Transformer协同卸载算法

高并发下任务全部完成

通过图网络建模AGV观测并用Transformer学习边关系，使AGV能利用领域信息协同，同时算法能将网络输入转换为固定嵌入以适配变化的AGV数量，并引入噪声网络和优先经验回放机制。

Shi, Huaguang · Jian, Huang · Yang, Bo · 李恒吉 · Ao, Tianyong · Li, Wei · 周屹

IEEE Internet of Things Journal 2025

技术优势

并发再多也能完成

利用图结构和Transformer学习AGV之间的边关系，使AGV能共享领域信息进行协同决策，从而缓解高并发下的通信资源竞争。

AGV数量变了也能用

算法将网络输入转换为固定嵌入，使模型能处理任意数量的AGV，无需因AGV数量变化而重新训练。

探索更充分训得更快

引入噪声网络和优先经验回放机制，鼓励在高维动作空间中的探索，提高训练效率和策略质量。

应用场景

• 智能工厂AGV调度：直接替换现有调度策略，让AGV在高并发下自主协同卸载，减少人工干预。
• MEC任务卸载：为MEC提供联合任务卸载与信道接入策略，应对通信资源竞争和AGV移动性。
• 多智能体协同控制：通过Transformer学习多AGV间的关系，让智能体共享信息协同决策，提高全局性能。