计算机工程与应用

作者：杨宇辉, 唐小勇

单位：长沙理工大学 计算机与通信工程学院，长沙 410114；

关键词：云-边-端协同,计算卸载,物联网,深度强化学习,边缘计算

基金：国家自然科学基金（62372064）。

近年来，深度神经网络（deep neural network，DNN）在数据处理、图像识别、语音识别等领域取得突破性进展，已经大规模部署在物联网（Internet of things，IoT）设备上。然而IoT设备受到计算性能、电池容量的限制，难以低时延、低能耗地完成DNN推理任务。针对此问题，提出基于云-边-端协同计算的DNN推理任务分割卸载策略。分析DNN推理任务的计算和传输负载特征，以此为基础建立时延和能耗计算模型，并将此模型进行加权归一成本化处理。基于云-边-端协同计算提出多智能体深度强化学习算法MAPPO-MO（multi-agent proximal policy optimization multi-object）来实现DNN推理任务分割和卸载。该方法将云-边-端协同计算环境构建为马尔可夫决策过程（Markov decision process，MDP），将处理后的成本作为奖励指导算法训练，以此实现深度强化学习训练推理过程。为了验证算法有效性，进行了仿真实验，结果表明相较于经典Local-Computing、Offloading-Computing、QMIX算法，MAPPO-MO算法在成本上具有较大优势。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期