分层 MEC 赋能空天网络中面向队列感知的任务卸载多智能体深度强化学习
机器学习
2025-03-06 v1 人工智能
摘要
移动边缘计算（MEC）赋能的空天网络是 6G 的关键组成部分，采用空中基站（ABS），如无人机（UAV）和高空平台站（HAPS），为地面物联网设备（IoTD）提供动态服务。这些 IoTD 支持实时应用（如多媒体和元宇宙服务），需要高计算资源和严格的延迟与任务队列管理方面的服务质量（QoS）保证。鉴于其有限的能量和处理能力，IoTD 依赖 UAV 和 HAPS 进行任务卸载以实现分布式处理，形成多层 MEC 系统。本文通过联合优化 UAV 轨迹、计算资源分配和面向队列感知的任务卸载决策，解决 MEC 赋能空天集成网络（MAGIN）中的总体能量最小化问题。由于该分层系统的非凸非线性特性，传统方法难以有效求解。我们将问题建模为具有连续动作空间和多智能体的马尔可夫决策过程（MDP），并提出一种基于 Beta 分布的多智能体近端策略优化（MAPPO-BD）变体来求解。大量仿真结果表明，MAPPO-BD 优于基线方案，在 MAGIN 中实现了优越的能量节省和高效的资源管理，同时满足队列延迟和边缘计算约束。
引用
@article{arxiv.2503.03391,
title = {Multi-Agent DRL for Queue-Aware Task Offloading in Hierarchical MEC-Enabled Air-Ground Networks},
author = {Muhammet Hevesli and Abegaz Mohammed Seid and Aiman Erbad and Mohamed Abdallah},
journal= {arXiv preprint arXiv:2503.03391},
year = {2025}
}