面向DAG任务的分布式智能计算卸载和服务缓存联合优化

作     者：李云 南子煜 姚枝秀 夏士超 鲜永菊 LI Yun;NAN Ziyu;YAO Zhixiu;XIA Shichao;XIAN Yongju

作者机构：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 

出 版 物：《中山大学学报（自然科学版）（中英文）》 (Acta Scientiarum Naturalium Universitatis Sunyatseni)

年 卷 期：2025年第64卷第1期

页      面：71-82页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 

基　　金：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) 

主　　题：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 

摘      要：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%。