联邦深度强化学习的车联网任务卸载优化
李振文
武鹏荣
雷强
西安工程大学 陕西西安 710600
摘要：随着车联网和移动边缘计算(MEC)的快速发展,动态任务卸载与资源分配成为提升系统性能和用户体验的关键挑战.传统方法依赖静态模型或集中式训练,难以适应高动态车联网环境,且面临数据隐私与资源分配不均衡等问题,为此,文章设计了一种基于联邦学习与深度强化学习的协同优化框架(FL-MADDPG),结合多智能体深度确定性策略梯度算法与联邦学习机制,以解决车联网中的任务卸载与资源分配问题,通过联邦学习保护用户数据隐私,同时利用多智能体强化学习实现分布式协作优化,动态调整卸载决策与资源分配策略.仿真实验表明,与传统算法(如DDPG、DQN)相比,FL-MADDPG在资源受限场景下任务完成率提升15％以上,延迟降低50％,能耗减少40％,并展现出对动态任务分布与设备规模扩展的强鲁棒性,为车联网的高效资源管理与隐私保护提供了理论支持与技术路径.
关键词：移动边缘计算任务卸载联邦学习深度强化学习动态环境适应性
论文发表日期：2025-10-25
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：5( 18-22 )