http://www．jsjkx．comDOI:１０．１１８９６/jsjkx．２２０８００２４３到稿日期:２０２２Ｇ０８Ｇ２６返修日期:２０２２Ｇ１２Ｇ１９基金项目:国家自然科学基金(６２０７２１０８);福建省自然科学基金杰青项目(２０２０J０６０１４)ThisworkwassupportedbytheNationalNaturalScienceFoundationofChina(６２０７２１０８)andNaturalScienceFoundationofFujianProvinceforDistinguishedYoungScholars(２０２０J０６０１４)．通信作者:陈星(chenxing＠fzu．edu．cn)车联网中基于联邦深度强化学习的任务卸载算法林欣郁姚泽玮胡晟熙陈哲毅陈星福州大学计算机与大数据学院福州３５０１０８福建省网络计算与智能信息处理重点实验室福州３５０１０８(linxy０８２６＠１６３．com)摘要随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用.计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题.对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法.该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间.设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析.实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案.实验结果表明,所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间.关键词:边缘计算;任务卸载;车联网;深度强化学习;联邦学习中图法分类号TP３３８TaskOffloadingAlgorithmBasedonFederatedDeepReinforcementLearningforInternetofVehiclesLINXinyu,YAOZewei,HUShengxi,CHENZheyiandCHENXingCollegeofComputerandDataScience,FuzhouUniversity,Fuzhou３５０１０８,ChinaFujianProvincialKeyLaboratoryofNetworkingComputingandIntelligentInformationProcessing,Fuzhou３５０１０８,ChinaAbstractWiththerapiddevelopmentoftheservicesystemofInternetofVehiclesapplications,vehicleswithlimitedcomputaＧtionalresourceshavedifficultyinhandlingthesecomputationＧintensiveandlatencyＧsensitiveapplications．Asakeytechniqueinmobileedgecomputing,taskoffloadingcanaddressthechallenge．Specially,ataskoffloadingalgorithmbasedonfederated...
