基于强化学习的车联网任务卸载策略
王哲
邹经
葛丽娜
广西民族大学人工智能学院 广西南宁 530006
摘要：随着边缘计算在车联网中的研究与应用,计算任务能够从车辆卸载到路边边缘服务器以降低系统服务延迟.然而,随着车辆的移动,连续变化的环境可能导致传统的任务卸载策略失效或者算法复杂程度上升.如何预测车辆的移动轨迹并制定合理的任务卸载策略是亟待解决的关键问题,传统的计算卸载方法无法在车联网中直接应用.基于多层次计算网络构建车联网任务卸载系统,引入马尔科夫移动模型描述车辆移动轨迹,并求解最优迁移路径问题;为此提出基于受约束的马尔科夫模型的求解方法并设计了基于强化学习的演员网络原始-对偶深度确定性策略梯度(actor-network primal-dual deep deterministic policy gradient,ANPD-DDPG)算法以实现最优解的学习.在仿真实验中将所提方法与现有研究进行对比,同时分析了ANPD-DDPG算法在收敛速度与系统延迟方面的特征,在系统延时方面,所提方法约降低33％.
关键词：车联网边缘计算任务卸载强化学习
资助基金：广西自然科学基金资助项目(2024GXNSFAA010111)广西民族大学相思湖青年学者创新团队项目(2023GXUNXSHQN02)广西民族大学引进人才科研启动项目(2019KJQD17)
论文发表日期：2025-06-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：6( 71-76 )