MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

一种混合麻雀搜索算法

元启发式算法由于可产生多样的解决方案在科学及工业领域受到了广泛的应用,麻雀搜索算法(SSA)是一种相对新颖的基于群体的元启发式算法,已被证明具有较好的寻优求解性能。由于在某些情况下麻雀种群多样性不足,导致算法寻优精度低,易陷入局部最优,因此提出了一种混合麻雀搜索算法(HSSA),首先利用反向对立学习策略提高初始种群质量,其次混合了模拟退火算法的Metropolis准则,避免算法陷入局部最优。为了验证算法的性能,利用HSSA对多个单峰和多峰测试函数进行求解,实验结果表明,与WOA、SSA和IPSO相比,HSSA具有更快的收敛速度和更高的求解精度。