具有缓存队列的无线供电和多用户移动边缘计算系统的计算速率最大化

• Published in: 东华大学学报（英文版） Vol. 41; no. 6; pp. 689 - 701
• Main Authors: ABDUL Rauf, 赵萍
• Format: Journal Article
• Language: Chinese
• Published: 东华大学信息科学与技术学院,上海 201620 2024
• Subjects: non-convex optimization; 非凸优化; buffer queue; 深度强化学习; computation rate; 计算率; mobile edge computing(MEC); deep reinforcement learning; 移动边缘计算(MEC); 缓冲队列
• ISSN: 1672-5220
• DOI: 10.19884/j.1672-5220.202401003

TN929.5; 移动边缘计算(mobile edge computing,MEC)在各种延迟敏感型应用中发挥着至关重要的作用.随着工业4.0技术中低计算能力物联网(Internet of Things,IoT)设备的日益普及,MEC可促进无线电传输,提高设备效率和可持续性.与MEC计算速率最大化相关的研究包括坐标下降法、基于交替方向乘子法(alternating direction method of multiplier,ADMM)和 Lyapunov 优化.然而,这些研究没有考虑缓冲队列的大小.该文关注具有缓冲队列的无线供电和多用户MEC系统的计算速率最大化,并提出了一种基于深度强化学习(reinforcement learning,RL)的任务卸载算法.该算法最大化计算速率并最小化缓冲队列的大小.其主要思路是探索连接到MEC系统的物联网设备的最佳模式选择.该文提出基于特定时隙中的单个通道增益、缓冲队列大小和无线电力传输最大化的模式选择.在此基础上,进一步将任务卸载问题形式化为缓冲队列大小和计算速率.然后,设计了一种基于深度RL的卸载算法来解决这种混合整数非凸优化问题,旨在更好地权衡缓冲队列大小和计算速率.大量的仿真结果表明,所提算法比现有算法更有效,能同时保持较小的缓冲队列和较大的计算速率.