一种基于强化学习的多用户移动边缘计算迁移方法

摘要

本发明涉及一种基于强化学习的多用户移动边缘计算迁移方法，包括以下步骤：首先移动设备确定当前工作负载到达率、可再生能源和电池电量等状态；然后通过访问动作状态值矩阵，根据∈‑greedy策略决定在本地处理的任务量并采取相应动作；再计算可以反映当前动作好坏的奖赏值并以此更新动作状态值矩阵；最后计算移动设备的总成本(包括延迟成本和计算成本)。本发明将强化学习应用于5G关键技术之一的移动边缘计算技术，并结合Q‑learning无模型的优势，制定了移动设备的任务分配策略，显著减少了移动设备的成本。