面向车载网络中IRS辅助低空MEC的分层在线优化方法
网络与互联网体系结构
2026-01-01 v1
摘要
在本文中，我们提出了一种智能反射面（IRS）辅助的低空多接入边缘计算（MEC）架构，其中空中MEC服务器与地面MEC服务器协作提供计算服务，同时部署混合IRS（即建筑物安装和无人机搭载的IRS）以增强阻塞情况下的空地连接。基于此架构，我们构建了一个多目标优化问题（MOOP），通过联合优化任务卸载、无人机轨迹控制、IRS相移配置和计算资源分配，以最小化任务完成时延和能耗。所考虑的问题是NP难的，因此我们提出了一种分层在线优化方法（HOOA）来高效求解该问题。具体来说，我们将MOOP重构为一个Stackelberg博弈，其中MEC服务器集体充当领导者以确定系统级决策，而车辆充当跟随者以做出个体决策。在跟随者层面，我们提出了一种多对一匹配机制来生成可行的离散决策。在领导者层面，我们提出了一种结合Karush-Kuhn-Tucker（KKT）方法的生成扩散模型增强型双延迟深度确定性策略梯度（GDMTD3）算法，这是一种基于深度强化学习（DRL）的方法，用于确定连续决策。仿真结果表明，所提出的HOOA取得了显著改进，与性能最佳的基准方法和最先进的DRL算法相比，分别将平均任务完成时延降低了2.5%，平均能耗降低了3.1%。此外，所提出的HOOA在动态环境中表现出优越的收敛稳定性，同时保持了强大的鲁棒性和可扩展性。
引用
@article{arxiv.2512.24659,
title = {Hierarchical Online Optimization Approach for IRS-enabled Low-altitude MEC in Vehicular Networks},
author = {Yixian Wang and Geng Sun and Zemin Sun and Jiacheng Wang and Changyuan Zhao and Daxin Tian and Dusit Niyato and Shiwen Mao},
journal= {arXiv preprint arXiv:2512.24659},
year = {2026}
}
备注
18 pages, 7 figures,