| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 移动边缘计算网络关键技术概述 | 第14-17页 |
| 1.2.1 计算卸载 | 第14-15页 |
| 1.2.2 资源分配 | 第15-16页 |
| 1.2.3 干扰管理 | 第16页 |
| 1.2.4 计算任务迁移 | 第16-17页 |
| 1.3 论文的主要工作和结构安排 | 第17-21页 |
| 第二章 移动边缘计算网络中资源分配技术研究现状 | 第21-29页 |
| 2.1 移动边缘计算网络概述 | 第21-24页 |
| 2.1.1 移动边缘计算网络架构 | 第21-22页 |
| 2.1.2 移动边缘计算典型应用场景 | 第22-24页 |
| 2.2 移动边缘计算资源分配算法 | 第24-28页 |
| 2.2.1 基于时延与能耗的资源分配算法 | 第25-26页 |
| 2.2.2 基于通信与计算负载均衡的资源分配算法 | 第26页 |
| 2.2.3 基于系统效益的资源分配算法 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 移动边缘计算网络中考虑认知技术的资源分配算法 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 系统模型 | 第30-33页 |
| 3.2.1 网络架构 | 第30-31页 |
| 3.2.2 通信模型 | 第31页 |
| 3.2.3 移动边缘计算卸载模型 | 第31-32页 |
| 3.2.4 系统效益函数 | 第32-33页 |
| 3.3 算法设计及实现 | 第33-37页 |
| 3.3.1 问题规划及转换 | 第33-35页 |
| 3.3.2 算法流程 | 第35-37页 |
| 3.3.3 算法复杂度分析 | 第37页 |
| 3.4 仿真及性能分析 | 第37-40页 |
| 3.4.1 仿真场景描述 | 第37-39页 |
| 3.4.2 仿真结果分析 | 第39-40页 |
| 3.5 本章小结 | 第40-43页 |
| 第四章 移动边缘计算网络中基于深度强化学习的资源分配算法 | 第43-58页 |
| 4.1 引言 | 第43-44页 |
| 4.2 系统模型 | 第44-49页 |
| 4.2.1 网络模型 | 第44-45页 |
| 4.2.2 业务缓存模型 | 第45-46页 |
| 4.2.3 通信模型 | 第46-48页 |
| 4.2.4 计算模型 | 第48-49页 |
| 4.3 算法设计与实现 | 第49-52页 |
| 4.3.1 深度强化学习 | 第49-50页 |
| 4.3.2 问题描述及建模 | 第50-52页 |
| 4.3.3 基于深度强化学习的系统效益最大化算法 | 第52页 |
| 4.4 仿真及性能分析 | 第52-55页 |
| 4.4.1 仿真场景描述 | 第52-54页 |
| 4.4.2 仿真结果分析 | 第54-55页 |
| 4.5 本章小结 | 第55-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 全文工作总结 | 第58页 |
| 5.2 下一步的工作 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 附录 | 第66-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |