一种基于Rainbow DQN的车联网计算卸载方法

随着人工智能技术的飞速发展，计算密集型应用通常需要大量的计算资源，而移动端设备(例如车辆)的计算资源往往有限，难以满足这些应用的需求。为了解决这一挑战，本研究提出了一种基于Rainbow DQN算法的深度强化学习方法，专门针对车联网(Vehicle‑to‑everything,V2X)中的计算卸载问题。在考虑任务的特性和系统资源的情况下，根据云、边、端各类计算单元在数据运算、分析、决策等方面的能力差异，该方法集成了多种改进的深度强化学习方法，旨在解决端车辆计算能力不足的问题，并对整个系统时延和能耗进行优化，解决车联网场景下的计算卸载问题。