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

随着移动设备的普及和计算需求的不断增长，移动设备面临着电池容量有限、计算资源受限等问题，难以满足日益增长的计算需求。

为了解决这些问题，移动边缘计算（mobileedgecomputing，mec）应运而生。

mec技术通过将计算任务卸载到网络边缘的服务器上，可以有效地扩展移动设备的计算能力，降低任务处理时延和设备能耗，改善用户体验。

2. 本选题国内外研究状况综述

近年来，移动边缘计算任务卸载决策问题成为了学术界和工业界的研究热点，国内外学者在该领域取得了一系列的研究成果。

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展开了深入研究，取得了丰硕的成果。

3. 本选题研究的主要内容及写作提纲

本研究将从以下几个方面展开：
1.系统模型构建:首先，构建移动边缘计算任务卸载系统模型，包括任务模型、设备模型、网络模型和边缘服务器模型。

2.问题建模:基于构建的系统模型，定义任务卸载决策问题，并将其形式化为一个优化问题，目标是最小化任务处理时延、降低设备能耗或提升系统吞吐量等。

3.算法设计与分析:研究基于学习的任务卸载决策算法和基于优化的任务卸载决策算法，包括算法设计、算法复杂度分析、算法性能分析等。

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。

首先，通过文献调研和相关研究，分析移动边缘计算任务卸载决策问题的研究现状、挑战和机遇，明确研究目标和研究内容。

其次，构建移动边缘计算任务卸载系统模型，并对任务卸载决策问题进行形式化描述，建立相应的数学模型，为算法设计提供理论基础。

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.基于深度强化学习的任务卸载决策算法:提出一种基于深度强化学习的任务卸载决策算法，该算法能够自适应地学习网络动态变化，并根据学习到的知识做出最优的卸载决策，提高了任务卸载决策的效率和智能化程度。

2.基于多目标优化的任务卸载决策算法:提出一种基于多目标优化的任务卸载决策算法，该算法能够在考虑多个优化目标（例如时延、能耗、成本等）的情况下，找到一组pareto最优的卸载策略，为用户提供更多选择，满足不同的应用需求。

3.面向特定应用场景的任务卸载决策算法:针对具体的应用场景，例如车联网、智慧城市、工业互联网等，设计面向特定应用场景的任务卸载决策算法，充分考虑场景特点和需求，提高算法的实用性和针对性。

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] 张晓莹,黄韬,陈俊亮.移动边缘计算中任务卸载及资源分配研究综述[j].计算机研究与发展,2018,55(01):13-27.

[2] 魏欣,杜宇,吴黎兵,等.移动边缘计算中任务卸载的研究现状与展望[j].小型微型计算机系统,2018,39(01):1-11.

[3] 周洲,李战怀,任顺,等.边缘计算环境下任务卸载和资源分配算法综述[j].软件学报,2020,31(04):1061-1082.