文献类型：期刊文章

作　　者：张乃心[1] 陈霄睿[1] 李安[1] 杨乐瑶[1] 吴华明[2]

ZHANG Naixin;CHEN Xiaorui;LI An;YANG Leyao;WU Huaming(School of Mathematics,Tianjin University,Tianjin 300192,China;Center for Applied Mathematics,Tianjin University,Tianjin 300072,China)

机构地区：[1]天津大学数学学院,天津300192 [2]天津大学应用数学中心,天津300072

出　　处：《计算机科学》

基　　金：国家自然科学基金(62071327)。

年　　份：2023

卷　　号：50

期　　号：8

起止页码：233-242

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2023_2024、DOAJ、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：物联网设备中大量未被充分利用的计算资源,正是移动边缘计算所需要的。一种基于设备对设备通信技术和无线充电技术的边缘卸载框架,可以最大化利用闲置物联网设备的计算资源,提升用户体验。在此基础上,可以建立物联网设备的D2D-MEC网络模型。在该模型中,主设备根据当前环境信息和估计的设备状态信息,选择向多个边缘设备卸载不同数量的任务,并应用无线充电技术提升传输的成功率和计算的稳定性。运用强化学习方法解决任务分配和资源分配的联合优化问题,也就是最小化计算延迟、能量消耗和任务丢弃损失,最大化边缘设备利用率和任务卸载比例的优化问题。除此之外,为了适应状态空间更大的情况,提高学习速度,提出了一种基于深度强化学习的卸载方案。基于以上理论和模型,使用数学推导计算出了D2D-MEC系统的最优解及性能上限。仿真实验证明了D2D-MEC卸载模型及其卸载策略的综合性能更好,更能充分利用物联网设备的计算资源。

关 键 词：移动边缘计算  D2D 强化学习  物联网 计算卸载  无线能量传输  

分 类 号：TP181]