基于扩散强化学习的依赖感知CAV任务调度
人工智能
2024-11-28 v1 机器人学
摘要
本文提出一种针对动态无人机辅助连接自主车辆（CAV）的依赖感知任务调度策略。具体而言，将由多个依赖子任务组成的CAV计算任务分配给附近的CAV或基站，以便及时完成任务。因此，我们构建了联合调度优先级和子任务分配优化问题，目标是最小化平均任务完成时间。该问题旨在提高系统的长期性能，将其重新表述为马尔可夫决策过程。为解决该问题，我们进一步提出一种扩散强化学习算法，称为基于子任务调度的合成DDQN（Synthetic DDQN based Subtasks Scheduling），可实时做出自适应任务调度决策。将基于扩散模型的合成经验回放集成到强化学习框架中，可在经验回放缓冲区中生成足够的合成数据，从而显著加快收敛速度并提高样本效率。仿真结果表明，所提算法在减少任务完成时间方面有效，尤其是与基准方案相比。
引用
@article{arxiv.2411.18230,
title = {Dependency-Aware CAV Task Scheduling via Diffusion-Based Reinforcement Learning},
author = {Xiang Cheng and Zhi Mao and Ying Wang and Wen Wu},
journal= {arXiv preprint arXiv:2411.18230},
year = {2024}
}
备注
6 pages, 5 figures