计算机工程与科学

作者：李佳坤, 谢雨来, 冯丹

单位：1.华中科技大学网络空间安全学院，湖北 武汉 430074；2.信息存储系统教育部重点实验室，湖北 武汉 430074；3.华中科技大学武汉光电国家研究中心，湖北 武汉 430074

关键词：云边协同,任务调度,深度强化学习,DDQN算法,噪声网络,

基金：国家重点研发计划青年科学家项目(2022YFB4501300)；深圳市科技计划（JCYJ20230807143706014）

在云边协同的视频任务处理中，由于存在大量的处理和传输任务，需要考虑任务处理的成功率、任务的处理时间，以保证服务质量。同时，还需要考虑各种资源开销以节省系统运营成本。为了解决上述难题，对云边协同框架下的视频任务调度问题进行了形式化建模，将问题转化为多目标优化问题。针对上述问题，提出了OCES算法，以权衡任务的时延与其在不同节点上产生的开销，并适应不同的动态场景。该算法对相同时间片内的任务进行排序以确定任务优先级，对于每个任务，结合任务信息与当前各边缘节点、云中心节点的状态信息，通过神经网络判断选取Q值最大策略的方法进行调度，用于指定任务的具体执行节点。OCES是基于DDQN的算法，对奖励函数和策略选择方法进行了改进，通过在深度神经网络中结合噪声网络,避免算法过早收敛于局部最优解。相比目前国际先进的CPSA算法，所提出的算法在成功率与完成时间相近的情况下，执行开销在不同平均到达速率与不同任务类型比例的2个场景中分别降低了10.56% 与5.85%。

来源：2025年第10期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第10期