Se estableció un problema de descarga de tareas y optimización de recursos para grafos dirigidos acíclicos (DAG), con el objetivo de minimizar el consumo de energía del sistema bajo restricciones como la máxima tolerancia al retardo. Considerando la alta dinámica de las solicitudes de cómputo en la red y la dificultad para obtener información completa del estado del sistema, se utilizó el algoritmo MADDPG (gradiente de política determinista profundo multiagente) para explorar la estrategia óptima. En comparación con los algoritmos de descarga de tareas existentes, MADDPG puede reducir el consumo energético promedio del sistema entre un 14.2 % y un 40.8 %, y aumentar la tasa de aciertos del caché local entre un 3.7 % y un 4.1 %.

Computación en el borde móvil;aprendizaje profundo de refuerzo multiagente;descarga de cómputo;asignación de recursos;almacenamiento en caché de servicios