计算机应用研究

作者：何达航,王昱,左利云,

单位：广东石油化工学院a.计算机学院;b.网络与教育信息技术中心,广东茂名525000；

关键词：深度强化学习,边缘计算,任务卸载,资源分配,深度Q网络,

基金：广东省自然科学基金资助项目(2024A1515010144)；广东省普通高校重点领域专项(2023ZDZX3013)；茂名绿色化工研究院扬帆计划资助项目(MMGCIRI-2022YFJH-Y-012)；；

边缘计算允许物联网设备卸载任务到边云环境中执行，以满足任务对资源的需求。由于边云环境的高度随机性和动态性，启发式算法和基于Q表格的强化学习算法难以实现异构任务的高效卸载决策，所以提出了一个新颖的竞争和双深度Q网络（novel dueling and double deep Q network，ND3QN）的深度强化学习算法，用于任务高效卸载和资源分配。ND3QN联合优化任务完成时间和费用，并创新地构建了包含环境动态信息的状态；设计了能有效指导算法训练的奖励函数；实现了细粒度卸载，即任务卸载到服务器的虚拟机。实验结果表明，ND3QN在不同探索率和学习率下的收敛速度和收敛值存在明显差异，且在任务丢弃率、完成时间和费用等方面优于基线算法；消融实验证明了状态和奖励函数改进的有效性。因此，ND3QN可有效提升边云环境中的任务卸载和资源分配效率。

来源：2025年第2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2期