联邦多智能体任务卸载策略

总成本显著降低

仅共享模型参数即可协同优化物流车辆的计算卸载与资源分配，无需共享本地数据，大幅降低训练开销。

Qiqi, Li · Cui, Yaping · Tao, Song · 郑林江

IEEE Internet of Things Journal 2023

技术优势

系统成本显著降低

在延迟容忍和计算资源约束下最小化执行延迟和能耗的加权和，数值结果表明总系统成本明显优于基线。

无需共享本地数据

联邦框架下每个智能体仅共享模型参数而非本地训练数据，从而减少多智能体训练过程的计算复杂度和信令开销。

应用场景

• 智能物流：支持物流车辆高效执行计算密集型应用，保障服务质量。
• 边缘计算：利用车辆-边缘协作计算框架，在边缘侧完成依赖任务的动态卸载决策。
• 车联网：为车联网中资源受限的车辆提供低延迟、低能耗的任务卸载方案。
• 多智能体系统：通过联邦多智能体actor-critic学习实现分布式协同，降低训练复杂度。