Une problématique de déchargement des tâches d'un graphe orienté acyclique (DAG) et d’optimisation des ressources a été établie, visant à minimiser la consommation d'énergie du système sous des contraintes telles que la latence maximale tolérable. Compte tenu de la nature hautement dynamique des requêtes de calcul dans le réseau et de la difficulté d’obtenir une information complète sur l’état du système, l’algorithme de gradient de politique déterministe profond multi-agent (MADDPG) a été utilisé pour explorer la stratégie optimale. Par rapport aux algorithmes de déchargement existants, MADDPG permet de réduire la consommation moyenne d'énergie du système de 14,2 % à 40,8 % et d’améliorer le taux de succès du cache local de 3,7 % à 4,1 %.

Calcul en périphérie mobile;apprentissage par renforcement profond multi-agent;déchargement de calcul;allocation des ressources;cache de services