面向可扩展多智能体边缘计算的增量感知编排框架

当智能体数量扩展超过100个时，会发生协同崩溃，导致超线性性能退化，且无法通过个体优化来防止。我们在使用MADDPG的智慧城市部署中，用150个摄像头观察到了这种崩溃，其中截止时间满足率从78%下降到34%，每年产生约18万美元的成本超支。先前的工作孤立地处理了每个促成因素：指数级增长的动作空间、空间相邻智能体间的计算冗余以及任务无关的硬件调度。但尚未有研究探讨这三个因素如何相互作用并彼此放大。我们提出了DAOEF（面向边缘联邦的增量感知编排框架），该框架通过以下方式同时解决这三个问题：（1）差分神经缓存，它存储中间层激活并仅计算输入增量，与输出级缓存相比，命中率提高了2.1倍（72%对35%），同时通过经验校准的相似性阈值将精度损失控制在2%以内；（2）基于关键性的动作空间剪枝，它将智能体组织成优先级层级，并将协调复杂度从O(n²)降低到O(n log n)，最优性损失小于6%；（3）学习型硬件亲和力匹配，它将任务分配给其最优加速器（GPU、CPU、NPU或FPGA），以防止复合的错配惩罚。受控因素隔离实验证实，每种机制都是必要的，但单独使用并不充分：移除任何一种机制都会导致延迟增加超过40%，这验证了增益是相互依赖的，而非简单叠加。在四个数据集（100-250个智能体）和一个20设备的物理测试平台上，DAOEF相较于独立应用这三种机制，实现了1.45倍的乘法增益。一个200智能体的云部署实现了62%的延迟降低（280毫秒对735毫秒），并且在多达250个智能体时保持次线性延迟增长。