基于拍卖与扩散型多智能体强化学习的低空智能网络中的分层任务卸载与轨迹优化
机器学习
2025-12-16 v1 人工智能
摘要
低空智能网络（LAINs）作为一种有前景的架构，能够在动态和基础设施受限的环境中提供低延迟和节能的边缘智能。通过整合无人机（UAVs）、空中基站和地面基站，LAINs能够支持灾难响应、环境监测和实时感知等关键任务应用。然而，这些系统面临关键挑战，包括能量受限的UAV、随机任务到达和异构计算资源。为了解决这些问题，我们提出了一个集成空地协作网络，并构建了一个时间依赖的整数非线性规划问题，联合优化UAV轨迹规划和任务卸载决策。由于决策变量之间存在时间耦合，该问题难以求解。因此，我们设计了一个具有两个时间尺度的分层学习框架。在粗时间尺度上，Vickrey-Clarke-Groves拍卖机制实现了能量感知和激励相容的轨迹分配。在细时间尺度上，我们提出了扩散-异构智能体近端策略优化（diffusion-heterogeneous-agent proximal policy optimization），这是一种将潜在扩散模型嵌入行为者网络中的生成式多智能体强化学习算法。每个UAV从高斯先验中采样动作，并通过观测条件下的去噪进行细化，从而增强适应性和策略多样性。大量仿真表明，我们的框架在能效、任务成功率和收敛性能方面优于基线方法。
引用
@article{arxiv.2512.11862,
title = {Hierarchical Task Offloading and Trajectory Optimization in Low-Altitude Intelligent Networks Via Auction and Diffusion-based MARL},
author = {Jiahao You and Ziye Jia and Can Cui and Chao Dong and Qihui Wu and Zhu Han},
journal= {arXiv preprint arXiv:2512.11862},
year = {2025}
}