一种基于动作掩码强化学习的数字孪生模型放置与资源分配方法

一种基于动作掩码强化学习的数字孪生模型放置与资源分配方法，解决存在部署策略与资源分配脱钩、动作空间过大导致强化学习效率低、缺乏对边缘资源竞争的建模等问题。本发明通过将模型放置位置选择与算力资源分配过程统一建模为马尔可夫决策过程，并引入动作掩码机制动态约束动作空间，提升了策略训练效率与部署决策的有效性。本方法不仅精细建模了多个数字孪生服务请求在共享边缘节点资源下的竞争关系，还构建了基于势函数的奖励函数，引导策略向系统时延最小化目标收敛。最终，实现了在动态环境中对数字孪生模型部署与资源分配的协同优化，提升了算力资源利用率与服务质量，满足工业场景对实时性与智能化的高要求。