来源：期刊VIP网 时间：
作者：曾韦健;孟多南;田玲;李晖;
单位：南京信息工程大学电子与信息工程学院;中国航空研究院研究生院;
摘要：针对计算密集型和延迟敏感型业务的激增，传统的云计算模式难以满足低时延和高质量的服务需求，文中采用分布式边缘计算模式将任务卸载至边缘子网，以降低时延并缓解网络拥塞。对于边缘计算服务器协同计算的卸载问题，提出一种基于深度强化学习的协同计算资源分配算法：首先，根据建立的异构边缘网络模型确定优化目标，最小化任务延时并给出奖励函数；其次，基于传统DDPG算法，引入双经验池对数据进行分类存储，以提高经验数据的质量；最后，通过训练智能体找到一个适应环境的最佳策略来实现服务器间的负载均衡及资源的有效分配。仿真结果表明，改进后的D3PG算法充分考虑了边缘子网的异构性和边缘设备的移动性，相比于传统学习算法，任务延时降低了3.8%～24.8%。
关键词：异构网络;;边缘计算;;计算卸载;;任务延时;;深度强化学习;;D3PG
基金资助：国家自然科学基金项目(61661018)
