摘要
随着移动互联网技术的飞速发展，移动设备迅速增加并渗透到人们工作生活的方方面面。然而，由于受到计算能力、存储容量以及电池容量的限制，移动设备无法为用户提供稳定和高质量的服务。移动边缘计算作为一种新型计算模式，通过将计算和存储资源从核心网络迁移至边缘网络为用户提供快捷、高效的服务支持。同样，由于边缘网络的复杂性、移动设备的移动性等限制因素，如何利用边缘服务器为移动设备提供高效和持续的计算服务，是一个具有挑战性的问题。为了解决移动边缘计算网络中的计算卸载和服务迁移问题，本文做了如下工作: （1）针对计算卸载问题，首先构建了一种计算卸载模型，包括任务计算模型和任务队列模型。然后，以降低任务执行时延和设备能耗为目标，构建了任务执行成本函数。接着，将计算卸载问题划分为功率调度问题和任务卸载问题，并使用马尔可夫决策过程对两个问题进行定义。最后，提出了一种在线算法的双重强化学习计算卸载（DRLCO）算法。实验结果表明，与服务器执行方案相比，本文提出的方法减少了约48％的延迟和53％的能耗。 （2）针对服务迁移问题，首先构建了一种服务迁移环境模型，包括服务模型、计算模型和移动模型。接着定义了服务迁移的目标函数，并使用马尔可夫决策过程对目标函数最大化问题进行重定义。最后，提出了一种基于多代理深度确定性策略梯度（MADDPG）的服务迁移算法。实验结果表明，与其他基于强化学习的迁移方案相比，本文提出的方法提升了约49％的迁移收益。 综上所述，本文研究了移动边缘计算网络中的计算卸载问题和服务迁移问题，并分别提出了基于深度强化学习的计算卸载算法和基于多代理强化学习的服务迁移算法。经过大量的实验验证，本文提出的算法能有效提高移动用户的体验。
NETL