基于 NOMA 的车载边缘计算中任务卸载与资源的联合优化：一种博弈论深度强化学习方法
网络与互联网体系结构
2022-11-21 v2
摘要
车载边缘计算（VEC）成为新兴智能交通系统发展的一个有前景范式。然而，有限的资源与海量传输需求给满足严格截止时间要求的车载应用实现带来巨大挑战。本工作提出一种基于非正交多址（NOMA）的 VEC 架构，其中异构边缘节点协作进行实时任务处理。我们通过考虑边缘内与边缘间干扰推导了车到基础设施（V2I）传输模型，并通过联合优化任务卸载与资源分配构建了一个协作资源优化（CRO）问题，旨在最大化服务率。进一步，我们将 CRO 分解为两个子问题，即任务卸载与资源分配。特别地，任务卸载子问题被建模为精确势博弈（EPG），并提出了多智能体分布式分布化深度确定性策略梯度（MAD4PG）以达到纳什均衡。资源分配子问题被划分为两个独立的凸优化问题，并使用基于梯度的迭代方法与 KKT 条件给出了最优解。最后，我们基于真实车辆轨迹构建仿真模型并给出综合性能评估，确证地展示了所提方案的优越性。
引用
@article{arxiv.2209.12749,
title = {Joint Task Offloading and Resource Optimization in NOMA-based Vehicular Edge Computing: A Game-Theoretic DRL Approach},
author = {Xincao Xu and Kai Liu and Penglin Dai and Feiyu Jin and Hualing Ren and Choujun Zhan and Songtao Guo},
journal= {arXiv preprint arXiv:2209.12749},
year = {2022}
}