一种基于DRL的低轨卫星移动边缘计算卸载策略

作者：杨黎明; 金宇峰^*; 黄淼

来源：电讯技术, 2023, 1-9.

DOI：10.20079/j.issn.1001-893x.230506001

• 低轨卫星
• 移动边缘计算
• 深度强化学习
• 决策卸载
• 资源分配

考虑到不同用户任务和计算能力差异，并综合低地球轨道（Low Earth Orbit， LEO）卫星移动和资源限制等因素，针对多颗LEO卫星覆盖场景下的多用户任务决策卸载问题，提出了一种基于深度强化学习（Deep Reinforcement Learning， DRL）的决策卸载和资源分配策略，对系统的耗时和能耗进行优化。决策卸载问题设置为一个离散的有效状态的单用户决策选择问题，采用深度强化学习进行求解。采用拉格朗日乘子法和梯度投影法处理资源分配问题。仿真结果表明，该策略在75次迭代回合后能达到收敛，与其他策略相比，系统成本下降约50%、34%和19%。

• 单位
  重庆邮电大学; 通信与信息工程学院