典型文献
MEC计算卸载与资源分配联合智能优化方案
文献摘要：
移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战.鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗.首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗.仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略.
文献关键词：
移动边缘计算;计算卸载;资源分配;多智能体强化学习
中图分类号：
作者姓名：
杜梅;周军华;李敦桥;陈士钊;魏翼飞
作者机构：
北京邮电大学 电子工程学院, 北京100876;北京市复杂产品先进制造工程研究中心 北京市仿真中心,北京100854;贵州航天控制技术有限公司, 贵阳550009;宁波中湾科技有限公司,宁波315400
文献出处：
引用格式：
[1]杜梅;周军华;李敦桥;陈士钊;魏翼飞-.MEC计算卸载与资源分配联合智能优化方案)[J].北京邮电大学学报,2022(02):65-71
A类：
B类：
MEC,计算卸载,智能优化,移动边缘计算,分布式基站,基站部署,服务器资源,终端用户,得计,卸载方案,深度强化学习,复杂问题,资源分配策略,系统能耗,先考,云边端协同,网络框架,分配问题,马尔可夫决策过程,多智能体深度确定性策略梯度,深度确定性策略梯度算法,卸载策略,多智能体强化学习
AB值：
0.301676
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
