D3DQN-CAA:一種基于DRL的自適應邊緣計算任務調(diào)度方法

摘要： 為解決已有基于深度強化學習的邊緣計算任務調(diào)度面臨的動作空間探索度固定不變、樣本效率低、內(nèi)存需求量大、穩(wěn)定性差等問題，更好地在計算資源相對有限的邊緣計算系統(tǒng)中進行有效的任務調(diào)度，在改進深度強化學習模型D3DQN(Dueling Double DQN)的基礎上，提出了自適應邊緣計算任務調(diào)度方法 D3DQN-CAA.在任務卸載決策時，將任務與處理器的對應關系看作一個多維背包問題，根據(jù)...