.png){kind=icon}
返回
Dynamic and Adaptive Task Offloading for UAV-Enabled MEC Systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2026.108505.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人机（UAVs）作为移动边缘计算（MEC）平台在动态环境（如灾区）中的应用日益增多，其中地面基础设施可能不可用或受损。虽然UAV-MEC系统能提供灵活的计算卸载，但许多现有方法要么忽视无人机和终端设备的联合能耗约束，要么依赖DDPG和TD3等深度强化学习（DRL）算法，这些算法在连续动作空间中常因不稳定和适应性差而失效。本研究提出一种基于无人机的MEC系统，联合优化无人机轨迹、无线通信、计算卸载以及无人机和用户设备的能耗。该问题被表述为多目标优化，平衡时延和能效两个紧密耦合的因素，直接影响系统性能。为解决此问题，我们开发了一种基于SAC的约束学习框架（SACDC），专为无人机支持的MEC设计。SACDC基于标准Soft Actor–Critic框架，未修改其底层学习原理，而是整合领域特定机制（如状态归一化、动作修正、熵调优和显式时延-能耗监控），以确保在动态UAV-MEC条件下的稳定且可行的控制。仿真结果表明，SACDC相比DDPG和TD3将收敛速度提升近30%，平均时延降至约2.2秒（对比2.7–2.8秒），能耗降低高达80–90%。这些优势在用户数量、计算资源和通信带宽变化时均得以保持。总体而言，SACDC实现了无人机支持的MEC中高效可靠的任务卸载，支持高动态条件下的关键任务应用。
Keyword:
UAV-enabled MEC
task offloading
deep reinforcement learning
energy efficiency
trajectory optimization
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
Stackelberg Game-Based Computation Offloading and Pricing in UAV Assisted Vehicular Networks无人机辅助车载网络中基于Stackelberg博弈的计算卸载和定价
PREAI
分享收藏Multi-Agent DRL for Task Offloading and Resource Allocation in Multi-UAV Enabled IoT Edge Network
PREAI
分享收藏Latency Minimization Resource Allocation and Trajectory Optimization for UAV-Assisted Cache-Computing Network With Energy Recharging能量补给辅助的UAV缓存计算网络中的延迟最小化资源分配与轨迹优化
PREAI
分享收藏SDN-Driven Multi-Objective Task Offloading in IoT-Enabled UAVs in Edge-Cloud Computing Using Double DQN基于SDN的多目标任务卸载在物联网启用的UAV边缘云计算中使用双重DQN
PREAI
分享收藏Joint Optimization Strategy of Task Migration and Power Allocation Based on Soft Actor-Critic in Unmanned Aerial Vehicle-Assisted Internet of Vehicles Environment无人机辅助车联网环境下基于软Actor-crtic的任务迁移与功率分配联合优化策略.png)
DRONES
OAAI
DRONESIF4.8
OAAI分享收藏
查看更多内容