摘要
一种超密网边缘计算的计算资源分配与任务卸载方法,包括以下步骤:步骤1,基于SDN的超密网边缘计算网络建立系统模型,获取网络参数;步骤2,获取边缘计算所需参数:依次通过本地计算、卸载到宏基站的边缘服务器和卸载到连接小基站s的边缘服务器,得到传输计算任务的上行链路数据率;步骤3,采用Q-learning方案,得到最优计算资源分配以及任务卸载策略;步骤4,采用DQN方案,得到最优计算资源分配以及任务卸载策略。它通过在学习变量的基础上刺激智能体找到最优解而适用于动态系统。在强化学习(RL)算法中,Q-Learning在某些时变网络中表现良好。将深度学习技术与Q-learning相结合,提出一种基于深度Q网络(DQN)的学习方案,不仅在时变环境下实现同时优化移动设备和运营商的效益,而且比基于Q-learning的方法学习时间更短,收敛更快。本方法基于DQN在时变环境下实现同时优化移动设备(MDs)和运营商的效益。
- 单位