.png){kind=icon}
返回
PGN-MO-DDQN: A preference-driven multi-objective offloading algorithm for mobile edge video analytics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.adhoc.2025.104100.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能视频分析在车联网和城市监控等实时应用中的快速普及，移动边缘计算（MEC）系统面临着持续的挑战，包括复杂的帧间依赖性、严重的带宽波动和激烈的资源争用。基于固定规则或静态权重的传统卸载策略通常难以在具有冲突的多目标要求场景中保持鲁棒性。为解决这些挑战，本文提出了一种基于偏好生成网络（PGN）的任务卸载与调度自适应多目标强化学习框架PGN-MO-DDQN。该框架利用双DQN的多目标架构，并整合PGN，根据实时系统状态自动生成延迟、负载均衡和分析精度（平均精度均值，mAP）的动态权重向量，同时动态确定本地与边缘处理之间的卸载比例以平衡通信延迟和计算负载，从而实现自适应多目标优化。在EdgeSimPy平台上进行的实验评估表明，与贪婪算法、Fixed-DDQN、HRL-V2I和TOLB等代表性基线算法相比，PGN-MO-DDQN将平均任务延迟降低17%，服务器负载不平衡减少13%，并提升mAP 5.8%。总体而言，所提出的框架为自适应多目标视频卸载提供了鲁棒解决方案，有效平衡了动态边缘环境中的延迟、精度和资源利用率。
