关键词:
雾计算
能量采集
资源分配
计算迁移
深度强化学习
摘要:
随着物联网与移动互联网的发展,云计算和雾计算等技术在学术与工业界受到了广泛的研究。然而,由于数据的快速增长和传输延迟的约束,传统的计算迁移方法无法很好地满足任务对于传输时延和能量消耗的要求。为了有效降低物联网设备在任务计算时的传输延迟与能量消耗,提出了一种在雾计算中融合能量采集与资源分配的智能迁移机制。具体地,通过优化雾节点迁移决策、带宽资源、计算资源以及能量采集中的功率分配,构建了一个最小化任务完成时延与能耗加权总成本的优化问题。为了有效求解这类混合整数非线性规划问题,提出了一种基于深度强化学习的智能迁移算法。该算法基于双延迟深度确定性策略梯度算法,融合双重Critic网络架构可解决Q值被高估的问题,并引入概率函数与均匀噪声提升算法的性能与稳定性。最后,仿真结果表明,所提算法有着良好的收敛效果,并在与其他迁移方案的对比中体现了较好的性能优势且系统总成本最低。