Generative diffusion model-based QMIX for joint task offloading and resource allocation in VEC systems

doi:10.1016/j.comnet.2025.111516

Generative diffusion model-based QMIX for joint task offloading and resource allocation in VEC systems

2025-07-12

0

PRE

AI

DOI：10.1016/j.comnet.2025.111516

原文链接

原文求助

摘要

En 中文

为应对新兴车联网应用的高计算需求和时延要求，车联网边缘计算（VEC）已被视为一种有前景的计算范式，它通过引入边缘计算卸载来提升资源受限车辆的性能。与传统的时延指标相比，信息新鲜度对于自动驾驶、自动导航等应用更为关键，能够有效避免因数据过时引发的潜在事故。因此，我们采用信息年龄（AoI）来衡量所有车辆任务的新鲜度。随后，在时变环境下，通过联合优化边缘-云协同任务卸载和资源分配，构建了一个长期平均AoI最小化问题。为解决该问题，我们提出了一种以优化为导向的多智能体深度强化学习（MADRL）框架。具体而言，我们提出了一种基于生成式扩散模型（GDM）的价值函数分解MADRL算法，命名为GDM-QMIX，用于学习多车辆智能体的功率分配和卸载策略。同时，基于Karush-Kuhn–Tucker（KKT）条件推导出有线传输速率和计算资源分配的封闭式解，以评估GDM-QMIX的动作质量，从而避免巨大的动作空间并实现联合优化。仿真结果表明，所提算法在解决动态任务卸载和资源分配问题上具有有效性，且在平均AoI方面优于基准方案。

Keyword:

vehicular edge computing

age of information

task offloading

resource allocation

multi-agent deep reinforcement learning

Generative diffusion model-based QMIX for joint task offloading and resource allocation in VEC systems

摘要

期刊

机构

引用论文