A-DDPG：多用户边缘计算系统的卸载研究

为了降低多边缘服务器多用户系统中用户的总成本,结合深度确定性策略梯度（deep deterministic policy gradient,DDPG）、长短期记忆网络（LSTM）和注意力机制,提出了一种基于DDPG的深度强化学习卸载算法（A-DDPG）。该算法采用二进制卸载策略,并且将任务的延迟敏感性和服务器负载的有限性以及任务迁移考虑在内,自适应地卸载任务,以最大限度减少由延迟敏感型任务超时造成的总损失。考虑时延和能耗两个指标并设定了不同的权重值,解决因用户类型不同带来的不公平问题,制定了任务卸载问题以最小化所有任务完成时延和能量消耗的总成本,以目标服务器的选择和数据卸载量为学习目标。实验结果表明,A-DDPG算法具有良好的稳定性和收敛性,与DDPG算法和双延迟深度确定性策略梯度（twin delayed deep deterministic policy gradient,TD3）算法相比,A-DDPG算法的用户总成本分别降低了27%和26.66%,平均达到最优任务失败率的时间分别提前了57.14%和40%,其在奖励、总成本和任务失败率方面取得了较好的效果。     

基于设备协同的大规模卸载：融合分治和贪心的双层优化算法

随着通信技术的飞速发展,移动设备的数量不断激增,而这也将导致大规模卸载场景频频发生。但是如何在多项式时间内解决大规模卸载问题仍然是个挑战。本文基于协作计算网络架构提出一个融合分而治之和贪心的双层优化算法,称为DCGreedy。该算法可在多项式时间内高效求解所有任务的卸载策略和资源分配方案。在满足所有约束的同时可以有效降低系统的总能耗。在至少400个移动设备的模拟场景下根据任务满足截止日期的总数、系统总能耗和算法运行时间来评估DCGreedy的性能。将DCGreedy与其他4种基准算法进行大量的实验对比,并发现在不同规模的卸载场景中DCGreedy的平均总能耗比排名第二的算法高出2.11%,而算法运行时间却仅为0.0049%,充分证实了DCGreedy在优化系统能耗的同时有效地减少了算法的运行时间。