.png){kind=icon}
返回
Diffusion Model based Preference-Guided Learning for Edge Server Placement
.png){kind=icon}
PRE
AI
DOI：10.1109/tmc.2026.3716074.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘服务器部署（ESP）在移动边缘计算（MEC）中至关重要，通过有效资源分配实现低延迟服务和成本高效运行。然而，随着候选节点快速增长和异构服务器类型的集成，ESP成为复杂的大规模多目标优化问题。决策空间的指数级扩张与严格的工程约束相结合，导致可行区域稀疏。因此，传统多目标进化算法在寻找可行解方面面临重大挑战，常陷入不可行区域，难以维持收敛性与多样性的平衡。为解决这些挑战，提出了一种基于扩散模型的偏好引导学习算法，称为DMPGL。具体而言，设计了一种基于偏好的分区策略，根据解的可行性、服务延迟、能耗和负载均衡将部署解分为正负集合。随后，在正集合上训练扩散模型以学习其分布并生成高质量的ESP解。此外，引入了分类器引导的微调策略，利用正负样本的判别信息引导生成过程向可行区域靠拢。在上海电信网络轨迹和澳大利亚边缘计算数据集上的实验评估表明，DMPGL在不同部署场景下解决高维ESP问题时优于现有最先进算法。
Keyword:
Edge server placement
evolutionary algorithms
large-scale multi-objective optimization
diffusion model
