.png){kind=icon}
返回
Dependency-Aware CAV Task Scheduling via Diffusion-Based Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3636287.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了一种依赖感知的任务调度问题，应用于车联网（CAV）网络中。具体而言，每个CAV任务由多个依赖子任务组成，这些子任务可以分配给附近车辆或路侧单元进行处理。由于频繁的子任务调度会增加通信开销，因此设计了一种简化任务依赖关系的调度方案，并整合了子任务合并机制以降低依赖任务调度的复杂性。我们构建了一个长期联合子任务调度与资源分配优化问题，旨在最小化任务平均完成延迟，同时保证系统稳定性。因此，采用Lyapunov优化方法将长期问题解耦为多个瞬时确定性子问题。为捕捉车联网环境的动态性和任务到达的随机性，将问题重新表述为参数化动作马尔可夫决策过程（MDP）。为解决单步确定性策略在稀疏奖励下探索效率低下的问题，提出了一种基于扩散的混合近端策略优化算法，将扩散模型与深度强化学习相结合。该算法不依赖原始策略网络，而是采用扩散策略生成连续动作，旨在通过多步细化提升策略的多模态动作分布表达能力，并增强长期决策能力。大量仿真结果表明，与现有最优基准方法相比，所提算法可将任务完成延迟降低6.9%–12.1%。
Keyword:
CAV networks
dependent task scheduling
deep reinforcement learning
diffusion policy
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏MESON: A Mobility-Aware Dependent Task Offloading Scheme for Urban Vehicular Edge Computing介子: 一种基于移动感知的城市车载边缘计算任务卸载方案
OAAI
OAAI分享收藏A Survey of Graph-Based Resource Management in Wireless Networks—Part II: Learning Approaches基于图的方法的无线网络资源管理综述——第二部分：学习途径
PREAI
分享收藏
查看更多内容