车载多接入边缘网络中联合资源分配和动态任务卸载方案

针对车联网中车辆移动速度过快产生的任务卸载失败问题,设计了一个有效的任务卸载风险评估模型,并提出了联合资源分配的动态任务卸载方案。将时间、能耗和风险共同建模为系统效用,通过联合优化卸载决策、资源分配来最大化系统效用。优化问题被公式化为混合整数非线性规划,在给定卸载决策的情况下,利用凸优化技术解决计算资源分配问题,功率分配通过分式规划技术来优化。仿真分析了车辆移动性对系统效用的影响,证明了所提方案的合理性。

面向边缘计算的一种基于深度强化学习的计算卸载策略

随着移动边缘计算(Mobile Edge Computing,MEC)的兴起,为解决资源受限的移动设备,文章提出了一种有前景的解决方案,主要研究了一种利用深度强化学习(DRL)技术的动态任务卸载策略,该策略针对离散事件进行了特别设计,同时提出一种优化后的DDPG算法的连续动作空间DRL方法,利用此方法,独立地为每位移动用户定制了高效的计算卸载策略,实现了在用户端的本地计算与边缘计算之间的智能决策。通过仿真实验结果可以看出每个用户可以根据对MEC系统的局部观测,自适应地分配本地执行和任务卸载的功率。