面向DAG任务的分布式智能计算卸载和服务缓存联合优化OA北大核心
建立了一种有向无环图(DAG,directed acyclic graph)任务卸载和资源优化问题,旨在应用最大可容忍时延等约束实现系统能耗最小化。考虑到网络中计算请求高度动态、完整的系统状态信息难以获取等因素,最后使用多智能体深度确定性策略梯度(MADDPG,multi-agent deep deterministic policy gradient)算法来探寻最优的策略。相比于现有的任务卸载算法,MADDPG算法能够降低14.2%至40.8%的系统平均能耗,并且本地缓存命中率提高3.7%至4.1%。
李云;南子煜;姚枝秀;夏士超;鲜永菊
重庆邮电大学通信与信息工程学院,重庆400065 重庆邮电大学软件工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065 重庆邮电大学软件工程学院,重庆400065重庆邮电大学通信与信息工程学院,重庆400065
电子信息工程
移动边缘计算多智能体深度强化学习计算卸载资源分配服务缓存
《中山大学学报（自然科学版）（中英文）》 2025 (1)
P.71-82,12
国家自然科学基金(62071077,62301099)中国博士后科学基金(2023MD734137)重庆市自然科学基金(2022NSCQ-LZX0191)。
评论