在动态移动边缘计算（MEC）环境中，确保最佳和及时的任务卸载至关重要但具有挑战性。尽管元强化学习（MRL）可以在有限的样本下实现卸载目标，但它无法有效适应任务复杂性或不同学习阶段的波动。为了克服这一刚性，本文提出了一种自适应学习率元强化学习（ALR-MRL）算法。首先，为了缓解边缘节点上的资源限制，我们将云服务器纳入卸载架构，从而显著增强系统的适应性和计算能力。其次，我们开发了一种结合Seq2Seq网络与自适应学习率的新政策更新机制。通过将任务图转换为嵌入序列并基于梯度方差和偏差动态调整学习率，该算法实现了对不同任务难度的精确适应。最后，我们通过全面的模拟验证了所提方法。结果表明，ALR-MRL在减少平均延迟方面比现有方法提升了30%，比微调深度强化学习算法减少了40%。
Yao等人（周二）研究了这个问题。