配电网中基于混合DRL的任务卸载与多资源协同调度优化方法OA

针对配电网在数字化、分布式和智能化演进过程中面临的“计算-通信-能源”多资源协同调度与任务卸载导致的时延-能耗联合最优化问题,构建了涵盖本地终端、边缘服务器与云端的数据驱动三层协同计算模型。该模型以加权时延-能耗-公平指标函数为优化目标,综合刻画无线信道条件、传输速率和CPU频率等关键因素,从而量化多资源协同对系统性能的影响。为应对离散卸载决策与连续带宽/计算/能量分配构成的混合动作空间挑战,提出混合深度强化学习(hybrid deep reinforcement learning, HDRL)框架。上层采用双重深度Q网络(double deep Q-network, DDQN)进行卸载动作选择,下层利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)实现连续资源调度,并设计改进优先级经验回放机制(improved prioritized experience replay, IPER)提高样本利用率与收敛速度。仿真结果表明,与纯本地计算、纯边缘计算、随机卸载、遗传算法(genetic algorithms, GA)和不含IPER的DDQN+DDPG方法相比,所提HDRL算法在多场景下显著降低了系统平均时延与总能耗,同时,能在用户规模扩大时依旧能维持高公平性,表现出最佳的扩展鲁棒性,提升了任务完成率与算法稳健性,为配电网多资源协同优化提供了可行、高效的解决方案。