Print

基于DRL的MEC任务卸载与资源调度算法

论文摘要

为提高多接入边缘计算(MEC)任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习(DRL)算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27. 6%.

论文目录

  • 1系统模型
  •   1.1通信模型
  •   1.2计算模型
  •     1.2.1本地计算模型
  •     1.2.2异构资源计算模型
  • 2 MEC任务卸载与异构资源调度
  •   2.1深度强化学习概述
  •   2.2状态空间
  •   2.3决策时刻和动作空间
  •   2.4即时回报
  •   2.5基于深度强化学习的MEC计算任务卸载与异构资源调度方法
  • 3仿真结果与分析
  • 4结束语

    • 文章来源

    类型: 期刊论文

    作者: 薛宁,霍如,曾诗钦,汪硕,黄韬

    关键词: 多接入边缘计算,任务卸载,异构资源调度,深度强化学习

    来源: 北京邮电大学学报 2019年06期

    年度: 2019

    分类: 信息科技

    专业: 电信技术

    单位: 北京工业大学北京未来网络科技高精尖创新中心,北京邮电大学网络与交换技术国家重点实验室

    基金: 国家自然科学基金项目(61902033),未来网络操作系统发展战略研究(2019-XY-5)

    分类号: TN92

    DOI: 10.13190/j.jbupt.2019-155

    页码: 64-69+104

    总页数: 7

    文件大小: 1811K

    下载量: 423

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/4fa8512f90a3d1241aba0b4b.html