来源：期刊VIP网 时间：
作者：梁子豪;栗娟;刘进;
单位：武汉工程大学计算机科学与工程学院;智能机器人湖北省重点实验室;武汉大学计算机学院;
摘要：工业互联网背景下的移动边缘计算（Mobile Edge Computing, MEC）通过在靠近终端的位置部署边缘服务器，将计算任务卸载到工业网络边缘，以满足任务实时响应和终端节能的需求。由于工业场景复杂性和环境动态性，卸载决策需要在满足任务时延需求的同时尽可能降低系统成本，为此提出了一个基于深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）的工业任务卸载策略。首先构建了一个端边协同的智能工厂MEC系统模型，以降低任务总时延和系统能耗为目标，将卸载问题转化为混合整数非线性规划问题，然后设计采用DDPG算法来得到最优卸载决策，提高服务质量，最大化节约系统成本。仿真结果表明，该策略在降低时延、系统能耗和成本方面比其他方法更优。
关键词：移动边缘计算;;深度强化学习;;任务卸载;;深度确定性策略梯度
基金资助：国家自然科学基金（62102292）;; 武汉市知识创新专项曙光项目（2023010201020440）;; 智能机器人湖北省重点实验室（武汉工程大学）科研资助项目（HBIRL 202204）;; 武汉工程大学青年教师基金（K202035）;武汉工程大学研究生教育创新基金（CX2023301）
