基于深度强化学习的边云协同资源分配算法

移动边缘计算(Mobile Edge Computing, MEC)用于增强低功耗网络的数据处理能力，目前已成为一种高效的计算范例。文中考虑了由多个终端(Mobile Terminal, MT)组成的边云协同系统及其资源分配策略。为降低MTs的时延总和，采用多种卸载模式，提出了基于深度强化学习的任务卸载算法，该算法将深度神经网络(Deep Neural Network, DNN)作为一个可伸缩的解决方案来实现，从经验中学习多进制卸载模式来最小化时延总和。仿真结果表明，与深度Q网络(Deep Q Network, DQN)算法及深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)算法相比，所提算法在最大性能增益上提升显著。此外，从仿真结果中可以看出，所提算法具有较好的收敛性，该算法的结果接近穷举搜索得到的最优解。