雾无线接入网络计算分流是一种通过将终端用户的本地任务分流到雾无线接入网络中的服务节点进行处理,以缓解终端用户本地资源不足以满足计算任务需求的新型网络技术。用户在通过雾无线网络建立高速、稳定的网络连接的同时,也能从网络中的雾节点、云节点直接获取数据存储、计算处理等服务。为了充分的挖掘雾无线接入网络资源的利用潜力,提升网络中用户的用户体验,建立合理高效的计算分流决策机制是其中的关键及挑战所在。基于上述的技术背景,本文主要针对雾无线接入网络中的计算分流技术展开了研究,主要的研究工作点如下所示:1.研究了云雾协同场景下,多用户进行计算任务分流处理时的分流决策以及资源分配优化方法。通过建立云雾协同处理的计算分流系统模型,在分流系统资源有限的前提下,归纳出了以最小化系统任务处理能耗为目标的优化问题。计算任务的分流决策问题是一个非线性非凸的整型规划问题,当系统用户较多时,传统优化算法由于算法复杂度过高而不适用。深度强化学习技术可以通过神经网络建立起系统中的用户状态与最优分流决策解之间的映射关系,从而可以避免求解整型规划问题的难题。因此,本文研究了一种基于深度强化学习的计算分流及资源分配联合优化方法,利用深度强化学习技术强大而有效的决策能力,对计算分流系统的分流决策及资源分配进行了优化,有效地提高了系统的运行效率。2.研究了多任务并发分流处理场景下的计算分流分流决策及资源分配的优化问题。首先需要考虑到的是在每一次分流决策时,每个用户都将有多个任务需要同时进行决策分析。系统的时延模型需要考虑不同任务之间进入任务队列的先后问题。其次,雾节点子载波资源是有限的,当存在较多任务同时进行分流处理时,对子载波资源进行合理的分配会是影响系统服务质量的另一个关键因素。通过利用深度确定性策略梯度算法在学习效率和收敛速度方面的优势,能够有效地解决分流决策和子载波分配问题所带来的算法复杂度过高的问题。同时,为了防止因过度使用神经网络而导致算法收敛性变慢,系统的资源分配问题可以通过传统的凸优化方案进行解决。通过最后的仿真实验证明,设计的基于深度确定策略梯度的多任务并发分流处理的分流决策及资源分配优化算法能够有效地降低系统的性能开销,提高系统的服务质量。本文主要针对雾无线接入网络在实时业务场景中进行计算分流与资源分配存在的时效性较差的问题进行了研究。在研究了深度强化学习在决策问题上的高效性和有效性之后,引入了该技术来对雾无线接入网络计算分流及资源分配问题进行优化,从而达到了优化雾无线接入网络资源配置,提高雾无线接入网络系统效益和服务质量的目的。