网内计算中面向元宇宙的动态部分计算卸载

网内计算（COIN）范式是一种有前景的方案，它利用未使用的网络资源来执行任务，以满足元宇宙等计算密集型应用的需求。基于此，我们考虑元宇宙中 COIN 环境下多子任务的部分计算卸载问题，以最小化能耗和延迟，同时根据计算资源状态的变化动态调整卸载策略。该问题是 NP-hard 的，我们将其转化为两个子问题：用户端的任务分割问题（TSP）和 COIN 端的任务卸载问题（TOP）。我们将 TSP 建模为序势博弈，并提出一种去中心化算法以获得其纳什均衡（NE）。然后，我们将 TOP 建模为马尔可夫决策过程，并提出双深度 Q 网络（DDQN）来求解最优卸载策略。与常规 DDQN 算法中智能体以一定概率随机采样卸载决策不同，COIN 智能体探索 TSP 的 NE 与深度神经网络。最后，仿真结果表明，所提模型方法使 COIN 智能体能够更新其策略并做出更明智的决策，从而随时间推移相比传统基线获得更优性能。