基于元强化学习的应急救援边缘云服务资源缓存OA

面向灾害应急场景下边缘云服务请求突发、新场景样本有限导致的资源预缓存决策困难问题,该文提出一种基于元强化学习(meta-reinforcement learning,Meta-RL)的服务资源预缓存方法。该方法将资源预缓存过程建模为Markov决策过程(Markov decision process,MDP),以近端策略优化算法(proximal policy optimization,PPO)为基础策略框架,并从服务保障能力与资源成本效益2个维度构建综合评价指标,通过多任务训练学习可迁移的策略初始化参数,实现新场景下缓存策略的少样本快速适应。仿真结果表明,基于元强化学习的近端策略优化算法(METAPPO)在场景变化后仍具有优异的收敛性能。该方法能够提升灾害应急边缘云服务资源预缓存的快速适应能力,为少样本条件下的应急边缘智能服务资源配置提供支撑。