计算机工程

作者：倪苏婕, 陈兵, 石优

单位：南京航空航天大学计算机科学与技术学院, 江苏 南京 210016

关键词：车辆边缘计算,任务卸载,任务划分,多智能体深度强化学习,V2I与V2V联合卸载

基金：国家自然科学基金(62176122)

在车辆边缘计算系统中, 受限于自身的计算能力, 单个车辆难以处理计算密集型任务, 并且由于车联网(IoV)环境的高动态性, 车辆难以获取全局信息及其他车辆的卸载行为来做出任务卸载决策。为了解决车辆边缘计算系统中计算资源不足、环境状态时变以及车辆观察范围有限等问题, 联合车辆与基础设施(V2I)和车辆与车辆(V2V)卸载方式并考虑任务划分问题, 提出一种基于多智能体深度确定性策略梯度的在线算法。首先, 综合考虑车辆位置、连接时间和可用计算资源, 选择服务性能值较高的车辆作为候选服务车辆; 其次, 以最小化系统的平均任务卸载时延为目标提出一个优化问题, 并将其建模为一个马尔可夫决策过程, 通过对模型进行集中训练, 车辆可以获取其他车辆的信息以调整自身策略, 在在线执行阶段, 车辆根据局部观察迅速做出卸载决策。将该算法与基准算法进行对比, 实验结果表明, 相较于深度确定性策略梯度算法和任务均分法, 所提任务卸载算法的平均任务卸载时延分别降低75%和66%, 且收敛速度更快, 证明了该算法的有效性。

来源：2024年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第12期