基于强化学习的多接入边缘计算细粒度任务自适应卸载方案研究

在多接入边缘计算(MEC)场景下，针对设备资源和能量受限难以满足高时效性、高资源需求任务的问题，研究人员提出基于细粒度任务序列的自适应卸载决策(AOD-FTS)。该研究通过设计子任务调度优化(SO-S)算法和自适应多目标强化学习(AMRL-OS)算法，实现了任务延迟降低81.66%、能耗减少71.36%的突破性成果，为边缘计算资源优化提供了创新解决方案。

　　

随着物联网(IoT)技术的快速发展，智能设备需要处理越来越多资源密集型和延迟敏感型应用。然而，终端设备的计算能力和电池续航有限，云计算又存在网络延迟问题，这使得任务执行面临巨大挑战。多接入边缘计算(MEC)通过将服务器部署在网络边缘，为实时数据处理提供了新思路，但如何高效分配边缘资源、优化任务卸载策略仍是亟待解决的难题。

针对这一挑战，来自湖北某高校的研究团队在《Simulation Modelling Practice and Theory》发表了一项创新研究。他们发现现有方法存在两大局限：一是未能充分利用环境中的闲置资源，二是对任务内部子任务间的依赖关系考虑不足。为此，团队提出自适应细粒度任务排序卸载方案(AOD-FTS)，通过将任务分解为最小可执行单元并优化其执行顺序，显著提升了系统性能。

研究采用三项关键技术：1)基于设备到设备(D2D)通信的资源扩展技术，利用空闲终端设备；2)细粒度任务分解与调度优化(SO-S)算法，挖掘子任务并行潜力；3)基于有序子任务的自适应多目标强化学习(AMRL-OS)，通过多目标马尔可夫决策过程动态调整优化偏好。实验选取了MORL-ODT和D2COA两种基准算法进行对比验证。

在系统模型部分，研究构建了包含M个物联网终端的边缘服务器架构，终端间可通过无线网络通信。问题建模为在带宽B、计算资源F和存储资源W约束下，最小化总延迟T_i^total和总能耗E_i^total的多目标优化问题，数学表达为min(αT_i^total+βE_i^total)，需满足四项约束条件：(c1)带宽总和限制、(c2)计算资源限制、(c3)存储资源限制、(c4)任务截止时间限制。

AOD-FTS方案的核心创新体现在：SO-S算法通过重构子任务执行顺序，使独立子任务能并行处理，降低整体任务完成时间；AMRL-OS算法则根据环境变化动态调整延迟与能耗的优化权重α和β，实现负载均衡。仿真结果显示，相比基准算法，AOD-FTS使任务完成率提升15%，资源利用率提高20%，延迟最高降低81.66%，能耗最高减少71.36%。

这项研究的意义在于：首次将细粒度任务排序与多目标强化学习相结合，为边缘计算资源优化提供了新范式。通过理论创新和算法设计，解决了终端资源受限与任务需求间的矛盾，为5G时代延迟敏感型应用提供了可靠技术支撑。研究获得国家自然科学基金(62377009)、湖北省自然科学基金(2023AFB313)等多项资助，相关成果可广泛应用于智能交通、远程医疗等对实时性要求高的领域。

论文作者Jie Li负责概念设计与算法实现，Ge Chen完成数据分析和论文撰写，Kansong Chen作为通讯作者指导研究并验证结果。团队特别声明使用DeepL Write进行语言润色，但所有学术观点和实验数据均由研究者独立完成。这项原创性研究为边缘计算领域的发展做出了重要贡献，其提出的自适应优化框架对未来智能边缘系统的设计具有指导意义。