车-路-云协同系统中自动驾驶测试任务调度与资源分配的优化研究

《Expert Systems with Applications》：Optimization of Task Scheduling and Resource Allocation for Autonomous Vehicle Tests in Vehicle-Road-Cloud Collaborative Systems

本文提出一种融合遗传算法与深度确定性策略梯度（Genetic-Enhanced DDPG）的智能调度器，通过5G通信网络构建集成测试场景，实现任务优先级划分与动态负载均衡。实验表明该方法显著降低任务完成时间33.43%（成功率98.4%），能耗降低15.2%，服务器资源利用率达93.6%，为车载边缘计算（VEC）场景提供高实时性保障。

　　

亮点

本研究通过遗传算法增强的深度确定性策略梯度调度器（Genetic-Enhanced DDPG Scheduler），创新性地将遗传算法（GA）的全局搜索能力与深度强化学习（DRL）的动态决策优势相结合。遗传算法生成的初始策略被存入DDPG的经验回放缓冲区，有效缓解高维状态空间中的探索难题，加速收敛并提升稳定性。同时，动态负载均衡机制根据任务到达率、优先级和计算需求实时调整分配策略，确保关键任务优先执行。

结论

本研究提出的Genetic-Enhanced DDPG方法在车-路-云协同的自动驾驶测试场景中，通过融合遗传算法的多样性策略与DDPG的实时优化能力，显著提升了任务调度效率。实验证明该方法在任务完成时间、能耗控制和服务器资源利用率（达93.6%）方面均优于现有方案，尤其适用于对低延迟要求严苛的车载边缘计算（VEC）环境。