智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求，然而，随着电网规模的扩大，电力终端设备接入密度越发增高，分布情况越发复杂，传统的静态边缘计算节点难以完全覆盖分散的电力终端设备，进而导致计算迁移性能、效率过低。提出了一种基于双重延迟深度确定性策略梯度的多无人机辅助计算迁移算法(Collaborative Cloud-Edge Computing Offloading Based on TD3， CeCO-TD3)，该算法构建了一个联合无人机飞行角度、距离、迁移服务选择和任务迁移比的多目标优化函数，以最小化系统的计算时延与能耗，利用深度强化学习算法对问题求解。并引入云边协作框架和带有优先级的云端策略经验池，进一步保障了多无人机的计算迁移服务质量。实验结果表明所提出的算法在缩减任务传输时延和降低计算能耗方面优于传统优化算法。
移动边缘计算(Mobile Edge Computing,MEC)在网络边缘为用户提供计算服务,有效降低了数据传输和处理时延,成为第五代移动通信系统(the 5th Generation Mobile Communication System,5G)低时延通信的关键技术。如何优化设计卸载策略以保...
详细信息
移动边缘计算(Mobile Edge Computing,MEC)在网络边缘为用户提供计算服务,有效降低了数据传输和处理时延,成为第五代移动通信系统(the 5th Generation Mobile Communication System,5G)低时延通信的关键技术。如何优化设计卸载策略以保证低时延、低能耗和高可靠通信是MEC面临的一个极具挑战性的任务。为此,文中针对频谱和能量双受限的多用户多任务MEC系统场景,提出可最小化系统能耗的多用户任务非正交多址(Non⁃Orthogonal Multiple Access,NOMA)协作中继卸载计算方案。考虑多用户协作中继场景并允许多任务基于NOMA实现并行卸载传输,在时延约束下建立多用户任务卸载计算能耗最小化问题;利用拉格朗日对偶法求解该问题,得到最优的基于中继的任务卸载传输方案和用户功率分配方案。仿真结果表明,所提方案能够有效降低MEC系统的多任务卸载计算能耗。
暂无评论