智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能和效...智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能和效率过低。提出了一种基于双重延迟深度确定性策略梯度的多无人机辅助计算迁移算法(Collaborative Cloud‑Edge Computing Offload‑ing Based on TD3,CeCO‑TD3),该算法构建了一个联合无人机飞行角度、距离、迁移服务选择和任务迁移比的多目标优化函数,以最小化系统的计算时延与能耗,利用深度强化学习算法对问题求解。并且引入云边协作框架和带有优先级的云端策略经验池,进一步保障了多无人机的计算迁移服务质量。实验结果表明,所提算法在缩减任务传输时延和降低计算能耗方面优于传统优化算法。展开更多
文摘智能电网中边缘计算迁移技术的应用一定程度上满足了电力业务的实时性要求,然而,随着电网规模的扩大,电力终端设备接入密度越发增高,分布情况越发复杂,传统的静态边缘计算节点难以完全覆盖分散的电力终端设备,进而导致计算迁移性能和效率过低。提出了一种基于双重延迟深度确定性策略梯度的多无人机辅助计算迁移算法(Collaborative Cloud‑Edge Computing Offload‑ing Based on TD3,CeCO‑TD3),该算法构建了一个联合无人机飞行角度、距离、迁移服务选择和任务迁移比的多目标优化函数,以最小化系统的计算时延与能耗,利用深度强化学习算法对问题求解。并且引入云边协作框架和带有优先级的云端策略经验池,进一步保障了多无人机的计算迁移服务质量。实验结果表明,所提算法在缩减任务传输时延和降低计算能耗方面优于传统优化算法。
