审稿意见

一、文章概述

文章《面向智慧煤矿的智能边缘计算卸载算法》由李昭慧和崔鑫撰写，针对智慧煤矿中物联网设备计算资源受限的问题，提出了一种基于复合优先经验回放Deep Q-learning的计算卸载算法。文章通过构建矿井物联网系统模型，结合本地计算、完全卸载和井下边缘服务器协同卸载策略，旨在降低系统能量损耗和计算时延，保障矿井物联网的安全高效运行。

二、审稿评价

主题与意义
文章选题新颖，紧扣智慧煤矿和边缘计算的发展趋势，具有较高的学术价值和实际应用意义。
针对智慧煤矿中物联网设备的计算资源受限问题，提出的卸载算法为解决这一问题提供了新思路和新方法。
内容质量
文章结构完整，逻辑清晰。从引言、系统模型建立、计算卸载算法设计到实验仿真及分析，各环节衔接紧密，层次分明。
技术细节阐述详细，算法设计部分逻辑严密，公式推导准确，实验仿真部分数据充分，结果分析合理。
语言表达专业、准确，符合学术论文的写作规范。
创新性与价值
文章提出的基于复合优先经验回放Deep Q-learning的计算卸载算法，结合了矿井巷道的实际特点和矿井设备的移动性，具有一定的创新性。
通过实验仿真验证了算法的有效性，表明该算法在降低系统时延和能耗方面优于传统方法，具有较高的应用价值。
格式与规范
文章格式规范，符合《舰船电子工程》的投稿要求。标题、摘要、关键词、正文、参考文献等要素齐全，排版整洁。
引用文献格式统一，遵循了学术规范。
三、审稿建议

拓展应用场景
文章目前主要聚焦于智慧煤矿场景，建议作者可以进一步探讨该算法在其他类似工业场景（如智慧工厂、智慧油田等）的适用性，以拓展算法的应用范围。
深化理论分析
在算法设计部分，建议作者进一步分析算法的时间复杂度和空间复杂度，以评估算法在实际应用中的可行性和效率。
可以增加对算法稳定性的讨论，分析在不同网络环境和设备负载下算法的鲁棒性。
强化实验验证
建议作者增加更多的实验场景和参数设置，以全面验证算法的性能。例如，可以考虑不同数量的智能矿井设备、不同的任务数据量、不同的边缘服务器计算能力等情况。
可以考虑与现有其他卸载算法进行更详细的对比分析，以突出本文算法的优势。
完善结论与展望
在结论部分，作者可以进一步总结文章的主要贡献和创新点，明确算法在实际应用中的潜力和价值。
对未来研究方向进行展望，提出可能的改进方向和研究课题，为相关领域的进一步探索提供参考。
综上所述，本文是一篇具有较高学术价值和实际应用意义的论文，但在应用场景拓展、理论分析深化、实验验证强化以及结论与展望完善等方面仍有提升空间。建议作者在修改后重新提交稿件。