基于深度强化学习的云边资源调度与卸载优化
尹莉莉、
谢云泽、
赵泽、
高杰
《Sensors》:Cloud-Edge Resource Scheduling and Offloading Optimization Based on Deep Reinforcement Learning
Lili Yin,
Yunze Xie,
Ze Zhao and
Jie Gao
【字体:
大
中
小
】
时间:2026年03月09日
来源:Sensors 4.0
摘要
在智能制造背景下,随着工业物联网设备的广泛部署,出现了大量对延迟极为敏感且有着严格时间要求的计算任务,这些任务需要实时处理。在智能制造的云边端协作环境中,如何有效分担任务,以解决边缘节点负载动态变化导致的延迟增加和任务丢失问题,已成为一项关键挑战。为应对边缘节点负载未知以及系统状态动态变化的复杂问题,本文提出了一种基于深度强化学习的分布式算法,该算法运用卷积神经网络和Informer架构。该算法利用CNN提取边缘节点负载的局部特征,同时借助Informer的自注意力机制捕捉长期的负载变化趋势,从而有效应对节点负载中的不确定性和动态性。此外,通过整合Dueling Deep Q-Network和Double DQN技术,该算法能够精确估算状态-动作价值函数,进一步提升其感知系统时间特性及适应不同类型任务的能力。每个移动设备都可以根据自身观测结果独立做出任务分担决策和调度策略,从而实现任务的动态分配和执行顺序的优化。仿真结果表明,与现有各类算法相比,所提方法可使任务丢失率降低82.3–94%,平均延迟降低28–39.2%。实验结果进一步验证了该方法在处理高负载、对延迟敏感的任务的智能制造场景中的显著优势。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号