Reinforcement learning-driven interval multi-objective evolutionary algorithm for task offloading in uncertain cloud–edge

Yaqing Jin

doi:10.1016/j.engappai.2026.115043

Reinforcement learning-driven interval multi-objective evolutionary algorithm for task offloading in uncertain cloud–edge

2026-05-13

0

PRE

AI

DOI：10.1016/j.engappai.2026.115043

原文链接

原文求助

摘要

En 中文

云计算边缘计算已成为一种有前景的范式，用于克服集中式云计算的高延迟和边缘计算的计算能力有限的问题。然而，诸如云边之间的通信带宽和计算能力的波动等不确定因素，在很大程度上被忽视了其对任务卸载性能的影响。为解决此问题，我们采用区间数来模拟云边环境中的不确定性，并将任务卸载问题表述为一个区间多目标优化问题，同时考虑延迟、能耗和成本三个目标。具体而言，为不确定云边环境中的任务卸载开发了一种基于强化学习的区间多目标进化算法（IMOEA-DQN）。首先，为克服现有多目标进化算法（IMOEAs）中固定或手动设计的环境选择机制的局限性并实现自适应协调，设计了一种创新的深度Q网络（DQN）驱动的环境选择策略，通过利用历史信息并动态调整收敛性、多样性和不确定性的优先级，以实现它们之间的平衡折衷。此外，提出了不确定性支配关系，以准确量化个体的不确定性，为交叉操作和环境选择提供可靠依据，从而减少种群的不确定性。最后，设计了一种双自适应精英交叉策略，以生成在收敛性、多样性和不确定性方面具有更好整体质量的子代，并进一步提高进化效率。在不同环境规模下的大量实验和消融研究表明，IMOEA-DQN与几种最先进算法相比表现出极强的竞争力。

Keyword:

task offloading

cloud–edge computing

interval multi-objective optimization

reinforcement learning

uncertainty modeling

Reinforcement learning-driven interval multi-objective evolutionary algorithm for task offloading in uncertain cloud–edge

摘要

期刊

机构

引用论文