移动边缘计算中多用户计算卸载在线策略研究开题报告

1. 本选题研究的目的及意义

随着移动设备的普及和计算密集型应用的快速发展，移动设备的计算能力和电池容量成为限制其性能的瓶颈。

移动边缘计算（mobileedgecomputing，mec）作为一种新兴的技术，通过将计算资源部署在网络边缘，为移动设备提供低时延、高带宽的计算服务，有效解决了资源受限问题。

计算卸载作为mec的关键技术之一，通过将移动设备上的计算任务卸载到边缘服务器，可以显著提高任务处理效率，降低设备能耗。

2. 本选题国内外研究状况综述

近年来，移动边缘计算和计算卸载技术受到了学术界和工业界的广泛关注，涌现出大量相关研究成果。

1. 国内研究现状

国内学者在移动边缘计算和计算卸载方面做了大量研究工作，并在以下几个方向取得了一定的进展：
1.计算卸载策略研究：针对不同的优化目标，例如时延最小化、能耗最小化、系统效用最大化等，国内学者提出了多种计算卸载策略，包括基于博弈论的策略、基于队列理论的策略、基于启发式算法的策略等。

3. 本选题研究的主要内容及写作提纲

本选题的研究内容主要围绕移动边缘计算环境下多用户的计算卸载问题展开，旨在设计高效的在线计算卸载策略，以提高系统性能。

1. 主要内容

1.移动边缘计算与多用户计算卸载模型：-研究移动边缘计算网络架构、计算卸载任务模型、用户移动性模型以及资源分配模型，为后续在线卸载策略研究奠定基础。

4. 研究的方法与步骤

本研究将采用理论分析、算法设计、仿真实验相结合的研究方法。

1.理论分析阶段：-深入研究移动边缘计算和多用户计算卸载的相关理论基础，包括但不限于排队论、博弈论、凸优化、强化学习、在线学习等。

-分析现有研究的不足，明确研究目标和方向。

5. 研究的创新点

本研究的创新点在于将在线学习算法应用于移动边缘计算中的多用户计算卸载问题，突破了传统离线算法的局限性，能够更好地适应动态变化的网络环境和用户需求。

具体体现在以下几个方面：
1.在线学习算法的应用：-将强化学习和在线凸优化等在线学习算法引入到多用户计算卸载问题的解决中，通过与环境的实时交互，不断学习和优化卸载策略，提高了算法的适应性和鲁棒性。

2.多用户计算卸载策略的设计：-针对不同的优化目标和应用场景，设计了多种基于在线学习的多用户计算卸载策略，例如基于深度强化学习的在线卸载策略、基于在线拉格朗日对偶的在线卸载算法等，为解决多用户计算卸载问题提供了新的思路。

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] 刘浩,熊永平,邓勇,等.面向车联网的移动边缘计算综述[j].软件学报,2020,31(09):2585-2611.

[2] 王晓墨,丁勇,李想,等.基于深度强化学习的边缘计算资源分配方法综述[j].计算机科学,2022,49(03):1-12.

[3] 陈卓,黄冠,刘云,等.面向车联网的移动边缘计算卸载策略研究综述[j].计算机研究与发展,2020,57(06):1153-1172.