基于时间图神经网络的混合动作 MARL 用于 MEC 中的细粒度任务分区和能源感知卸载
机器学习
2026-01-13 v1 人工智能
摘要
随着物联网设备和低延迟应用的快速增长，对实时和高效能计算的需求激增，给传统云计算架构带来了显著压力。移动边缘计算 (MEC) 作为一种新兴范式，有效缓解了云中心的负担，并通过将计算任务卸载到靠近终端用户的边缘服务器来提高服务质量。然而，边缘服务器的计算资源有限、非连续的电源供应（例如电池供电节点）以及高度动态的系统构 complicate 了高效的任务调度和资源分配。为此，本文提出了一种多智能体深度强化学习算法 TG-DCMADDPG，并构建了用于多个边缘服务器的协作计算框架，以实现细粒度任务分区和卸载的联合优化。该方法引入时间图神经网络 (TimeGNN) 来建模和预测多维服务器状态信息的时间序列，从而减少在线交互频率并提高策略可预测性。此外，引入一种在离散-连续混合动作空间中的多智能体确定性策略梯度算法 (DC-MADDPG)，用于协同优化任务分区比例、传输功率和优先级调度策略。广泛的仿真实验表明，TG-DCMADDPG 在策略收敛速度、能源-延迟优化以及任务完成率方面显著优于现有方法，凸显了其在动态受限 MEC 场景中的稳健可扩展性和实际有效性。
引用
@article{arxiv.2601.06191,
title = {TimeGNN-Augmented Hybrid-Action MARL for Fine-Grained Task Partitioning and Energy-Aware Offloading in MEC},
author = {Wei Ai and Yun Peng and Yuntao Shou and Tao Meng and Keqin Li},
journal= {arXiv preprint arXiv:2601.06191},
year = {2026}
}