40、移动边缘计算赋能的智能物联网：深度强化学习优化方案

移动边缘计算赋能的智能物联网：深度强化学习优化方案

在智能物联网（IoT）的发展中，移动边缘计算（MEC）扮演着至关重要的角色。它能够将计算和数据存储靠近数据源，从而减少延迟、提高系统性能。本文将详细介绍一种基于深度强化学习（DRL）的系统优化框架，用于解决智能物联网中的任务卸载和资源分配问题。

1. 符号说明

首先，我们来了解一下文中使用的一些重要符号及其含义，如下表所示：
| 符号 | 描述 |
| — | — |
| $L$ | 应用任务向量 |
| $A$ | 卸载决策向量 |
| $C$ | 传输速率向量 |
| $N$ | 工业物联网设备（IIoTD）的数量 |
| $Z$ | 每个 IIoTD 的独立应用任务数量 |
| $l_{n,z}$ | 第 $n$ 个 IIoTD 的第 $z$ 个任务的任务大小 |
| $a_{n,z}$ | 第 $n$ 个 IIoTD 的第 $z$ 个任务的卸载决策 |
| $B_{n,z}$ | 第 $n$ 个 IIoTD 的第 $z$ 个任务的优化无线信道带宽 |
| $P_{tran}^n$ | 来自 IIoTD 的传输功率 |
| $h_{n,z}$ | 信道增益 |
| $\sigma^2$ | 加性高斯白噪声（AWGN）信道的方差 |
| $c_{n,z}$ | 第 $n$ 个 IIoTD 的第 $z$ 个任务的上行传输数据速率 |
| $F_{server}^{total}$ | MEC 服务器的计算能力 |
| $e_{n,z}$ | 处理每个任务位所需的周期数 |
| $\