摘要
随着信息技术的不断发展,智能交通系统逐渐成为未来交通的发展方向.然而,智能交通系统中时间敏感型和计算密集型应用的日益增多,给资源有限的车辆终端带来了严峻挑战.端—边—云层次性计算架构是应对该挑战的有效手段.在基于端—边—云架构的车路协同系统中,车辆用户可以将时间敏感型任务卸载到附近的路边单元执行以保证应用的实时性,而将计算密集型任务卸载到云以满足其算力需求.但是,任务卸载也会导致额外的传输时延和能量开销.此外,任务在传输过程也可能遭受错误而导致可靠性降低.因此,为保障端—边—云车路协同系统中车辆的用户体验,提出一种基于多智能体强化学习的资源调度方案.该方案通过充分利用端—边—云架构的特点并采用集中训练—分散执行的框架来构建深度神经网络,以制定任务卸载和车路计算资源分配的最优决策,最终实现可靠性约束下的系统时延和能耗优化.为验证所提方案的有效性,实验通过效用值来体现算法在时延和能耗2方面的优化.实验结果表明,与现有算法相比,所提方案在满足可靠性约束的前提下,效用值可以提高到221.9％.
基金项目
国家自然科学基金(62172224)
江苏省自然科学基金(BK20220138)
中国博士后科学基金(BX2021128)
中国博士后科学基金(2021T140327)
中国博士后科学基金(2020M680068)
中央高校基本科研业务费专项(30922010318)
中央高校基本科研业务费专项(30922010406)
中央高校基本科研业务费专项(30917015104)
中央高校基本科研业务费专项(30919011103)
中央高校基本科研业务费专项(30919011402)
计算机体系结构国家重点实验室开放课题(CARCHA202105)
万方数据