摘要
移动边缘计算(Mobile Edge Computing,MEC)将计算和存储资源下沉至网络边缘,靠近移动终端为用户提供服务,有效地减少了延迟.然而边缘基站中计算资源有限,计算卸载和资源分配是影响服务效率和节约能耗的关键因素.文章针对自适应计算卸载和资源分配环境,构建马尔科夫决策模型,基于强化学习的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法求解模型,获得最小化时间延迟和能量消耗的计算卸载和资源分配策略.仿真结果表明,计算任务完成率获得较大提升,有效降低了能量消耗,减少了时间延迟.
NETL
NSTL
维普
万方数据