研究背景与问题

随着信息技术的飞速发展，边缘智能网络（Edge Intelligence Network, EIN）在物联网、云计算等领域扮演着越来越重要的角色。其中，基站缓存策略作为EIN的关键组成部分，对网络性能有着显著影响。然而，现有的基站缓存策略往往存在缓存容量不足、命中率低等问题，导致网络延迟和能耗增加。针对这一现状，本文旨在解决边缘智能网络中基站缓存策略优化问题。

研究方法

为了解决上述问题，本文提出了一种基于平均场型博弈（Mean-Field-Type Game, MFTG）的边缘缓存优化方法。首先，我们建立了非合作与合作MFTG模型，通过引入平均场概念，将多智能体之间的相互作用转化为对全局平均场的影响。然后，利用耦合方法，将用户请求分布、缓存内容分布和缓存策略等因素纳入模型，从而实现缓存资源的有效分配。此外，我们采用了迭代更新算法，以迭代优化每个智能体的策略，最终实现整体网络性能的提升。

核心结果

通过仿真实验，我们验证了所提方法的有效性。实验结果表明，与传统的缓存策略相比，基于MFTG的边缘缓存优化方法在缓存命中率、网络延迟和能耗等方面均有显著提升。具体而言，该优化方法能够有效降低网络延迟，提高缓存命中率，从而提升用户满意度。此外，通过对比非合作与合作MFTG模型，我们发现合作模型在缓存性能方面具有更高的优势，进一步证明了合作策略在边缘智能网络中的重要性。

结论与意义

本文提出了一种基于平均场型博弈的边缘缓存优化方法，有效解决了边缘智能网络中基站缓存策略优化问题。该方法通过引入平均场概念，实现了多智能体之间的相互作用，并利用耦合方法将多种因素纳入模型，从而优化缓存资源分配。实验结果表明，该优化方法在提高缓存性能方面具有显著优势。本研究为边缘智能网络的缓存策略优化提供了新的思路，对提升网络性能、降低能耗具有重要的理论意义和应用价值。

文章来源：《计算机系统应用》 网址: http://www.jsjxtyyzz.cn/qikandaodu/2026/1027/330.html

上一篇：基于双分支编码和语义引导的视频人像抠图方法
下一篇：漏洞报告自动化复现智能体技术