异构车载任务路侧协同卸载的博弈强化学习框架OA

在车联网(Vehicle to Everything,V2X)环境中,传统依赖路侧单元(Road Side Unit,RSU)的边缘计算模式在面对大规模异构车载任务时易受资源约束,导致服务质量下降。针对该问题,提出一种融合博弈论与深度强化学习的智能异构任务卸载机制(Game Theory and Deep Reinforcement Learning-based Heterogeneous Task Offloading Mechanism,GDR-HTO)。该机制通过多台具备独立计算资源的RSU协同执行任务卸载,使各RSU能够并行处理多类异构任务请求。基于任务的计算复杂度、数据规模及延迟容忍度等特征,构建RSU间非合作博弈模型,以实现局部拥塞场景下的高效任务调度与卸载决策。在此基础上,引入深度强化学习(Deep Reinforcement Learning,DRL)对卸载策略进行优化,提升系统决策的自适应性与智能性。仿真实验结果表明,在高车辆密度和强任务异构性场景下,与现有方法相比,该机制平均任务完成时延降低约30%,系统负载均衡性提升超过20%,能耗降低约18%,验证了其在复杂V2X环境中的有效性与优越性。