Es wurde ein Problem der Aufgaben-Auslagerung und Ressourcenoptimierung für gerichtete azyklische Graphen (DAG) entwickelt, mit dem Ziel, den Energieverbrauch des Systems unter Berücksichtigung von Einschränkungen wie maximal tolerierbarer Verzögerung zu minimieren. Angesichts der stark dynamischen Berechnungsanfragen im Netzwerk und der Schwierigkeit, vollständige Systemstatusinformationen zu erhalten, wurde letztlich der Multi-Agent Deep Deterministic Policy Gradient (MADDPG) Algorithmus verwendet, um die optimale Strategie zu finden. Im Vergleich zu bestehenden Aufgaben-Auslagerungsalgorithmen kann der MADDPG-Algorithmus den durchschnittlichen Energieverbrauch des Systems um 14,2 % bis 40,8 % senken und die lokale Cache-Trefferquote um 3,7 % bis 4,1 % erhöhen.

Mobile Edge Computing;Multi-Agent Deep Reinforcement Learning;Berechnungsauslagerung;Ressourcenzuweisung;Service-Caching