省教育厅优秀青年项目(18B197);国家重点研发计划项目(2018YFB1700200);智慧物流技术湖南省重点实验室课题资助项目(2019TP1015);中国高校产学研创新基金(No.2021FNA04009)资助.

年　　份：2022

卷　　号：45

期　　号：4

起止页码：812-824

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：移动边缘计算(Mobile Edge Computing,MEC)把计算和存储等资源部署在网络边缘以满足某些对延迟要求苛刻的应用.用户设备可以通过无线网络将计算任务整体或者部分卸载到边缘服务器执行从而降低延迟和本地耗能,进而获得良好的用户体验.现有传统优化算法在MEC卸载决策和资源分配方面是可行的,但传统优化算法并不很适合高实时性的MEC系统.深度强化学习可以通过与传统优化算法不同的方式,建立尝试-奖励反馈机制,通过积累经验进行学习,从而完成优化目标.本文考虑移动边缘计算网络中多用户多任务卸载的情况下,研究任务卸载中的卸载决策和任务调度以及服务器资源分配的问题,以最小化系统延迟和传输耗能、本地耗能为目标,基于深度强化学习提出了一种多用户多任务下的任务卸载调度与资源分配算法,在上层服务器分配资源确定的情况下,提出基于贪心策略的流水车间调度算法解决了任务卸载决策和卸载调度问题,下层采用强化学习方法优化服务器资源分配问题.仿真结果表明,所提出的方法在降低延迟和本地耗能方面有比较优越的性能.

关 键 词：移动边缘计算  深度强化学习  任务卸载  任务调度 资源分配

分 类 号：TP393]