电讯技术

作者：鲜永菊,韩瑞寅,左维昊,汪帅鸽

单位：(重庆邮电大学 通信与信息工程学院，重庆 400065)

关键词：移动边缘计算（MEC）；移动性感知；任务迁移；多智能体强化学习（MARL）；

基金：国家自然科学基金资助项目(62071077)

针对移动边缘计算中用户移动性导致服务器间负载分布不均，用户服务质量(Quality of Service,QoS)下降的问题，提出了一种移动性感知下的分布式任务迁移方案。首先，以优化网络中性能最差的用户QoS为目标，建立了一个长期极大极小化公平性问题(Max Min Fairness,MMF)，利用李雅普诺夫（Lyapunov）优化将原问题转化解耦。然后，将其建模为去中心化部分可观测马尔可夫决策过程(Decentralized Partially Observable Markov Decision Process,Dec-POMDP)，提出一种基于多智能体柔性演员-评论家(Soft Actor-Critic,SAC)的分布式任务迁移算法，将奖励函数解耦为节点奖励和用户个体奖励，分别基于节点负载均衡度和用户QoS施加奖励。仿真结果表明，相比于现有任务迁移方案，所提算法能够在保证用户QoS的前提下降低任务迁移率，保证系统负载均衡。

来源：2024年第3期

《电讯技术》期刊编辑部

查看电讯技术杂志2024年第3期