1. 本选题研究的目的及意义
随着移动互联网和物联网技术的快速发展，移动设备数量呈现爆炸式增长，移动应用对计算资源的需求也越来越高。
然而，移动设备通常受限于电池容量和计算能力，无法满足日益增长的计算需求。
为了解决这一矛盾，移动边缘计算（MEC）应运而生，作为一种新兴的计算范式，它将云计算的强大算力扩展到网络边缘，为移动设备提供低时延、高带宽的计算服务。
2. 本选题国内外研究状况综述
近年来，移动边缘计算中的计算卸载和资源分配问题得到了学术界和工业界的广泛关注，涌现出大量的研究成果。
1. 国内研究现状
国内学者在移动边缘计算方面展开了积极探索，并在计算卸载策略、资源分配算法等方面取得了一系列重要成果。
3. 本选题研究的主要内容及写作提纲
本课题主要研究移动边缘计算中多用户场景下的计算迁移策略，旨在设计一种高效、智能的计算迁移决策机制，以优化系统性能，提升用户体验。
1. 主要内容
1.构建多用户移动边缘计算系统模型:针对多用户场景，构建系统模型，考虑用户移动性、任务特征、网络状态、边缘服务器负载等因素，为计算迁移策略研究奠定基础。
4. 研究的方法与步骤
本课题将采用理论分析、算法设计、仿真实验等方法进行研究。
1.理论分析：-深入研究移动边缘计算、计算迁移、多目标优化、深度学习等相关理论知识。
-分析多用户场景下计算迁移的特点和挑战，为算法设计提供理论依据。
5. 研究的创新点
本课题的创新点主要体现在以下几个方面：
1.多目标优化与深度学习的结合:将多目标优化算法和深度学习算法应用于多用户计算迁移策略设计，综合考虑任务时延、设备能耗、系统资源利用率等多个优化目标，并利用深度学习强大的学习能力，实现智能化的计算迁移决策。
2.复杂多用户场景下的迁移策略:针对复杂多用户场景，考虑用户移动性、任务特征、网络状态、边缘服务器负载等多种因素的影响，设计更加贴近实际应用场景的计算迁移策略。
3.基于深度强化学习的迁移策略:利用深度强化学习算法，设计能够根据环境动态变化自适应调整迁移策略的智能化算法，以应对复杂多用户场景下的挑战。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
1. 陈旭,黄韬,张涛,等.移动边缘计算中基于深度强化学习的任务卸载方案[J].计算机学报,2020,43(11):2124-2140.
2. 魏欣,李战怀,姜春晓.基于移动边缘计算的无人机辅助任务卸载策略[J].通信学报,2021,42(02):100-110.
3. 孟祥武,韩笑,王东,等.基于用户体验的移动边缘计算资源分配算法[J].电子学报,2020,48(09):1919-1926.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
