.png){kind=icon}
返回
Graph-Augmented MAPPO for Dynamic Task Offloading in Edge Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/LCOMM.2026.3674662.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在多接入边缘计算（MEC）环境中，由于动态拓扑、时变信道和异构链路容量，任务卸载和通信感知的资源分配优化具有挑战性。本文提出了一种基于集中式训练和分布式执行（CTDE）范式的图增强多智能体近端策略优化（GA-MAPPO）框架。主智能体协同架构整合图注意力网络（GAT）以建模边缘节点间的动态通信依赖关系和带宽变化。混合动作空间实现了任务卸载与传输资源分配的联合优化。基于移动性和工作负载轨迹的实验表明，GA-MAPPO在提高任务完成率、降低时延方面优于代表性基线方法，展示了其在动态MEC和车联网（IoV）场景中的适应性。
Keyword:
Resource management
Dynamic scheduling
Topology
Servers
Optimization
Network topology
Delays
Vehicle dynamics
Wireless communication
Uplink
MEC
multi-agent reinforcement learning
graph attention network
task offloading
communication optimization
CTDE
期刊
IF:
4.4
论文数:
1.3W
被引数:
2.2W
机构
查看更多机构
引用论文
Learning Decentralized Traffic Signal Controllers With Multi-Agent Graph Reinforcement Learning基于多智能体图强化学习的分散式交通信号控制器
OAAI
OAAI分享收藏Yu, C.; Velu, A.; Vinitsky, E.; Wang, Y.; Bayen, A.; Wu, Y. The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games. Adv. Neural Inf. Process. Syst. 2021, 35, 24611–24624. [Google Scholar] [CrossRef]Yu, C.; Velu, A.; Vinitsky, E.; Wang, Y.; Bayen, A.; Wu, Y. PPO在合作多智能体游戏中的惊人有效性. Adv. Neural Inf. Process. Syst. 2021, 35, 24611–24624. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
没有更多内容