基于深度强化学习的任务卸载和资源分配优化

移动边缘计算(MEC)可以在网络边缘为用户提供就近的存储和计算服务，从而为移动用户带来低能耗、低时延的优势。该文针对基于超密集网络(UDN)的多用户多MEC场景，从用户侧出发，以最小化用户计算总开销为目的，解决用户在卸载过程中的卸载决策和上传传输功率优化以及MEC计算资源分配问题。具体而言，考虑到该问题是一个具有NP-hard性质的MINLP问题，该文将该问题分解为两个子问题并通过两个阶段的方式进行求解。首先在第一个阶段设计了一种基于深度强化学习(DQN)的任务卸载决策来解决任务卸载子问题，然后在第二个阶段分别使用KKT条件以及黄金分割算法解决MEC计算资源分配和上行传输功率的优化问题。仿真结果表明，所提方案在保证用户时延约束的前提下，有效降低了用户的计算开销，提升了系统性能。