基于深度强化学习的边缘服务器自适应布局与动态优化方法

论文复现报告

1. 论文中文标题

基于深度强化学习的边缘服务器自适应布局与动态优化方法

2. 论文主要内容概括

该论文提出了一种基于深度强化学习的边缘服务器自适应布局与动态优化方法（APD），旨在解决移动边缘计算（MEC）中服务器部署的负载均衡与低延迟问题。该方法将服务器布局问题建模为马尔可夫决策过程，提出了一种基于负载的服务器位置选择规则（LSD），动态调整服务器位置以优化系统平均延迟和负载均衡。作者在上海电信真实数据集上进行了实验验证，结果表明APD算法相较于现有技术平均延迟性能提升约40%，负载均衡性能提升约17%。该方法通过深度Q网络（DQN）进行策略学习，结合经验回放和目标网络机制，实现了在高维状态和动作空间中的高效优化。

3. 完整复现代码及解释

以下是论文中APD算法的完整Python复现代码，包含详细的注释说明。代码实现了基于深度Q学习的边缘服务器动态布局优化系统。

importnumpyasnpimportpandasaspdi