面向分布式数据中心的联合能源管理与协调AIGC工作负载调度：基于扩散模型的奖励塑形方法
机器学习
2026-05-06 v1 系统与控制
信号处理
系统与控制
机器学习
摘要
人工智能生成内容（AIGC）已成为一种变革性范式，用于自动创建多样化且自定义的内容，导致云数据中心计算工作负载迅速增长。AIGC服务提供商（ASPs）必须战略性地调度AIGC工作负载，以减少数据中心能源成本，同时保证高质量内容生成。然而，AIGC服务的独特特征提出了关键挑战，包括ASPs间的模型异构性、隐式服务质量评估以及复杂的推理过程控制。为解决这些挑战，我们提出了一种联合能源管理与协调AIGC工作负载调度框架，引入了对服务质量的显式数学表述，以促进ASPs间的作业转移以及精细的推理过程配置。此外，考虑数据中心内各种能源资源，以增强电力使用灵活性。随后，构建了以平衡AIGC服务收入与运营处罚和成本为目标的系统效用最大化问题。然而，作业调度决策之间的强耦合导致奖励稀疏，限制了现有深度强化学习（DRL）算法的有效性。为此，我们开发了一种基于扩散模型的奖励塑形方法，通过多步骤去噪过程合成补充奖励信号。该方法无缝集成于DRL，以在稀疏环境反馈下高效学习调度策略。基于真实世界模型和数据集的实验表明，我们的方案有效应对了电价波动与AIGC模型异构性，同时在学习收敛性和系统效用方面优于基准方法。
引用
@article{arxiv.2605.02965,
title = {Joint Energy Management and Coordinated AIGC Workload Scheduling for Distributed Data Centers: A Diffusion-Aided Reward Shaping Approach},
author = {Yang Fu and Peng Qin and Liming Chen and Zihao Zhang and Hao Yu and Yifei Wang},
journal= {arXiv preprint arXiv:2605.02965},
year = {2026}
}