基于深度强化学习的多基站计算卸载策略

针对多个基站覆盖下的移动用户如何选择最佳的卸载策略问题,提出一种与匹配博弈论结合的双延迟深度确定性策略梯度(GT-TD3)算法来实现用户计算任务的卸载。以最小化时延及能耗为目标提出优化问题,使用多基站博弈算法求解用户与其对应卸载基站的最佳匹配方案,使用深度强化学习算法求解系统开销最小化的优化问题。仿真结果表明,所提算法相较4种对比算法可以有效减少MEC系统总花费,为移动用户提供更高效的服务。

移动边缘计算中的协同计算卸载策略

针对单边缘服务器卸载时导致异地边缘服务器空闲状态下资源浪费问题,在远程云与多个边缘服务器联合卸载的方案下,提出一种基于改进混合粒子群算法的边缘云协同计算卸载策略(cross reorganization PSO,CRPSO)。该卸载策略中以最小化系统总代价(时延和能耗的加权和)为目标建立模型,在粒子群算法中利用适应度对粒子进行优劣分组,通过引入遗传算法中的交叉思想对劣势组的粒子进行取优,由两层筛选机制优化原始种群中粒子,经过算法迭代实现任务的最优卸载策略。仿真结果表明,与Local-MEC算法、ECPSO算法和GCPSO算法相比,所提出的CRPSO算法的系统总代价最小,优化效果明显。