基于DQN的无人机辅助移动边缘计算卸载优化

摘要

【目的】在动态环境下，移动边缘计算(MEC)系统中的传统任务卸载策略普遍存在调度灵活性不足、对环境变化适应性弱及延迟控制能力有限等问题，难以满足时延敏感型任务的处理需求。针对上述问题，提出了一种融合无人机辅助机制的MEC卸载优化方法，以提升系统服务质量和任务响应效率。【方法】针对UAV-MEC场景下用户分布动态变化及链路状态频繁波动的特点，本文将任务卸载、用户调度与无人机(UAV)轨迹控制联合建模为马尔可夫决策过程(MDP),并采用深度Q网络(DQN)框架以学习近似最优策略。在状态建模中，充分考虑了UAV能耗约束、用户任务属性及其时效性要求等因素，并通过动作空间离散化处理以适配DQN架构。奖励函数设计中引入延迟损耗与超时惩罚机制，引导智能体自适应地学习高效的任务卸载策略。【结果】仿真结果表明，本文方法在累计奖励、平均任务处理时延及任务超时惩罚次数等指标上均优于完全本地计算和完全边缘卸载这类基线策略，展现出良好的策略收敛性和环境适应能力，尤其在通信链路波动或计算资源受限条件下仍能保持稳定性能。【结论】本文提出的基于DQN的UAV辅助边缘计算联合优化策略，能够在动态复杂环境中显著提升系统对时效敏感任务的处理效率与调度性能，为高机动性移动边缘计算系统的设计与优化提供了可行的解决思路与理论支撑。

关键词

无人机辅助计算 / 任务卸载 / 移动边缘计算 / 任务调度 / 深度Q网络