杨 天，杨 军

（宁夏大学 信息工程学院，宁夏 银川 750021）

0 概述

目前，智能化终端已经成为现代生活中不可缺少的一部分［1-2］，同时随着5G 通信技术的发展，人们开始在智能终端设备上开展高清视频直播、增强现实等新型业务。然而，由于受到计算能力和电池容量的限制，终端设备无法高效地满足大量新型计算任务低时延、高计算的基本要求［3］，而若将计算密集型任务卸载至云端，则会增加传输的延迟和额外的网络负载［4-5］。为此，人们提出移动边缘计算（Mobile Edge Computing，MEC）［6-7］技术，将云端的计算与存储能力迁移至网络边缘，通过边缘进行任务计算，从而降低终端设备能耗与执行时延，提高服务质量［8］。

在MEC 环境中，以卸载决策和资源分配为主的计算卸载技术是学者们重点研究的对象［9］。目前相关研究主要针对多用户单MEC 服务器场景，且多数没有同时考虑计算资源约束与时延约束［10-17］，这将导致不能更准确地模拟真实的卸载情况，如在自动驾驶、紧急救援等场景下，需要在有限资源下完成时延敏感型任务的计算。本文将卸载场景转变为多用户多MEC 服务器场景，同时考虑计算资源有限与时延约束的情况，结合深度强化学习理论和一种新型目标函数，提出卸载决策与资源分配的联合优化方法，从而在满足时延约束的情况下缩短计算任务完成时间并降低终端能耗。

1 相关研究

近年来，国内外学者已对MEC 计算卸载技术进行了深入的研究。文献［10］将可再生绿色能源引入到MEC系统中，将执行时延与卸载失败率作为优化目标，基于Lyapunov 优化提出一种卸载决策与资源分配算法，但该系统仅适用于单用户卸载情况。……