本文研究的是移动边缘云计算环境下基于演进博弈的联合资源分配算法。为了满足移动终端（MT）的卸载需求，并降低MT的成本，提出了一种基于演进博弈的联合资源分配方案（JRA-EG），用于移动边缘计算环境中的重叠异构网络。在相同服务区域有卸载需求的MT形成一个种群，并通过选择不同的服务提供商（SP）获取不同的无线和计算资源。通过建立演进博弈模型来模拟SP的选择和MT的资源分配。成本时间函数由能量消耗、延迟和货币成本组成。演化均衡（EE）的解决方案包括基于复制动态的集中式算法和基于Q学习的分布式算法。仿真结果表明，这两种算法都能迅速收敛至演化均衡，区别在于收敛速度和轨迹稳定性。与其他现有方案相比，JRA-EG方案在数据量增大时能节省更多能量并减少延迟。提出的方案可以合理调度无线和计算资源，从而有效降低卸载成本。
文章的关键知识点涉及以下几个方面：
1. 移动边缘计算（Mobile Edge Computing, MEC）：MEC是云计算的一种形式，它将部分计算任务推到网络边缘（即靠近终端用户的接入网边缘），从而实现更快的响应时间和更有效的资源利用。随着应用程序变得越来越复杂，移动终端（如智能手机、平板电脑等）通常会因为有限的电池能力和较小的计算能力而无法处理所有计算任务，MEC允许这些终端将部分计算任务卸载给附近的云服务器。
2. 联合资源分配（Joint Resource Allocation, JRA）：在MEC环境中，资源分配问题是一个关键议题，涉及到无线资源（如带宽、频谱等）和计算资源（如CPU、内存等）的合理分配，以支持移动终端的高效计算卸载。联合资源分配旨在同时优化这两类资源的分配，以提高系统性能和资源利用效率。
3. 演进博弈（Evolutionary Game）：演进博弈是一种动态博弈模型，常用于经济学、生物学和计算机科学等领域中模拟个体或群体在反复互动中的战略调整过程。本文将演进博弈应用于MEC环境中，以模拟服务提供商（SP）和移动终端（MT）之间的相互作用和资源分配决策过程。通过构建成本函数，可以计算出演化均衡点，即一种稳定状态，其中MT不会改变其资源分配策略。
4. 复制动态（Replicator Dynamics）与Q学习（Q-learning）：这两种方法被用于解决演化博弈模型，形成演化均衡的解决方案。复制动态是一种描述群体中不同策略适应度演变的模型，它能够根据当前策略的成功程度来调整策略比例，最终达到均衡状态。Q学习是一种无模型强化学习算法，通过与环境的交互来学习动作值函数，从而找到最优策略。在这篇文章中，它们分别被用于设计集中式算法和分布式算法。
5. 演化均衡（Evolutionary Equilibrium, EE）：在演进博弈理论中，演化均衡是指一种策略组合状态，其中任何参与者的单边改变都不能带来更多的适应度收益。该状态下的策略组合可以看作是系统长期稳定的行为模式。
6. 云计算与数据分析：云计算是一种基于Internet的计算模式，它允许用户通过网络访问共享的可配置的计算资源。在本研究中，云计算资源是MEC环境中的关键组成部分，它与无线资源共同作用以支持移动终端的服务需求。数据分析则涉及到对移动终端在云资源和无线资源使用情况的监控和分析，以更好地进行资源分配。
7. 参考文献与专业指导：参考文献为研究提供了理论支持和实际案例，是科研工作者获取知识的重要途径。专业指导则是对于研究方向和研究方法的指导，能够帮助研究人员更好地理解问题，选择合适的研究路径和方法。
这篇文章通过理论建模、算法设计和仿真验证，展示了如何在移动边缘云计算环境下，利用演进博弈理论来解决联合资源分配问题，这不仅对云计算领域具有重要意义，也为其他相关技术的发展提供了参考和借鉴。
