基于深度强化学习的工作负载自适应边缘服务器布局决策方法

1. 论文中文标题

基于深度强化学习的工作负载自适应边缘服务器布局决策方法

2. 论文主要内容概括

本文提出了一种基于深度强化学习的自适应边缘服务器布局与动态优化方法（APD），以解决移动边缘计算中服务器布局问题。该方法将边缘服务器布局建模为马尔可夫决策过程，通过引入基于工作负载的位置选择规则（LSD），动态调整服务器位置以响应基站负载变化，旨在同时最小化系统平均延迟和服务器负载方差。实验基于上海电信的真实数据集，对比了K-means、Top-k、Random、QMC、TDMC和DQN-ESPA等多种基线算法。结果表明，APD算法在平均延迟上提升了约40%，在负载均衡性能上提升了约17%，表现出更强的适应性和稳定性。

3. 完整复现论文的详细代码及解释

以下是一个完整的Python代码实现，包括数据处理、模型构建、训练与评估，并使用上海电信数据集进行实验验证：

importnumpyasnpimportpandasaspdimporttorch