公开(公告)号：CN116489712B

公开(公告)日：2024-02-09

申请号：CN202310455144.5

申请日：2023-04-25

Applicant: 北京交通大学

Inventor： 任爽 ,  赵丽蕊

IPC: H04W28/084 ,  H04L67/1008 ,  H04L67/101 ,  H04L67/1023 ,  H04L67/12 ,  G06F9/50 ,  G06N3/0442 ,  G06N3/092

Abstract: 本发明提供了一种基于深度强化学习的移动边缘计算任务卸载方法。该方法包括：计算出移动边缘计算环境中用户设备终端卸载计算任务并将计算任务上传到移动边缘计算MEC服务器处理过程中消耗的时延消耗和能量消耗；在最大可容忍延迟和计算能力的约束下，以最小化移动边缘计算系统的能量消耗为目标建立目标函数；基于改进的深度强化学习算法求解目标函数，得到用户设备终端的计算任务卸载决策和资源分配方案。本发明方法建立了以最小化能耗为目标的数学模型，对所求卸载决策和资源分配方案进行多次迭代，最终有效求得在时延约束下能源消耗的最优值，从而实现更小的能耗目标，提高边缘计算服务器的利用效率，提高用户体验，实现设备能量节省。

公开(公告)号：CN116489712A

公开(公告)日：2023-07-25

申请号：CN202310455144.5

申请日：2023-04-25

Applicant: 北京交通大学

Inventor： 任爽 ,  赵丽蕊

IPC: H04W28/084 ,  H04L67/1008 ,  H04L67/101 ,  H04L67/1023 ,  H04L67/12 ,  G06F9/50 ,  G06N3/0442 ,  G06N3/092

Abstract: 本发明提供了一种基于深度强化学习的移动边缘计算任务卸载方法。该方法包括：计算出移动边缘计算环境中用户设备终端卸载计算任务并将计算任务上传到移动边缘计算MEC服务器处理过程中消耗的时延消耗和能量消耗；在最大可容忍延迟和计算能力的约束下，以最小化移动边缘计算系统的能量消耗为目标建立目标函数；基于改进的深度强化学习算法求解目标函数，得到用户设备终端的计算任务卸载决策和资源分配方案。本发明方法建立了以最小化能耗为目标的数学模型，对所求卸载决策和资源分配方案进行多次迭代，最终有效求得在时延约束下能源消耗的最优值，从而实现更小的能耗目标，提高边缘计算服务器的利用效率，提高用户体验，实现设备能量节省。