基于深度强化学习的网络边缘计算多级卸载模型研究

摘要

网络边缘计算多级卸载模型进行卸载决策执行时,决策结果非最优结果,导致边缘计算服务器无法在规定时间内执行完所有的计算任务,对此,研究基于深度强化学习的网络边缘计算多级卸载模型,构建网络边缘计算多级卸载模型,并分析卸载模型执行所有计算任务所耗用的能量和时间;结合强化学习的决策能力和深度学习的感知能力得到强化学习算法,将强化学习算法与实际边缘计算环境相结合,构建马尔科夫决策过程模型,得到调度计算任务的最优决策结果。实验结果表明,当深度Q网络的经验池大小为512、学习速率为0.002时,该模型的收敛性能最佳;该模型可实现边缘计算任务的多级卸载,且在计算任务传输速度和边缘计算服务器中CPU运行速度不同时,仍具有良好适应性。