基于边缘计算网络的卸载优化及资源优化
考虑了一个多用户单窃听者的移动边缘计算(MEC)网络，通过使用深度强化学习算法，并结合凸优化，对MEC网络进行了卸载优化与资源优化。
仿真结果如下所示（部分）：
上图展示的是窃听者共谋的结果。从图中可以明显看出，仅仅跑了100epoch，DQN所跑出来的结果明显优于全本地与全卸载。并且趋近于收敛趋势（笔者自己跑的epoch太少了，跑500个epoch应该就能收敛了）。说明DQN从网络中学习到了相关知识，并将网络性能优化。
上图展示的是窃听者非共谋的结果。由于非共谋的窃听者会对网络环境产生较大的干扰，所以从途中可以明显看出此图较上图而言存在着明显的波动。但是在如此大干扰情况下，DQN仍能从中学习到知识，并将网络性能优化。
最后一张图展示的是，结合了传统的MEC优化算法，在这过程中，我们所提出的DQN分配卸载策略，凸优化解决资源分配的算法仍比传统的MEC优化算法更优。这说明我们所提出的算法相较于传统优化算法有着更好的优势
系统模型图如下所示：
DQN的结构如下两张图所示：
