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。