文献类型：期刊文章

作　　者：何达航[1] 王昱[2] 左利云[1]

He Dahang;Wang Yu;Zuo Liyun(College of Computer,Guangdong University of Petrochemical Technology,Maoming Guangdong 525000,China;Network&Education Information Technology Center,Guangdong University of Petrochemical Technology,Maoming Guangdong 525000,China)

机构地区：[1]广东石油化工学院计算机学院,广东茂名525000 [2]广东石油化工学院网络与教育信息技术中心,广东茂名525000

出　　处：《计算机应用研究》

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)。

年　　份：2025

卷　　号：42

期　　号：2

起止页码：486-493

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：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。

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  

分 类 号：TP393]