.png){kind=icon}
返回
Dynamic priority driven multi-type task offloading and cloud-edge collaborative resource allocation in space-air-ground integrated network
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05849-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空天地一体化网络（SAGIN）的快速发展催生了协同计算架构，其中卫星、无人机（UAVs）和地面终端合作以支持泛在覆盖和实时服务。然而，多模态任务的异构性对传统卸载策略构成了重大挑战。传统的静态优先级方法无法解决时变网络状态与任务特性之间的动态耦合问题，导致服务质量（QoS）违规和次优资源分配。为解决这些问题，我们提出了一种由移动用户任务动态优先级驱动的分层卸载与协同计算框架。首先，我们建立了一个多维任务优先级评估模型，并结合卫星覆盖时间预测与无人机轨迹误差来实时调整任务优先级。其次，我们设计了一种基于云-边缘-设备协作的分层博弈机制，其中无人机/卫星和移动设备进行分布式竞价决策和基于优先级的卸载决策。然后，我们提出了动态优先级驱动的分层博弈多智能体近端策略优化（DP-HG-MAPPO）算法，以整合任务卸载和资源定价策略，在延迟、能效和负载均衡之间实现最优权衡。通过多维特征建模、博弈-强化学习融合和自适应阈值机制，我们实现了多类型任务与多层级资源之间的有效匹配。仿真结果表明，在动态且资源受限的SAGIN环境中，与现有基准算法相比，我们提出的方法在任务完成率、高优先级任务延迟满意度及能效方面分别提升了11.7%、18.3%和28.8%。
Keyword:
Collaborative computing
Dynamic priority
Hierarchical game
Space-air-ground integrated network
Task offloading
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
.png){kind=icon}
分享收藏Energy-Efficient Trajectory Optimization With Wireless Charging in UAV-Assisted MEC Based on Multi-Objective Reinforcement Learning基于多目标强化学习的无人机辅助MEC无线充电轨迹节能优化
PREAI
分享收藏Space-Air-Ground Integrated Wireless Networks for 6G: Basics, Key Technologies, and Future Trends面向6G的空间-空中-地面一体化无线网络：基础、关键技术及未来趋势
PREAI
分享收藏
查看更多内容