大数据时代,云边端架构结合了边缘计算的低执行时延与远程云的强大计算能力,能提高终端执行任务的效率。计算卸载策略指导边缘云与远程云资源的分配和终端任务的切分,综合权衡云边端架构下任务的执行时延、能耗等,解决终端设备在计算资源、存储资源和能效等方面存在的不足。现有的计算卸载策略需要收集用户终端的任务信息、设备信息和信道信息等,不适用于难以收集到这些信息的场景,在这类场景中不能做出有效的计算卸载决策。基于云边端架构,针对共享信息有限的计算卸载场景,论文提出一种用户自主决策的计算卸载方法。该方法分析云边端架构下的计算卸载的任务执行时延和用户终端的能耗,提出一种效用函数作为用户终端计算卸载策略的评价指标,只需要获取边缘云和远程云的负载信息,就可以做出计算卸载决策;基于该效用函数,提出一种用户自主决策的计算卸载策略,该策略包括计算卸载预划分和基于深度强化学习的计算卸载决策两阶段。计算卸载预划分根据边缘云和远程云的任务执行时延,决定用户终端将任务卸载至边缘云还是远程云,将非凸性的计算卸载决策问题转化为凸优化问题,以找到计算卸载决策的最优解。基于深度强化学习的计算卸载决策,根据预划分的结果为用户提供计算卸载至边缘云和远程云的具体比例,解决了现有研究在连续动作空间存在的维数爆炸问题。实验结果表明,该方法只需共享部分信息,就能把计算任务合理地分配到云边端。该方法的计算卸载策略相比于仅卸载至边缘云、仅卸载至远程云的策略可以提高用户的效用,并能根据信道条件和用户偏好调整计算卸载决策。与现有的计算卸载策略对比,在收敛速度上,该方法的计算卸载策略是MAA2C策略的3.3倍;在用户的效用上,比MAA2C提升至少12%,比DROO策略提升至少65%。