一种基于DRL的边缘计算服务部署与资源优化方法

本发明提出了一种基于DRL的边缘计算服务部署与资源优化方法，涉及移动边缘计算技术领域，包括考虑用户请求动态多样、边缘资源分散受限、服务部署成本有限的边缘计算网络环境，针对边缘计算环境下用户特定的服务满意延迟需求和边缘服务部署预算、边缘服务器资源等约束，针对问题特性，将它重新建模为一个受限马尔可夫决策过程问题，并分别定义状态、动作、奖励函数以及约束函数，基于增强近端策略优化的安全深度强化学习方法对问题进行求解，并采用多深度神经网络策略来处理深度强化学习问题中决策变量的耦合性，本发明旨在满足部署预算与边缘服务器资源约束的多重条件下最大化系统的总体用户满意度。