DRLCL资源分配与负载均衡算法

车载边缘计算低延迟

通过两级深度强化学习联合优化通信资源分配与负载均衡，在真实车辆轨迹下显著降低车载边缘计算网络的系统延迟。

陈权 · 宋晓勤 · 宋铁成 · 杨阳

IEEE Transactions on Mobile Computing 2025

技术优势

延迟显著降低

通过联合优化通信资源分配和负载均衡，系统整体任务延迟相较于现有基准方法明显下降。

负载均衡

通过RSU间的边边协作实现高效任务卸载，避免因车辆密度不均导致的负载失衡。

真实轨迹适用

算法基于真实车辆轨迹进行评估，性能表现更贴近实际部署场景。

应用场景

• 智能网联汽车：为车辆通信和计算任务提供低延迟调度，支撑车路协同。
• 车联网：优化车联网中多RSU间的资源分配与负载均衡，缓解高密度场景压力。
• 边缘智能：深度融合深度强化学习与边缘计算，实现网络资源的智能动态调度。
• 自动驾驶：降低自动驾驶车辆任务处理延迟，增强实时性与安全性。
• 智能交通系统：优化交通系统边缘计算资源，提升整体运行效率。