摘要
随着5G技术的快速发展以及应用程序功能的不断丰富，应用程序对移动终端设备提出了更高的要求。然而，移动终端设备受计算资源限制，使得其无法满足应用程序的执行需要。移动云计算作为传统集中式的任务卸载方式，可以为移动终端设备卸载至云计算中心的任务提供计算服务，但是长距离通信产生的传输时延使得其无法满足时延敏感型任务的计算需求，降低了用户服务质量。移动边缘计算作为一种新型的任务卸载技术应运而生，可在更靠近移动终端设备的基站侧部署MEC服务器，使得移动终端设备可将任务卸载至MEC服务器，以更快响应用户的卸载请求。但是边缘层中的计算资源与云计算中心相比存在较大差距，并且不同区域内的移动终端设备数不同，使得不同区域MEC服务器的计算压力不同，存在资源利用率不均衡的问题。因此，如何合理地利用场景中的计算资源以降低任务的执行时间成为目前移动边缘计算研究的重点问题。针对该问题，本文进行了任务卸载策略研究，主要工作如下: 1.针对具有单数据依赖关系的时延敏感型任务在边云协同场景下的任务卸载问题，本文提出了一种基于强化学习的精英分层任务卸载算法(Elite hierarchical evolutionary algorithm based on reinforcement learning, RL-EHEA)。该算法将卸载策略编码为搜索过程中的个体，利用种群多样性判断方法扩大算法的搜索空间，并通过多种进化算子以精英搜索方式进行基于强化学习的参数自适应策略搜索。仿真实验结果表明，与遗传算法和精英遗传算法相比，本文提出的RL-EHEA卸载算法可得到更优的任务卸载策略。 2.针对具有多数据依赖关系的时延敏感型任务在边云协同场景下的任务卸载问题，本文设计了一种基于优先级的化学反应卸载算法(Priority-based chemical reaction optimization algorithm，PCRO)。该算法依据任务优先级判断方法进行任务划分，并将卸载策略编码为化学反应中的分子，利用具有参数动态调整和分子保留与淘汰策略的化学反应方式进行全局最优卸载策略搜索。仿真实验结果表明，与遗传算法和化学反应优化算法相比，本文提出的PCRO卸载算法能够在保证任务执行时间要求的前提下充分利用场景中的计算资源，得到任务完成时间更小的全局最优任务卸载策略。
NETL