雾计算环境中的强化学习资源分配
1. 雾计算任务分类与特性
在雾计算系统中，根据任务特性，可将任务分为轻、中、重三类，以便进一步分析任务大小对系统性能的影响。同时，任务（即输入数据）的可分割性也在相关研究中有所探讨。
1.1 任务分类
- 轻、中、重任务：基于任务的特性，如同许多现有研究一样，任务可被划分为轻、中、重三类，这有助于分析任务大小对雾计算系统性能的影响。
- 任务可分割性：输入数据存在两种情况，一种是无法分割，只能由单个雾设备处理；另一种是可分割成多个具有较小数据量的子任务，这些子任务可由不同雾设备同时处理，从而实现并行计算。例如，输入数据 a 可分割为三个独立子集 {a1, a2, a3}，处理这些子集的子任务输出 f(a1)、f(a2)、f(a3) 会在最后阶段合并处理以得到最终结果 f(a)，这种机制被称为部分卸载。
1.2 计算资源需求
计算任务的输入数据可能包含多种类型，如文本、图像、视频和音频。对于所需的计算资源，不同场景考虑的因素不同，有些研究仅考虑中央处理单元（CPU 周期），而在执行机器学习算法等繁重复杂任务时，还会考虑 GPU 和内存需求。
2. 雾计算环境中的资源分配问题
雾计算技术为执行任务提供了额外资源，提高了计算系统的服务质量，但也面临着资源分配的重大挑战。
2.1 环境复杂性与动态变化
- 设备异构性：雾计算设备（如网关、集线器和交换
)
