基于双深度Q学习的时空延迟优化算法在移动物联网边缘计算网络中的应用研究

为解决移动物联网(Mobile IoT)设备激增带来的边缘计算(MEC)系统低延迟与高能效需求矛盾，研究人员提出一种融合时空预测的双深度Q学习(DDQN)框架，通过动态任务卸载、设备轨迹优化和资源分配算法，实现端到端延迟降低35%、能效提升28%的突破性成果，为自动驾驶等实时应用提供关键技术支撑。

　　

随着自动驾驶、工业自动化等实时应用的爆发式增长，移动物联网(Mobile IoT)设备对边缘计算(Mobile Edge Computing, MEC)系统提出了严苛的低延迟和高能效需求。然而，边缘服务器的空间位置动态变化、任务调度的时序复杂性，以及设备移动性带来的资源异构性，使得传统静态优化模型难以应对。更棘手的是，计算开销与通信挑战的平衡、随机任务到达模式的处理，以及对抗性攻击风险等问题，共同构成了当前边缘计算领域亟待突破的技术瓶颈。

针对这些挑战，来自财经与管理大学的研究团队在《Simulation Modelling Practice and Theory》发表了一项创新研究。他们开发了一种基于双深度Q学习(Double Deep Q-Learning, DDQN)的多目标优化框架，通过时空移动性预测、延迟感知任务卸载和能量约束设备轨迹优化三大核心技术，成功将端到端延迟降低35%，能效提升28%，任务超时率减少20%。这项研究首次实现了在动态联邦边缘计算网络中，对时空资源分配的智能协同优化。

关键技术方法包括：1) 采用DDQN算法解决Q值高估问题；2) 构建奖励驱动模型动态优化延迟敏感任务；3) 开发DAG(有向无环图)任务建模技术处理异构工作负载；4) 在2km×2km模拟环境中部署500个IoT设备、20个移动MEC节点和5个边缘服务器进行验证。

【系统模型】
研究构建了包含云-边-端三层的异构架构，其中边缘服务器(10-50GHz CPU)通过动态重定位策略缩短与移动IoT设备的距离。关键创新在于将时空动态分解为服务器空间位置优化和任务时序调度两个耦合维度，通过马尔可夫决策过程建模设备移动性与任务到达的随机性。

【仿真结果】
与随机卸载(RO)、本地处理(LP)等基线方法相比，DDQN框架在10MB任务负载下表现出显著优势：端到端延迟从QL( Q-Learning)的158ms降至103ms；移动设备能耗从Q-Learning的28.7J减少至20.6J；任务迁移开销降低41%。特别在车辆高速移动场景中，时空预测模块使任务中断率下降62%。

【结论与展望】
该研究开创性地将DDQN应用于MEC时空资源分配领域，其自适应任务优先级机制和移动感知资源调度算法，为5G时代实时应用提供了可扩展解决方案。未来工作将聚焦于：1) 扩展至三维无人机网络场景；2) 集成联邦学习增强隐私保护；3) 开发轻量化模型适配资源受限设备。这项成果不仅推动了边缘计算理论发展，更为智能城市、车联网等典型应用场景提供了切实可行的技术路径。