我院赵旭教授指导研究生的研究成果“Computing Task Offloading Strategy Based on Multi-Agent Deep Reinforcement Learning”发表在中科院二区期刊《Journal of Grid Computing》(IF= 3.4)。该成果第一作者为控制科学与工程专业2022级研究生卜建雄，指导老师为赵旭教授。

此项成果充分体现了电子信息学院在推动智能信息处理在车联网领域的应用，系统培养具备算法创新与网络技术交叉应用能力新工科人才的扎实成果。学院今后将继续完善科研平台建设，引入前沿技术资源，支持更多学生在学术探索与工程实践中发挥所长、实现突破。

成果简介：随着物联网和车联网的快速发展，计算密集型和延迟敏感型应用的激增，从而引发车辆数据的指数型增长。然而，车辆空间的限制使得高性能计算设备难以部署，进而导致车辆有限的资源无法满足车联网数据处理的实时性和低能耗要求。为应对这一挑战，车辆边缘计算将边缘服务器的计算资源下沉到车辆附近来提供卸载服务，有效的缓解了车辆数据传输和处理压力。由于在车辆边缘环境下影响计算卸载的因素众多，如何在进行任务卸载智能决策的同时优化系统性能，成为一项极具挑战的科研问题。该论文以车辆边缘计算为背景，研究高性能的任务卸载和资源分配方法以及隐私保护方法。该论文提出基于非抢占优先级M/m/m任务排队模型来加快任务的计算效率，提出基于MADRL的任务卸载和资源分配算法，为多智能体深度分布式动作语义确定性梯度策略，提出基于联邦学习和差分隐私的多智能体深度强化学习安全卸载算法保证数据安全。该研究不仅为车辆边缘计算环境的任务卸载和资源分配提供了决策方案，也为保证数据安全和提高模型训练稳定性提供了新思路。

（撰写：纪超，审核：张蕾）

图 1 决策模型框