.png){kind=icon}
返回
Heterogeneous graph-enhanced multi-objective dependency-aware task offloading in vehicular edge computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.iot.2026.102052.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车载边缘计算（VEC）通过协作的车辆-边缘-云资源实现了计算密集型车载应用。然而，依赖感知的任务卸载仍具挑战性，这源于耦合的子任务优先级约束、异构计算资源、动态系统规模以及多样的延迟-能耗偏好。现有方法通常依赖固定标量化、启发式子任务排序或元启发式求解器，限制了其对变化用户偏好和资源配置的适应性。为应对这些挑战，本文提出HGATE-EMOPPO，一种基于图的多目标强化学习框架，用于VEC系统中的依赖感知任务卸载。该问题被建模为多目标马尔可夫决策过程，以联合优化任务完成延迟和能耗。构建了一个异构图，联合建模有向无环任务依赖关系和服务器核心间的无向竞争关系。基于此表示，开发了具有解耦无监督预训练的异构图注意力自编码器（HGATE），用于提取可重用的结构和关系嵌入。进一步设计了基于包络的多目标近端策略优化算法（EMOPPO），以学习统一偏好感知策略，其中特征级线性调制机制使决策能适应不同的延迟-能耗权衡。与依赖预定义子任务优先级的传统方法不同，HGATE-EMOPPO动态选择可执行子任务和卸载目的地，实现与规模无关且无启发式的调度。大量仿真表明，HGATE-EMOPPO在超体积和适应误差方面实现了具有竞争力的多目标卸载性能。尽管某些基准方法在特定设置下对特定指标表现更优，HGATE-EMOPPO提供了一个灵活的单策略偏好感知解决方案，并能有效泛化至未见任务拓扑、变化的通信-计算特性及异构服务器核心配置（无需重新训练），表明其在真实VEC环境中的鲁棒性和可扩展性。
Keyword:
Dependency-aware task offloading
Heterogeneous graph attention auto-encoder
Multi-objective deep reinforcement learning
Size-agnostic multi-objective offloading
Vehicular edge computing
