一种基于多目标强化学习的车联网计算卸载方法及系统

摘要

本发明公开了一种基于多目标强化学习的车联网计算卸载方法及系统，采用RMDDQN‑Learning方法根据车辆计算卸载过程的成本对成本模型进行多目标优化，得到多目标优化的帕累托最优解，满足车辆在计算卸载过程中涉及的多个优化目标同时得到优化，基于RBF神经网络的学习方法来学习每个目标的决策价值，从而更好动态调整每个目标的权重。多目标优化的目的是通过联合考虑卸载决策和计算资源的分配，实现能量消耗、任务延迟、RSU的负载均衡以及卸载任务的隐私安全，通过优化计算卸载的多个指标，使得车联网中的车辆卸载时延和能耗保持在较低的基础水平，令资源受限的设备能够将计算密集型任务卸载到边缘设备，从而为广泛的业务提供独特的延迟限制服务质量保证。