摘要
超越对角线的可重构智能表面（BD-RIS）通过混合传输和反射模式实现有效的信号放大和全空间覆盖，为异构移动边缘计算（MEC）系统中的阻塞感知上行卸载提供了有前景的解决方案。然而，实际的混合模式BD-RIS由互易设备实现，这会产生跨扇区的能量泄漏，从而重塑系统级的能量-延迟权衡。本文研究了基于互易的BD-RIS辅助的异构MEC中的能量感知卸载和资源分配，其中卸载决策、CPU/GPU计算分配、发射功率、接收处理和活跃的BD-RIS紧密耦合。
方法
所得到的问题是一个高维混合整数非凸问题，传统的单实例优化方法难以有效解决。为应对这一挑战，我们开发了一种基于分布式软演员-评论家算法（DSAC-T）的端到端联合优化框架。通过建模回报分布而不仅仅是期望值，DSAC-T在奖励异质性和可行性边界敏感性下提高了策略稳定性。
结果
与其他基线算法相比，DSAC-T在能量-延迟奖励上表现最佳，达到了81.67%的最高可行性比率，并且每个场景的快速在线决策时间为0.0267秒。
博主点评： 本文提出的DSAC-T算法在复杂的异构边缘计算环境中表现出色，尤其是在处理能量和延迟的权衡时。通过引入分布式强化学习，显著提高了策略的稳定性和决策效率，为未来的边缘计算研究指明了方向。