可续电移动边缘计算环境中多用户计算卸载方法研究开题报告

1. 本选题研究的目的及意义

随着移动互联网和物联网技术的快速发展，移动设备数量呈现爆炸式增长，移动应用对计算资源的需求也越来越高。

然而，移动设备受限于电池容量和计算能力，难以满足日益增长的计算需求。

为了解决这一矛盾，移动边缘计算（mec）应运而生。

2. 本选题国内外研究状况综述

随着移动边缘计算和可再生能源技术的兴起，可持续移动边缘计算近年来受到了学术界和工业界的广泛关注，并取得了一系列重要研究成果。

1. 国内研究现状

国内学者在可持续移动边缘计算方面开展了大量研究工作，并在计算卸载策略、资源分配算法等方面取得了一定的成果。

3. 本选题研究的主要内容及写作提纲

1. 主要内容

本研究将以可持续mec环境为背景，针对多用户计算卸载问题，研究高效的卸载策略和资源分配算法，主要研究内容包括：
1.可持续mec系统建模：构建考虑能量收集、计算卸载、资源分配等因素的系统模型，分析用户任务处理时延、系统能耗、用户服务质量等关键性能指标。

2.多用户计算卸载策略研究：设计基于匹配理论、博弈论、深度学习等方法的计算卸载策略，根据用户需求、信道状态、能量收集情况等因素，制定最优的卸载决策，以最小化任务处理时延和能耗，并保证用户之间的公平性。

4. 研究的方法与步骤

本研究将采用理论分析、仿真建模、实验验证等方法，逐步开展研究工作。

1.理论分析：深入研究可持续移动边缘计算系统的特点和挑战，分析能量收集、计算卸载、资源分配等关键因素对系统性能的影响。

研究现有的计算卸载和资源分配算法，分析其优缺点，并在此基础上进行改进和优化。

5. 研究的创新点

本研究的创新点主要体现在以下几个方面：
1.针对可持续移动边缘计算环境，提出一种基于多目标优化的计算卸载策略，综合考虑任务处理时延、系统能耗、用户服务质量等多个优化目标，并设计高效的算法求解该优化问题。

2.提出一种基于深度强化学习的资源分配算法，利用深度神经网络学习用户行为模式和系统动态变化，自适应地调整资源分配策略，提高资源利用效率和系统性能。

3.提出一种基于联邦学习的计算卸载和资源分配联合优化算法，在保护用户隐私的同时，实现多设备之间的协同计算和资源共享，进一步提高系统性能和能源利用效率。

6. 计划与进度安排

第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。

第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲

第三阶段（2024.2~2024.3）查询资料，学习相关论文

7. 参考文献（20个中文5个英文）

[1] 魏亮,彭木根,罗莉,等.移动边缘计算中基于深度强化学习的任务卸载算法[j].计算机学报,2021,44(11):2497-2511.

[2] 陈卓,张宏莉,李强,等.面向工业物联网的移动边缘计算资源分配与卸载决策方法[j].计算机学报,2021,44(01):1-16.

[3] 周旺,黄韬,熊盛武,等.基于深度强化学习的mec计算卸载和资源分配联合优化算法[j].电子学报,2020,48(09):1894-1901.