[1]龚亮亮,张 影,张俊尧,等.基于深度强化学习的任务卸载和资源分配优化[J].计算机技术与发展,2024,34(04):116-123.[doi:10. 3969 / j. issn. 1673-629X. 2024. 04. 018]
　GONG Liang-liang,ZHANG Ying,ZHANG Jun-yao,et al.Joint Optimization of Task Offloading and Resource Allocation Based on Deep Reinforcement Learning[J].,2024,34(04):116-123.[doi:10. 3969 / j. issn. 1673-629X. 2024. 04. 018]
点击复制

基于深度强化学习的任务卸载和资源分配优化()
分享到：

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:
34
期数:
2024年04期
页码:
116-123
栏目:
移动与物联网络
出版日期:
2024-04-10

文章信息/Info

Title:
Joint Optimization of Task Offloading and Resource Allocation Based on Deep Reinforcement Learning
文章编号:
1673-629X(2024)04-0116-08
作者:
龚亮亮1; 2 ; 张 影1; 2 ; 张俊尧1; 2 ; 许之琛3 ; 康 彬3*
1. 国网电力科学研究院有限公司,江苏 南京 210006;
2. 南京南瑞信息通信科技有限公司,江苏 南京 210006;
3. 南京邮电大学 物联网学院,江苏 南京 210003
Author(s):
GONG Liang-liang1; 2 ; ZHANG Ying1; 2 ; ZHANG Jun-yao1; 2 ; XU Zhi-chen3 ; KANG Bin3*
1. State Grid Electric Power Research Institute Co. ,Ltd. ,Nanjing 210006,China;
2. Nanjing Nanrui Information Communication Technology Co. ,Ltd. ,Nanjing 210006,China;
3. School of Internet of Things,Nanjing University of Posts and Telecommunications,Nanjing 210003,China
关键词:
超密集网络; 移动边缘计算; 任务卸载; 资源分配; 深度强化学习
Keywords:
ultra-dense network; mobile edge computing; task offloading; resource allocation; deep reinforcement learning
分类号:
TP31
DOI:
10. 3969 / j. issn. 1673-629X. 2024. 04. 018
摘要:
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。
Abstract:
Mobile edge computing ( MEC) can provide users with nearby storage and computing services at the edge of the network,so asto bring the advantages of low energy consumption and low delay to mobile users. Aiming at the multi-user and multi MEC scenariobased on ultra-dense network ( UDN) ,starting from the user side and aiming at minimizing the total user computing overhead,we solvethe problems of user unloading decision,upload transmission power optimization and MEC computing resource allocation in the unloadingprocess. Specifically,considering that the problem is a NP hard MINLP,we decompose the problem into two subproblems and solves it intwo stages. Firstly,in the first stage,a task offloading decision based on deep reinforcement learning ( DRL) is designed to solve the taskunloading sub problem,and then in the second stage,KKT condition and golden section algorithm are used to solve the optimizationproblems of MEC computing resource allocation and uplink transmission power respectively. Simulation results show that the proposedscheme effectively reduces the user＇s computing overhead and improves the system performance on the premise of ensuring the user爷 sdelay constraint.

相似文献/References:

[1]鲁 伟,宋荣方.基于模拟退火的多核多用户任务卸载调度[J].计算机技术与发展,2021,31(06):76.[doi:10. 3969 / j. issn. 1673-629X. 2021. 06. 014]
　LU Wei,SONG Rong-fang.Multi-core Multi-user Task Offloading Scheduling Based onSimulated Annealing Algorithm[J].,2021,31(04):76.[doi:10. 3969 / j. issn. 1673-629X. 2021. 06. 014]
[2]胡 恒,金凤林 *,谢 钧,等.设备间任务依赖的最佳卸载决策和资源分配[J].计算机技术与发展,2022,32(08):82.[doi:10. 3969 / j. issn. 1673-629X. 2022. 08. 014]
　HU Heng,JIN Feng-lin*,XIE Jun,et al.Optimal Offloading Decision and Resource Allocation of Inter-devices Task Dependency[J].,2022,32(04):82.[doi:10. 3969 / j. issn. 1673-629X. 2022. 08. 014]
[3]江 雪,赵 亮.多无人机辅助移动边缘计算中的轨迹优化[J].计算机技术与发展,2023,33(05):110.[doi:10. 3969 / j. issn. 1673-629X. 2023. 05. 017]
　JIANG Xue,ZHAO Liang.Trajectory Scheduling for Multi-UAV Assisted Mobile Edge Computing[J].,2023,33(04):110.[doi:10. 3969 / j. issn. 1673-629X. 2023. 05. 017]
[4]阳 柳,章立群,林晓勇.移动边缘计算中基于贡献度激励的端池化解决方案[J].计算机技术与发展,2024,34(03):83.[doi:10. 3969 / j. issn. 1673-629X. 2024. 03. 013]
　YANG Liu,ZHANG Li-qun,LIN Xiao-yong.A Solution of Terminal Pooling Based on Contribution Emulated in Mobile Edge Computing[J].,2024,34(04):83.[doi:10. 3969 / j. issn. 1673-629X. 2024. 03. 013]

更新日期/Last Update: 2024-04-10