基于成本感知的边缘服务器部署方法

针对移动边缘计算(mobile edge computing,MEC)中边缘服务器(edge server,ES)供应商的成本预算问题,建立一种以最小化时延和部署成本为目标的数学模型。通过归一化方法将其转化为单目标优化问题,提出一种基于交叉算法的鲸鱼优化算法的边缘服务器部署方法;采用精英反向学习策略构造新种群,提高种群的多样性和全局收敛速度;采用改进的非线性收敛因子平衡算法的整体开发能力和局部探索能力;利用纵横交叉策略提高算法跳出局部最优的能力。使用上海电信基站的真实数据集进行仿真,其结果表明,与其它4种算法相比,该算法在时延和部署成本方面的表现均优于其它算法,系统成本下降了42.1%。

基于深度强化学习哈里斯鹰算法的路径规划

哈里斯鹰算法存在容易早熟、陷入局部最优陷阱、稳定性较差等问题。为了提升算法性能,本文提出了一种利用深度确定性策略梯度算法(DDPG)改进的哈里斯鹰算法。该改进将深度强化学习和启发式算法结合,利用深度确定性策略梯度算法训练神经网络,再通过神经网络动态地生成哈里斯鹰算法关键参数,平衡算法全局搜索和局部搜索,并赋予算法后期跳出局部最优陷阱的能力。通过函数优化和路径规划对比实验,实验结果表明,DDPGHHO算法具有一定的泛化性和优秀的稳定性,且在不同环境下均能够搜索到更优路径。