一種基于DRL的低軌衛(wèi)星移動(dòng)邊緣計(jì)算卸載策略

摘要： 考慮到不同用戶任務(wù)和計(jì)算能力差異，并綜合低地球軌道(Low Earth Orbit, LEO)衛(wèi)星移動(dòng)和資源限制等因素，針對(duì)多顆LEO衛(wèi)星覆蓋場(chǎng)景下的多用戶任務(wù)決策卸載問題，提出了一種基于深度強(qiáng)化學(xué)習(xí)(Deep Reinforcement Learning, DRL)的決策卸載和資源分配策略，對(duì)系統(tǒng)的耗時(shí)和能耗進(jìn)行優(yōu)化。決策卸載問題設(shè)置為一個(gè)離散的有效狀態(tài)的單用戶決策選擇問題，...