移动边缘计算任务卸载决策研究开题报告

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，移动设备数量呈爆炸式增长，这些设备产生了海量的计算任务和数据。

然而，移动设备通常计算能力有限，电池容量受限，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，其将计算和存储资源部署在网络边缘，为移动设备提供低时延、高带宽、高可靠性的计算服务。

2. 本选题国内外研究状况综述

移动边缘计算任务卸载决策问题近年来受到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

国内学者在移动边缘计算任务卸载决策方面开展了大量研究工作，在任务卸载模型、算法设计和应用研究等方面取得了丰硕成果。

3. 本选题研究的主要内容及写作提纲

1. 主要内容

本研究将围绕移动边缘计算任务卸载决策问题展开，主要研究内容包括：
1.移动边缘计算任务卸载模型研究:针对典型的移动边缘计算场景，构建系统模型，并对计算模型、通信模型和能耗模型进行详细定义，为后续算法设计提供基础。

2.基于优化理论的任务卸载决策算法研究:研究基于线性规划、凸优化等优化理论的卸载决策算法，在满足时延、能耗等约束条件下，最小化系统总成本或最大化系统效用。

4. 研究的方法与步骤

本研究将采用理论分析、算法设计、仿真实验等方法，逐步推进研究工作：
1.文献调研:深入调研移动边缘计算、任务卸载决策、优化理论、机器学习、博弈论、深度强化学习等相关领域的国内外最新研究成果，为本研究提供理论基础和技术支撑。

2.模型构建:针对典型的移动边缘计算场景，构建系统模型，并对计算模型、通信模型和能耗模型进行详细定义，为后续算法设计提供基础。

3.算法设计:基于优化理论、机器学习、博弈论、深度强化学习等方法，设计高效的移动边缘计算任务卸载决策算法。

5. 研究的创新点

本研究的创新点在于：
1.构建更贴近实际的移动边缘计算任务卸载模型:综合考虑计算资源、通信资源、能耗、安全性等多种因素，构建更全面、更准确反映实际场景的任务卸载模型，为算法设计提供更可靠的依据。

2.设计高效、智能的卸载决策算法:探索基于深度强化学习的卸载决策方法，利用深度强化学习强大的学习和决策能力，设计自适应的、面向动态环境的卸载策略，以应对复杂多变的网络环境。

3.探索面向未来网络的卸载决策:研究面向5g/6g等未来网络环境下的任务卸载决策问题，例如考虑网络切片、边缘智能等新兴技术对任务卸载决策的影响，设计更具前瞻性的卸载策略。

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. 刘佳, 张海林, 陈俊亮, 等. 移动边缘计算中任务卸载及资源分配优化综述[j]. 软件学报, 2019, 30(9): 2726-2747.

2. 陈旭, 何明, 陈俊华, 等. 面向车联网的移动边缘计算任务卸载策略[j]. 计算机学报, 2021, 44(01): 204-222.

3. 孟祥武, 郑重, 刘鸿博, 等. 基于深度强化学习的移动边缘计算资源分配与任务卸载算法[j]. 通信学报, 2021, 42(09): 111-122.