服务时延降45%~88%
将扩散模型融入深度强化学习，用历史动作概率引导去噪过程，在协作边缘系统中实现高效任务调度。
Changfu, Xu · Guo, Jianxiong · Liang, Yuzhu · Haodong, Zou · Zeng, Jiandian · 戴海鹏 · 贾维嘉 · Jiannong, Cao · Tian, Wang
IEEE Transactions on Mobile Computing 2025
扩散模型在图像生成中展现出强探索能力，FDEdge 将其用于调度决策，使 DRL 智能体更充分地探索状态-动作空间。
扩散模型的数据效率特性帮助 FDEdge 用更少的交互获得高质量调度策略，从而降低训练成本。
扩散模型的性能稳定性被引入调度框架，避免了 DRL 方法常见的性能波动，从而在长期运行中保持一致的 QoE。
FDEdge 将服务时延降低 45.42%–87.57%，直接改善用户体验。