基于 Meta Deep Reinforcement Learning 的 UAV 辅助 MEC 系统中高效可持续任务卸载
信号处理
2025-04-02 v1
摘要
集成到现有 Mobile Edge Computing (MEC) 系统中，无人机 (UAV) 作为满足未来物联网 (IoT) 网络严格需求的关键组件。当前研究致力于构建一个 MEC 系统，其中一个具备计算能力的 UAV 与云端服务器无线连接，旨在完成 IoT 设备的上行传输任务卸载。该系统的性能通过构建资源分配问题进行建模，旨在最大化长期计算任务效率，同时确保 IoT 设备、UAV 和云端的任务缓冲稳定。该问题在上行传输功率、IoT 设备的卸载决策、UAV 的轨迹以及所有收发设备的计算资源之间联合优化。针对该问题的非凸性与随机性，我们构建了一个多步骤求解方法。首先，借助分数规划和 Lyapunov 理论，将长期优化问题转化为等价的单时隙形式。随后，将重构后的问题重塑为马尔可夫决策过程 (MDP)，以反映网络动态。最终，MDP 模型用于训练 Meta Twin Delayed Deep Deterministic Policy Gradient (MTD3) 智能体，以应对因 UAV 和 IoT 设备移动性导致的 MEC 系统变化。仿真结果表明，我们提出的资源分配方法在计算任务效率提升和任务缓冲长度缩短方面显著优于其 Deep Reinforcement Learning (DRL) 方案。
引用
@article{arxiv.2504.00453,
title = {Efficient and Sustainable Task Offloading in UAV-Assisted MEC Systems via Meta Deep Reinforcement Learning},
author = {Maryam Farajzadeh Dehkordi and Bijan Jabbari},
journal= {arXiv preprint arXiv:2504.00453},
year = {2025}
}
备注
6 pages, 7 figures