计算机应用研究

作者：黎作鹏,黄时宇,贾泽桐,

单位：1.河北工程大学信息与电气工程学院,河北邯郸056038；2.邯郸学院a.河北省光纤生物传感与通信器件重点实验室;b.信息工程学院,河北邯郸056005；

关键词：边缘计算,设备到设备,软件定义网络,斯坦克伯格博弈,多跳任务卸载,深度强化学习,

基金：国家自然科学基金资助项目(62101174)；河北省高等学校科学技术研究项目(BJK2022025)；河北省光纤生物传感与通信器件重点实验室资助项目(SZX2022010)；邯郸市科学技术研究与发展计划项目(24422021193ZC)；；

单跳任务卸载受限于通信距离与可用资源，难以满足高负载场景下的服务需求；多跳任务卸载可扩展协作范围，提升边缘网络的资源利用率与调度灵活性，但路径选择与算力分配高度耦合，且空闲设备作为资源提供方缺乏协作激励，难以充分释放其计算潜力。为此，构建基于SDN的集中式协作卸载框架，利用全局视图实现通信与计算资源的联合优化，并引入任务优先级机制缓解多任务并发下的链路竞争。进一步，设计Stackelberg博弈模型，通过定价机制激励设备参与计算转发，协同优化任务延迟与能耗。在此基础上，提出BGLS-PPO（Bellman-guided look-ahead sampling-PPO）算法，在动作选择阶段嵌入基于贝尔曼期望的一步前瞻估计，提升策略探索效率与收敛稳定性。实验结果表明，多跳卸载相较单跳显著提升系统效用；同时，该方法在与多种现有算法的对比中表现出更优的适应性与鲁棒性。

来源：2026年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第5期