计算机应用研究

作者：黄毅,王文轩,崔允贺,陈意,郭春,申国伟,

单位：贵州大学a.公共大数据国家重点实验室;b.文本计算与认知智能教育部工程研究中心;c.计算机科学与技术学院;d.贵州省软件工程及信息安全特色重点实验室,贵阳550025；

关键词：计算卸载,Boosting,多智能体深度强化学习,优先经验重放,

基金：国家重点研发计划资助项目(2023YFC3304500)；国家自然科学基金资助项目(62102111)；贵州省科技重大专项资助项目(黔科合重大专项字［2024］003)；贵州省高等学校大数据安全与网络安全创新团队资助项目(黔教技［2023］052号)；；

现有计算卸载方法没有考虑终端设备和边缘服务器的不同任务排队情况，导致计算卸载模型的时延估计存在偏差。更重要的是，现有基于强化学习的计算卸载方法通过计算时序差分（temporal difference，TD）误差进行经验重放，无法精确评估历史经验的重要性，导致卸载决策精度降低。为解决上述问题，在移动蜂窝网络边缘计算场景下，考虑多设备、多服务器的计算卸载问题，提出一种基于Boosting优先经验重放的协同计算卸载方法—COOPERANT。针对任务调度问题，COOPERANT构建了终端设备任务排队模型及服务器任务排队模型；针对任务卸载问题，COOPERANT设计了融合Boosting的优先经验重放算法、任务卸载联合优化模型、计算卸载多智能体深度强化学习模型及COOPERANT网络更新策略。实验证明，相比于遗传算法、蚁群算法、鲸鱼优化算法、MADDPG算法、TD-MADDPG算法以及MAPPO算法，COOPERANT能够有效降低系统时延和能耗开销，提升网络收敛速度。

来源：2025年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第3期