车联网边缘计算中的多智能体任务分配：一种基于遗憾匹配学习的方法

车联网边缘计算近来被提出用于支持智能交通系统（ITS）中计算密集型应用，如自动驾驶汽车与增强现实。尽管该领域已取得进展，如何高效地将有限计算资源分配给一系列时间关键的 ITS 任务仍面临重大挑战。为此，本文针对高速公路上的车辆提出了一种新的任务分配方案。由于车辆高速移动且路边单元（RSU）通信范围有限，参与车辆的计算任务需在多个服务器间动态迁移。我们将车辆计算任务分配给 RSU 与宏基站的问题建模为一个二元非线性规划（BNLP）问题。为应对所构优化问题可能规模庞大的情况，我们设计了一种分布式多智能体遗憾匹配学习算法。基于遗憾最小化原理，该算法采用一种遗忘方法，使学习过程能够快速适应并有效处理车辆网络的高移动性特征。我们从理论上证明，该算法收敛于所考虑 BNLP 问题的相关均衡解。采用实际参数设置的仿真结果表明，所提算法在处理任务时具有最低的总时延与代价，并在智能体间实现效用公平性。重要的是，随着问题规模增大，我们的算法收敛速度远快于现有方法，彰显了其在大规模车辆网络中的明显优势。