尼俊红， 吕梦楠

(华北电力大学(保定)信息与通信工程学院， 保定 071003)

随着第五代移动通信技术(the fifth generation，5G)的飞速发展，新型多媒体服务和自动驾驶等人工智能应用将成为移动用户的热门选择[1]。不同用户在服务质量和体验质量等方面对通信网络提出了不同的要求,其中有些应用程序(如共享单车)对网络延迟和可靠性要求是弹性的，而有些应用(如智能交通和智能医疗)则对网络延迟、吞吐量、可靠性等方面有严格的要求。考虑到如此多样化的服务质量和体验质量要求，在密集用户场景，如何给用户提供较好的用户体验正面临着前所未有的挑战[2]。

一个根本的问题是如何解决计算密集型应用与资源受限的移动设备之间的冲突。值得注意的是许多计算密集型任务所要求的计算量都很大，而且需要很高的能耗。然而，由于受到物理尺寸的限制，这些轻量级移动设备的计算资源和电池寿命总是有限的。为了解决这个问题，移动边缘计算卸载(mobile edge computation offloading, MECO)[3]提供了一个可行的解决方案。文献[4]研究了动态环境下的多用户MECO问题并将其表述为一个随机问题，动态环境下移动用户的主动性和无线信道的增益都是时变的。论文提出了一种高效的多主体随机学习算法，降低了系统的计算量。文献[5]将MECO问题与干扰管理相结合，将卸载决策、物理资源块分配和移动边缘计算(mobile edge computing, MEC)的计算资源分配作为三个优化问题，设计了博弈论算法，并取得了较好的性能。文献[6]通过部署非常密集的接入结点(如微基站、家庭热点)，大大减小用户与其相关接入节点之间的距离，使得系统性能得到显著提高。……